arXiv cs.AI· Zhanzhan Zhao, Yi Yang, Xiao Jia, Zeyun Dong, Chenzhang Wang·· 13 小时前AI 评分31
大语言模型新兴社会科学研究全景图：198 篇精选论文与 47,719 篇文献的计算映射
Mapping the Emerging Social Science of Large Language Models
AI 导读
一项研究结合 198 篇精选论文综述与五大数据库 47,719 篇正式发表论文的计算映射，将 LLM 社会科学研究划分为三大领域下的 13 个子类：LLM 作为社会心智、LLM 社会、LLM-人类交互。结构主题建模追踪了研究关注点随时间与发表渠道的变化，并指出当前对 LLM 认知与社会行为背后机制的理解仍存空白，呼吁在三大领域建立共享基准与稳健性检验。
正文 · AI 翻译
摘要：随着大语言模型（LLM）模糊了认知与计算之间的边界，它们重塑了知识生产与集体生活。我们将对 198 篇论文的精选综述与来自五个数据库的 47,719 篇正式发表论文的计算映射相结合。文本嵌入、聚类和主题建模将精选文献整理为三个领域下的 13 个子类别。LLM 作为社会心智（LLM as Social Minds）考察单个模型中类心智推理与具有社会基础的行为。LLM 社会（LLM Societies）探讨智能体之间的交互如何产生集体行为与社会组织。LLM-人类交互（LLM-Human Interactions）考察人们如何感知和参与 LLM，以及交互如何重塑人类思维、创造力与人际关系。对更大规模语料库的结构主题建模追溯了研究关注点如何随时间推移而变化，以及在不同发表渠道之间的差异。我们提出了一个可复现的框架，用于识别该领域的底层结构，并使其随着新研究的出现而持续完善。该综述还指出了一个当前理解上的空白：LLM 许多已观察到的认知与社会行为背后的机制仍不清楚。类人表现可能因此被误认为理解，从而掩盖了 LLM 所复现的规范、偏见与权力结构。我们呼吁在三个领域建立共享基准与稳健性检验，以构建可靠的证据基础，用于理解 LLM 的社会行为并为其设计与使用提供依据。
| 学科： | 计算机与社会（cs.CY）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2609.07598 [cs.CY] |
| （或本版本使用 arXiv:2609.07598v2 [cs.CY]） | |
| https://doi.org/10.48550/arXiv.2609.07598 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zhanzhan Zhao [查看邮箱]
[v1]
2026 年 9 月 7 日星期一 15:08:15 UTC（4,833 KB）
[v2]
2026 年 10 月 29 日星期四 14:08:25 UTC（4,864 KB）
来源：arXiv cs.AI · arxiv.org