本研究探讨了人类在两臂伯努利赌博机任务中的积极性和确认偏差，指出这些偏差与贝叶斯推断无关。研究将贝叶斯推断视为有效的Q学习算法，并分析学习系统的随机动态，发现确认偏差与递减学习率表现出相似的行为特征，为区分真实认知偏差提供了实验框架。

本研究提出了一种新的非合作博弈模型，分析舆论形成与抵抗。结果表明，高确认偏差增强群体一致性但加剧极化，而低确认偏差则导致观点分散。

大型语言模型（LLMs）在识别知识冲突方面表现良好，但在具体冲突知识的确定和响应上存在困难。研究提出了一种基于指令的方法，以增强LLMs的能力，并探讨知识领域和提示文本对冲突解决的影响。实验表明，LLMs能够接受外部证据，但也存在确认偏差。未来的LLMs应优先考虑公平、透明和伦理，以提高道德标准。

本文提出了一种系统性方法，通过对LLMs的参数化记忆进行质量控制来构建相应的反记忆，并进行了一系列受控实验。研究发现，LLMs在遇到知识冲突时，即使与其参数化记忆冲突，也可以高度接受外部证据，但在提供与其参数化记忆一致的信息时，它们也表现出强烈的确认偏差。这些结果对工具和检索增强LLMs的进一步开发和部署具有重要意义。