Key points are not available for this paper at this time.
Les systèmes de recherche conversationnelle alimentés par de grands modèles linguistiques (LLM) sont déjà utilisés par des centaines de millions de personnes et sont censés offrir de nombreux avantages par rapport à la recherche conventionnelle. Cependant, bien que des décennies de recherche et de débat public aient examiné le risque que les systèmes de recherche augmentent l’exposition sélective et créent des chambres d’écho — limitant l’exposition à des opinions diverses et conduisant à la polarisation des opinions — peu de choses sont connues sur un tel risque des systèmes de recherche conversationnelle alimentés par LLM. Nous menons deux expériences pour étudier : 1) si et comment la recherche conversationnelle alimentée par LLM augmente l’exposition sélective par rapport à la recherche conventionnelle ; 2) si et comment les LLM présentant des biais d’opinion qui renforcent ou défient le point de vue de l’utilisateur modifient cet effet. Globalement, nous avons constaté que les participants engageaient des requêtes d’informations plus biaisées avec la recherche conversationnelle alimentée par LLM, et qu’un LLM à opinion renforçant leurs vues exacerbait ce biais. Ces résultats ont des implications cruciales pour le développement des LLM et des systèmes de recherche conversationnelle, ainsi que pour la politique régissant ces technologies.
Building similarity graph...
Analyzing shared references across papers
Loading...
Nikhil N. Sharma
Q. Vera Liao
Ziang Xiao
Johns Hopkins University
Microsoft (Canada)
Building similarity graph...
Analyzing shared references across papers
Loading...
Sharma et al. (Sat,) ont étudié cette question.
www.synapsesocial.com/papers/68e6a888b6db64358762b5db — DOI: https://doi.org/10.1145/3613904.3642459
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: