大型语言模型在回答事实性问题时表现优异，但容易产生幻觉。研究分析了模型在正确与错误输出中的行为差异，揭示了幻觉发生的模式，并构建了一个准确率达88%的分类器，用于预测幻觉的产生。

通过研究多模式交互在治疗中的应用，揭示了治疗师和患者行为的理解和多模式虚拟代理的开发。研究发现了患者群体的行为差异，强调了治疗师调整自身行为的重要性。

公平机器学习算法旨在消除不同群体间的行为差异，但研究发现，在训练数据存在偏差的情况下，同等重视不同规模和分布的群体可能与鲁棒性相冲突。本文评估了多种算法和基准数据集的攻击，分析了公平机器学习的鲁棒性。

本研究建立了一个包含2022年全年参与阴谋活动的推特用户数据集，并发现阴谋用户在个人资料特征上与对照组相似，但在行为和活动上存在明显差异。研究还开发了一个分类器，使用93个特征来识别阴谋用户，结果显示该分类器具有高准确性。