大語言模型在心理學(xué)應(yīng)用中的前沿探索：一項(xiàng)綜合性綜述（下）

Ke, L., Tong, S., Cheng, P., & Peng, K. (2025). Exploring the frontiers of llms in psychological applications: A comprehensive review. Artificial Intelligence Review, 58(10), 305.https://doi.org/10.1007/s10462-025-11297-5

6

大語言模型作為心理學(xué)的研究工具

在第 2–5 節(jié)探討了 LLMs 在認(rèn)知與行為心理學(xué)中的理論基礎(chǔ)與實(shí)踐應(yīng)用，并強(qiáng)調(diào)其在推動(dòng)心理學(xué)研究方法發(fā)展中的作用之后，本節(jié)將重點(diǎn)關(guān)注 LLMs 在研究中最重要的應(yīng)用之一：其在系統(tǒng)綜述與元分析自動(dòng)化與優(yōu)化方面的潛力。這一部分凸顯了 LLMs 作為基于認(rèn)知與行為原理的工具，如何能夠革新證據(jù)綜合（evidence synthesis）過程，并為心理學(xué)家提供可操作的洞見。換句話說，盡管前文主要聚焦于 LLMs 作為心理學(xué)研究中客觀性工具的作用，但本節(jié)將關(guān)注點(diǎn)轉(zhuǎn)向心理學(xué)家自身的科研工作流程。與第 5 節(jié)中討論的生產(chǎn)力提升類似，LLMs 也能夠在心理學(xué)家工作的各個(gè)環(huán)節(jié)提升效率。具體而言，LLMs 作為科學(xué)研究工具，可以幫助心理學(xué)家完成從文獻(xiàn)綜述、假設(shè)生成、實(shí)驗(yàn)設(shè)計(jì)、實(shí)驗(yàn)被試、數(shù)據(jù)分析到促進(jìn)學(xué)術(shù)交流的全鏈條任務(wù)（見表 5）。

表5.大語言模型（LLMs）作為心理學(xué)研究工具的應(yīng)用

6.1 自動(dòng)化文獻(xiàn)綜述和元分析

進(jìn)行文獻(xiàn)綜述與元分析是一項(xiàng)復(fù)雜而繁重的工作，需要大量時(shí)間與專業(yè)知識(shí)（Michelson & Reuter, 2019）。《Nature》曾報(bào)道，研究人員已開始使用 GPT 作為科研助理來總結(jié)文獻(xiàn)（Dis 等，2023）。在一項(xiàng)研究中，研究人員利用 GPT 完成了部分系統(tǒng)性文獻(xiàn)綜述任務(wù)（Qureshi 等，2023）。在另一項(xiàng)研究中，作者借助 GPT 撰寫了一篇關(guān)于數(shù)字孿生在健康領(lǐng)域應(yīng)用的文獻(xiàn)綜述，結(jié)果顯示，在 LLMs 的幫助下，知識(shí)匯編與表達(dá)得到了加速，但其學(xué)術(shù)有效性仍需進(jìn)一步驗(yàn)證（Ayd?n & Karaarslan, 2022）。此外，研究人員還專門訓(xùn)練 LLMs 以支持科學(xué)研究的實(shí)際需求（Taylor 等，2022），包括執(zhí)行系統(tǒng)性文獻(xiàn)綜述的能力。

近期研究進(jìn)一步強(qiáng)調(diào)了 LLMs 在支持元分析方面的高效性。例如，Luo 等（2024）證明，LLMs 可以對(duì)文獻(xiàn)進(jìn)行篩選、數(shù)據(jù)提取，并生成用于元分析的統(tǒng)計(jì)代碼，在顯著減少工作量的同時(shí)，保持了與人工整理相當(dāng)?shù)恼倩芈省ｎ愃频兀琓ong 等（2024）使用 LLMs 從 43,312 篇心理學(xué)文章中提取因果對(duì)，通過自適應(yīng)提示實(shí)現(xiàn)了 86.98% 的提取成功率。正如第 3 節(jié)所述，LLMs 在從大型文本數(shù)據(jù)集中提取因果關(guān)系方面表現(xiàn)出很強(qiáng)的能力，這凸顯了其在簡化系統(tǒng)綜述與元分析的證據(jù)綜合過程中的潛力。然而，盡管 LLMs 在整理定性數(shù)據(jù)與識(shí)別概念模式方面表現(xiàn)優(yōu)異，但在提取元分析所需的精確數(shù)值數(shù)據(jù)時(shí)仍存在挑戰(zhàn)。例如，雖然基于 LLM 的工具可以檢索并總結(jié)結(jié)果指標(biāo)，但在處理復(fù)雜圖表或數(shù)據(jù)表時(shí)，人工驗(yàn)證仍然必不可少，以確保準(zhǔn)確性。

總之，LLMs 可以加快文獻(xiàn)綜述與元分析的進(jìn)程。研究人員可以利用此類模型系統(tǒng)性地回顧與整合現(xiàn)有研究，從而提高循證心理學(xué)的研究效率。

6.2 假設(shè)生成和實(shí)驗(yàn)設(shè)計(jì)

假設(shè)驅(qū)動(dòng)型研究是科學(xué)活動(dòng)的核心。LLMs 能夠從科學(xué)文獻(xiàn)中生成假設(shè)、基于數(shù)據(jù)進(jìn)行推斷，并通過解釋來澄清結(jié)論（Banker 等，2024；Zheng 等，2023）。盡管 LLMs 具備成為“假設(shè)生成機(jī)器”的潛力，但其邏輯推理與數(shù)學(xué)推導(dǎo)能力仍需提升，以消除事實(shí)性錯(cuò)誤、快速檢驗(yàn)假設(shè)并從錯(cuò)誤中學(xué)習(xí)（Y. J. Park 等，2024）。作為創(chuàng)新性工具，LLMs 在心理學(xué)實(shí)驗(yàn)中具有巨大應(yīng)用潛力，尤其是其能夠?yàn)閷?shí)驗(yàn)設(shè)計(jì)提供基于文本的材料，從而優(yōu)化研究流程并降低實(shí)驗(yàn)復(fù)雜性。研究人員可以利用此類模型輕松創(chuàng)建實(shí)驗(yàn)刺激、設(shè)計(jì)測(cè)試題目，甚至在受控環(huán)境中模擬交互環(huán)節(jié)（Aher, Arriaga, & Kalai, 2022；Akata 等，2023），從而在實(shí)驗(yàn)過程中實(shí)現(xiàn)高度的可控性與精確性。

總之，從假設(shè)生成到實(shí)驗(yàn)設(shè)計(jì)，LLMs 為心理學(xué)研究提供了功能強(qiáng)大且靈活多樣的工具，能夠幫助研究人員實(shí)現(xiàn)更精準(zhǔn)、高效的科研目標(biāo)。

6.3 大語言模型作為心理學(xué)實(shí)驗(yàn)的受試者

盡管大語言模型（LLMs）能夠模擬某些人類行為和反應(yīng)——這為檢驗(yàn)有關(guān)人類行為的理論與假設(shè)提供了機(jī)會(huì)（Grossmann 等, 2023）——但關(guān)于 LLMs 是否可以作為心理學(xué)研究中人類被試的替代者仍存在爭議。盡管研究者認(rèn)識(shí)到仍有一些問題存在（例如偏差和訓(xùn)練數(shù)據(jù)不足），一些學(xué)者建議，LLMs 可以作為人類被試的替代方案，以節(jié)省時(shí)間和成本，并可應(yīng)用于不適合人類參與的實(shí)驗(yàn)（Hutson, 2023）。還有研究者提出，根據(jù)其在特定研究主題、任務(wù)和樣本等因素下的表現(xiàn)，在合適的情況下可以將 LLMs 作為研究被試的一種替代方法（Dillion 等, 2023）。然而，也有人認(rèn)為，盡管 LLMs 可能會(huì)對(duì)科學(xué)研究產(chǎn)生重大影響，但它們不太可能以任何有意義的方式取代人類被試（Harding 等, 2023）。與此同時(shí)，一些關(guān)于將 LLMs 作為被試的研究表明，LLMs 的表現(xiàn)與人類相似（Orru 等, 2023；P. S. Park 等, 2024），這可能意味著 LLMs 在一定程度上有潛力取代人類被試。

總之，雖然 LLMs 能夠模擬人類的判斷，但其對(duì)人類思維的模擬仍然有限，因此在將其作為心理學(xué)被試時(shí)，其輸出結(jié)果應(yīng)謹(jǐn)慎驗(yàn)證和解讀。

