From promises to practice : unraveling users’ mental models about the role and implications of large language models (LLMs) for individuals and society
Notice bibliographique
Résumé
The growing prevalence of large language models (LLMs), such as ChatGPT, calls for a deeper understanding of their role and implications for individuals and society. This study explores users’ mental models to understand the role and implications of LLMs for individuals and society. Through qualitative research using the critical incident technique (CIT), insights were gathered from 76 LLM users, resulting in 234 narratives about their interactions and experiences with LLMs. The findings reveal a nuanced ambivalence, with users comprehending LLMs as offering both significant opportunities and considerable risks. At the individual level, users’ mental models depict LLMs as helpful assistants, tools for personal connection, conditional partners, suspicious and disempowering actors, and dangerous opponents. At the societal level, users hold mental models that characterize LLMs as societal aids, conditional allies, disruptors, ethical hazards, threats to human sociability, and forces dividing society. This study identifies the mental models users hold regarding LLMs, providing valuable insights that can inform human-centered AI design and robust regulatory frameworks. By uncovering these mental models, this research lays the groundwork for balancing the opportunities and risks of LLMs. It contributes to the AI adoption and use literature by offering practical recommendations for designing and integrating AI-enabled services into everyday life in a way that aligns with users' mental models.
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 | 0,031 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,028 |
| Communication savante | 0,017 | 0,028 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».