本研究探讨了人工智能在劝说中的能力与脆弱性，提出了一种新分类法，强调合理开发AI驱动的劝说系统可以提高安全性和有效性，降低风险。

本研究解决了在应对气候变化中，提升环保行为的意图和行动之间的鸿沟。通过对比不同参与者（真实人类、基于真实数据的模拟人类和完全合成的角色），研究发现合成和模拟代理能有效影响环保行为，而人类的反应变化有限。这突显了大型语言模型在评估环保干预措施中的潜力，但也警示了其在预测真实行为时的局限性。

本研究探讨了多语言大模型在写作辅助中的表现差异，发现西班牙语使用经验降低了用户对英语模型的依赖。同时，广告来源信念影响捐赠行为，尤其是西班牙语女性对AI广告反应较为负面。这为多语言模型的设计提供了重要启示。

本研究探讨了大型语言模型（LLMs）在劝说用户时使用的心理语言特征，解决了如何降低由LLMs引发的大规模错误信息风险。通过分析根据理性或情感提示分组的响应内容，提出了应对劝说性AI所带来的认知和社会风险的跨学科方法。本研究强调了人本中心AI的重要性及其对社会的潜在影响。

本研究探讨了聊天机器人拟人化和劝说策略对用户感知和捐款可能性的因果机制。通过一项实验，结果显示，与拟人化聊天机器人互动并未提升捐款意愿，反而在捐款场景中，拟人化特征如名称和叙述造成了对AI代理的负面态度。研究强调了在聊天互动中保持一致性的重要性，尤其是倾向于使用逻辑劝说策略的非拟人化聊天机器人。

本研究解决了大型语言模型（LLMs）在劝说和欺骗中的潜在风险与不当使用问题。论文分析了LLMs的劝说和欺骗能力，并提出了一些可能的缓解措施。研究发现，虽然当前的劝说效果相对较小，但多种机制可能会增强其影响力，因此亟需进一步探索这些模型的强大潜力及其社会影响。

本研究解决了大型语言模型在面对敌对交谈者时易受劝说的安全隐患，提出了“劝说平衡训练”（PBT）的方法，旨在让模型平衡对负向和正向劝说的接受能力。研究表明，PBT显著提高了模型抵抗错误信息的能力，并改善了在多代理辩论中的表现，使得团队合作更加稳定。

本研究利用定制词汇表和Python的TextBlob库，自动检测和分析劝说文本中的有力词汇，研究其出现频率及对情感和读者参与度的影响。结果对内容创作者、广告商和政策制定者有实用价值。

大型语言模型（LLMs）在竞争环境中展示高级推理技能，AucArena是评估LLMs的新型模拟环境。个体LLMs的能力存在变异性，最先进的模型（GPT-4）有时会被基准线和人类代理超越。进一步提高LLM代理设计和模拟环境对测试和改进代理体系结构至关重要。

本研究使用预训练语言模型对阿拉伯社交媒体内容进行研究，发现微调方法在分类任务上取得了最高结果，f1-micro分数为0.865，f1-weighted分数为0.861。少样本学习技术可以提高GPT模型结果达20％。