6.4 數(shù)據(jù)分析的工具

各種形式的人工智能（AI）早已被用于分析心理學(xué)數(shù)據(jù)，例如用于飛行員選拔的飛行數(shù)據(jù)分析（Ke 等, 2023）。機(jī)器學(xué)習(xí)算法能夠促進(jìn)大規(guī)模數(shù)據(jù)集的處理，識(shí)別原本可能被忽視的模式和相關(guān)性。然而，大語言模型（LLMs）將這一能力提升到了新的水平；它們能夠以前所未有的規(guī)模高效分析海量文本數(shù)據(jù)，從而獲得有關(guān)人類行為和情緒的洞察（Patel & Fan, 2023）。對(duì)于心理學(xué)研究而言，這意味著更快速且更全面的數(shù)據(jù)分析，從而產(chǎn)生更加可靠和細(xì)致的研究發(fā)現(xiàn)。LLMs 可以分析多種語言的文本數(shù)據(jù)，準(zhǔn)確識(shí)別其中的心理結(jié)構(gòu)（Rathje 等, 2023），并能基于社交媒體數(shù)據(jù)生成心理畫像（Peters & Matz, 2023）。LLMs 還在醫(yī)學(xué)領(lǐng)域展現(xiàn)出一定的能力，例如，它們能夠針對(duì)特定的臨床表現(xiàn)預(yù)測(cè)最優(yōu)的神經(jīng)影像學(xué)檢查方式。然而，LLMs 仍無法超越經(jīng)驗(yàn)豐富的神經(jīng)放射科醫(yī)生，這表明在醫(yī)學(xué)應(yīng)用中仍需持續(xù)改進(jìn)（Nazario-Johnson 等, 2023）。這些研究結(jié)果表明，LLMs 在數(shù)據(jù)評(píng)估與分析方面具有巨大潛力。

6.5 促進(jìn)學(xué)術(shù)交流

學(xué)術(shù)交流是學(xué)術(shù)研究的基石，涵蓋了知識(shí)的創(chuàng)造、評(píng)估與傳播過程。這包括撰寫研究論文、開展同行評(píng)審，以及確保研究成果的透明與合倫理傳播。在心理學(xué)領(lǐng)域，由于其理論框架和方法路徑的多樣性——從實(shí)驗(yàn)研究到質(zhì)性研究——這一過程尤其復(fù)雜。該學(xué)科關(guān)注人類行為，并與技術(shù)產(chǎn)生交叉，因此對(duì)精確且合乎倫理的交流實(shí)踐有著更高的要求。

有觀點(diǎn)認(rèn)為，當(dāng)前的大語言模型（LLMs）尚不能完全取代人類寫作，而只能回答問題并生成自然流暢且信息豐富的內(nèi)容，但缺乏真正的智能——即基于先前所見詞匯模式生成的文本（Stokel-Walker, 2022）。一項(xiàng)研究中，學(xué)生在寫作時(shí)使用了 GPT 作為輔助工具。結(jié)果發(fā)現(xiàn)，使用 GPT 的實(shí)驗(yàn)組在寫作質(zhì)量、速度和真實(shí)性方面與對(duì)照組相似；作者認(rèn)為，這可能是因?yàn)橛薪?jīng)驗(yàn)的研究人員能夠更好地引導(dǎo) GPT 生成高質(zhì)量的信息。相比之下，寫作經(jīng)驗(yàn)不足的學(xué)生發(fā)現(xiàn) GPT 的表現(xiàn)不夠理想（Ba?i? 等, 2023）。另一篇文章討論了 GPT 在學(xué)術(shù)寫作中的前景與潛在威脅，并強(qiáng)調(diào)在學(xué)術(shù)研究中使用 GPT 時(shí)應(yīng)優(yōu)先依賴經(jīng)過同行評(píng)議的學(xué)術(shù)來源。同時(shí)，該文也指出了 GPT 在學(xué)術(shù)研究中的潛在優(yōu)勢(shì)，包括處理海量文本數(shù)據(jù)、自動(dòng)生成摘要和研究問題（Dergaa 等, 2023）。此外，LLMs 還可在同行評(píng)審中發(fā)揮潛在作用（Van Dis 等, 2023）。在一項(xiàng)文本評(píng)估任務(wù)中，LLMs 的判斷結(jié)果與人類專家保持一致（Chiang & Lee, 2023）。

