Brief exposure increases mind perception to ChatGPT and is moderated by the individual propensity to anthropomorphize
Notice bibliographique
Résumé
The rapid proliferation of advanced AI chatbots and large language models (LLMs), such as ChatGPT, have coincided with increased calls to use psychological tools to understand how people perceive interactions with these AI systems. Decades of research into how people perceive minds and anthropomorphize non-humans have led to the development of several prominent frameworks for investigating how people perceive minds in AI systems. Yet, due to the novelty of programs like ChatGPT, mind perception frameworks have not been applied to better understand how exposure to ChatGPT influences the perception of mind in AI. Furthermore, there is an absence of knowledge regarding how individual differences may moderate changes in mind perception as a function of exposure. Here, we reveal the results of a brief exposure manipulation to ChatGPT and its subsequent effect on changing mind perception ratings. We find that even brief exposure significantly increased people’s perceptions of agency and experience in ChatGPT. Moreover, individuals with a higher propensity to anthropomorphize were also more likely to show changes to experiential attributions to ChatGPT (i.e., its ability to feel). These findings suggest that as LLMs like ChatGPT grow in popularity, and people are exposed to them to a greater extent, the degree to which people attribute qualities of mind to AI systems will also increase. This study expands the field’s current understanding of how exposure to LLMs and individual differences may influence attribution of mind to AI.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».