本研究探讨大型语言模型（LLMs）在生成随机数时的表现差异，分析了模型架构、数值范围、温度和提示语言的影响。结果表明，尽管模型基于随机机制，但在输出随机数字时常表现出确定性，反映了训练数据和人类认知偏见对结果的影响。

本研究探讨大型语言模型在决策中受到认知偏见的影响，分析个性特征对偏见的作用，发现责任心和宜人性能够有效减轻偏见，强调个性驱动的偏见动态及其减轻策略的重要性。

通过语言模型的计算模拟研究了语序普遍现象，发现具有典型语序的模型困惑度较低，认知偏见和可预测性相互作用解释了语序普遍现象。计算模拟中，认知驱动语言模型具有优势。

BiasBuster是一个旨在减轻大型语言模型中认知偏见的框架，通过开发一个包含16,800个提示的数据集，测试了各种减轻偏见的策略，并提出了一种使用大型语言模型来去偏置其自身提示的新方法。自助去偏置方法能够有效减轻认知偏见。

通过语言模型的计算模拟研究了语序普遍现象，发现具有典型语序的模型困惑度较低，认知偏见和可预测性相互作用解释了语序普遍现象，认知驱动语言模型具有优势。

本文介绍了生活中常见的形式逻辑谬论和认知偏见，包括诉诸概率、谬误论证、基准概率谬误、连接谬误、蒙面人谬论等。这些谬论和偏见容易导致人们做出错误的推断和决策。

数字营销专家认为了解人类心理学是最有价值的技能之一，列举了12种认知偏见，营销人员可以利用这些偏见来影响客户的行为和决策。