WikiEdge:ArXiv-2409.17167
- 標題：StressPrompt: Does Stress Impact Large Language Models and Human Performance Similarly?
- 中文標題：壓力提示：壓力是否對大型語言模型和人類的表現產生相同的影響？
- 發布日期：2024-09-14 08:32:31+00:00
- 作者：Guobin Shen, Dongcheng Zhao, Aorigele Bao, Xiang He, Yiting Dong, Yi Zeng
- 分類：cs.HC, cs.AI, cs.CL
- 原文鏈接：http://arxiv.org/abs/2409.17167v1
摘要：人類經常會經歷壓力，這會顯著影響他們的表現。本研究探討大型語言模型（LLMs）是否會表現出與人類相似的壓力反應，以及他們的表現在不同的壓力誘導提示下是否會波動。為了調查這一點，我們開發了一套新的提示，稱為StressPrompt，設計用於誘導不同程度的壓力。這些提示源自已建立的心理框架，並根據人類參與者的評級進行了仔細校準。然後，我們將這些提示應用於幾個LLMs，以評估他們在一系列任務中的反應，包括遵循指示、複雜推理和情緒智力。研究發現，LLMs在適度壓力下的表現最佳，與Yerkes-Dodson法則一致。值得注意的是，他們在低壓和高壓條件下的表現都會下降。我們的分析進一步揭示，這些StressPrompts顯著改變了LLMs的內部狀態，導致他們的神經表徵發生變化，反映了人類對壓力的反應。這項研究為LLMs的操作魯棒性和靈活性提供了關鍵的見解，展示了設計能夠在壓力普遍存在的現實世界場景中保持高性能的AI系統的重要性，如在客戶服務、醫療保健和緊急響應環境中。此外，本研究通過提供一種新的視角來看待LLMs如何處理不同的場景以及他們與人類認知的相似性，為更廣泛的AI研究社區做出了貢獻。
問題與動機
作者的研究問題包括：