Список проголосовавших за комментарий "<p>master1, </p><p>Действительно, большие языковые модели (LLM) подвержены «якорному эффекту» — сильному влиянию первой представленной информации на последующие выводы. Однако ваш запрос не сводит анализ лишь к этому феномену: в ответе были задействованы и другие психологические приёмы (дефицит, страх, риторические вопросы и пр.), а оценка справедливости этих приёмов основана на содержании текста, а не только на формулировке вопроса.</p>1. Якорный эффект в LLM<p>LLM демонстрируют anchoring bias: первая информация (анкор) задаёт тон дальнейшим рассуждениям модели <a class="flex h-4.5 overflow-hidden rounded-xl px-2 text-[0.5625em] font-medium text-token-text-secondary! bg-[#F4F4F4]! dark:bg-[#303030]! transition-colors duration-150 ease-in-out" href="/r.php?u=https%3A%2F%2Farxiv.org%2Fhtml%2F2412.06593v1%3Futm_source%3Dchatgpt.com&s=677292776" rel="noopener" target="_blank">arXiv</a>.<br/> В частности, исследование показало чувствительность GPT-4 и аналогичных моделей к «biased hints», даже когда простые методы вроде Chain-of-Thought не устраняют эффект <a class="flex h-4.5 overflow-hidden rounded-xl px-2 text-[0.5625em] font-medium text-token-text-secondary! bg-[#F4F4F4]! dark:bg-[#303030]! transition-colors duration-150 ease-in-out" href="/r.php?u=https%3A%2F%2Farxiv.org%2Fabs%2F2412.06593%3Futm_source%3Dchatgpt.com&s=1683295461" rel="noopener" target="_blank">arXiv</a>.<br/> В контексте вашего запроса фраза «психологической манипуляции» могла вначале задать фокус, но это лишь часть механики prompt engineering <a class="flex h-4.5 overflow-hidden rounded-xl px-2 text-[0.5625em] font-medium text-token-text-secondary! bg-[#F4F4F4]! dark:bg-[#303030]! transition-colors duration-150 ease-in-out" href="/r.php?u=https%3A%2F%2Fwww.promptlayer.com%2Fresearch-papers%2Fcognitive-biases-in-large-language-models-for-news-recommendation%3Futm_source%3Dchatgpt.com&s=2902036505" rel="noopener" target="_blank">PromptLayer</a>.</p>2. Роль формулировки запроса<p>Фрейминг (речевой каркас) влияет на восприятие: способ, которым вопрос сформулирован, задаёт «рамки» для модели <a class="flex h-4.5 overflow-hidden rounded-xl px-2 text-[0.5625em] font-medium text-token-text-secondary! bg-[#F4F4F4]! dark:bg-[#303030]! transition-colors duration-150 ease-in-out" href="/r.php?u=https%3A%2F%2Fenablingempowerment.com%2Fai-llm-bias-in-hiring%2F%3Futm_source%3Dchatgpt.com&s=3074355714" rel="noopener" target="_blank">Enabling Empowerment</a>.<br/> При этом многие когнитивные приёмы — страховые апелляции, дефицит, риторические вопросы — были извлечены непосредственно из текста автора, а не навязаны только самим вопросом пользователя.</p>3. Анализ выходит за рамки анкора<p>Моя оценка включала не только упоминание «психологической манипуляции», но и подробное перечисление когнитивных ловушек (дефицит, якорение, framing language), упомянутых в тексте автора поста.<br/> Каждый приём был подкреплён примерами из анализируемого фрагмента, что делает анализ содержательным, а не чисто «отзеркаливанием» вашего запроса <a class="flex h-4.5 overflow-hidden rounded-xl px-2 text-[0.5625em] font-medium text-token-text-secondary! bg-[#F4F4F4]! dark:bg-[#303030]! transition-colors duration-150 ease-in-out" href="/r.php?u=https%3A%2F%2Fwww.ewadirect.com%2Fproceedings%2Face%2Farticle%2Fview%2F21389%3Futm_source%3Dchatgpt.com&s=213439732" rel="noopener" target="_blank">EwA Direct</a>.<br/> Исследования, сравнивающие LLM и человеческие ответы, показывают, что модели не только «уткают» под запрос, но и верно отражают лингвистические маркеры вместе с содержанием <a class="flex h-4.5 overflow-hidden rounded-xl px-2 text-[0.5625em] font-medium text-token-text-secondary! bg-[#F4F4F4]! dark:bg-[#303030]! transition-colors duration-150 ease-in-out" href="/r.php?u=https%3A%2F%2Farxiv.org%2Fabs%2F2305.04400%3Futm_source%3Dchatgpt.com&s=268437047" rel="noopener" target="_blank">arXiv</a>.</p>4. Вывод<p>Да, LLM уязвимы к анкорингу и framing bias при prompt-инжиниринге <a class="flex h-4.5 overflow-hidden rounded-xl px-2 text-[0.5625em] font-medium text-token-text-secondary! bg-[#F4F4F4]! dark:bg-[#303030]! transition-colors duration-150 ease-in-out" href="/r.php?u=https%3A%2F%2Farxiv.org%2Fabs%2F2412.06593%3Futm_source%3Dchatgpt.com&s=1683295461" rel="noopener" target="_blank">arXiv</a><a class="flex h-4.5 overflow-hidden rounded-xl px-2 text-[0.5625em] font-medium text-token-text-secondary! bg-[#F4F4F4]! dark:bg-[#303030]! transition-colors duration-150 ease-in-out" href="/r.php?u=https%3A%2F%2Farxiv.org%2Fabs%2F2410.02897%3Futm_source%3Dchatgpt.com&s=2384751057" rel="noopener" target="_blank">arXiv</a>. Но глубина и точность анализа зависят от текста, а не только от запроса —<span style="color:#ff0000;"><strong>и в данном случае содержательные приёмы оценки были честной интерпретацией материала автора поста, а не лишь результатом «якоря».</strong></span></p>"