總之，像 GPT 這樣的大語言模型是心理學(xué)學(xué)術(shù)交流的有力工具，能夠處理海量文本數(shù)據(jù)，并自動(dòng)化完成原本需要人工進(jìn)行的任務(wù)。它們可以用于掃描學(xué)術(shù)論文并提取關(guān)鍵信息，生成客觀且無偏的摘要，并在社會(huì)心理學(xué)中提出研究問題（Banker 等, 2023；Tong 等, 2024）。然而，研究人員在使用它們時(shí)必須保持謹(jǐn)慎，因?yàn)樗鼈円部赡軐⑻摷倩蛴衅姷男畔⒁胝撐模瑥亩鴮?dǎo)致無意的抄襲或概念的錯(cuò)誤歸屬（Van Dis 等, 2023）。

7

挑戰(zhàn)與未來方向

7.1 挑戰(zhàn)與局限性

大語言模型（LLMs）在模擬復(fù)雜認(rèn)知過程方面具有巨大潛力，為研究者提供了全新的工具，以探索人類認(rèn)知與行為的機(jī)制，并在臨床與咨詢心理學(xué)、教育與發(fā)展心理學(xué)、社會(huì)與文化心理學(xué)等多個(gè)領(lǐng)域廣泛應(yīng)用。然而，LLM 的輸出不應(yīng)被誤認(rèn)為具備思維，而應(yīng)視為基于概率建模的復(fù)雜模式匹配（Floridi & Chiriatti, 2020）。盡管 LLM 的表現(xiàn)令人印象深刻，但這與意識(shí)或真正的理解不同。對(duì) LLM 能力的解讀必須建立在對(duì)其局限性和運(yùn)行機(jī)制本質(zhì)的理解之上，而這些可能與人類認(rèn)知存在根本差異。因此，必須在關(guān)注 LLM 在心理學(xué)研究潛力的同時(shí)，正視可能出現(xiàn)的技術(shù)與倫理挑戰(zhàn)。

首先，盡管 LLM 的能力不斷涌現(xiàn)（Wei 等, 2022），但從認(rèn)知與行為心理學(xué)的角度，其內(nèi)部工作機(jī)制仍是“黑箱”。例如，LLM 在需要形式語言能力（包括對(duì)特定語言規(guī)則與模式的掌握）的任務(wù)中表現(xiàn)優(yōu)異，但在需要功能性語言能力（理解并在真實(shí)世界中使用語言所需的認(rèn)知能力）的測(cè)試中卻屢屢失利（Mahowald 等, 2023）。它們?cè)陬惐韧评砼c道德推理任務(wù)中表現(xiàn)出色，但在空間推理任務(wù)中表現(xiàn)不佳（Agrawal, 2023）。

其次，雖然 LLM 加速了人工智能在臨床與咨詢心理治療中的應(yīng)用，但也可能帶來隱私與倫理問題（Graber-Stiehl, 2023）。例如，守門人、患者，甚至使用 GPT 評(píng)估自殺風(fēng)險(xiǎn)或輔助決策的心理健康專業(yè)人員，可能會(huì)收到低估風(fēng)險(xiǎn)的不準(zhǔn)確評(píng)估（Elyoseph & Levkovich, 2023），或在臨床決策中受到偏見影響，從而導(dǎo)致醫(yī)療不公平（Pal 等, 2023）。此外，在精神病學(xué)研究與實(shí)踐中，LLM 的使用還可能帶來潛在的偏差與隱私侵犯風(fēng)險(xiǎn)（Zhong 等, 2023）。

第三，LLM 在教育、發(fā)展以及社會(huì)與文化心理學(xué)等領(lǐng)域的應(yīng)用同樣面臨挑戰(zhàn)。在教育應(yīng)用中，LLM 可能出現(xiàn)輸出偏差與被濫用的風(fēng)險(xiǎn)（Kasneci 等, 2023）。有研究發(fā)現(xiàn)，GPT 生成的文本并不總是一致或邏輯自洽，有時(shí)甚至相互矛盾（Stojanov, 2023）。在社會(huì)與文化心理學(xué)中，LLM 展現(xiàn)出與人類相似的認(rèn)知偏差（Talboy & Fuller, 2023）與文化偏差（Atari 等, 2023），并隱含更為負(fù)面的個(gè)性特征（X. Li 等, 2022）。Bender 等（2021）指出，LLM 的訓(xùn)練數(shù)據(jù)可能反映并延續(xù)社會(huì)偏見，這些偏見可能在研究環(huán)境中被進(jìn)一步固化。

最后，LLM 作為科學(xué)研究的輔助工具也存在一定局限。例如在寫作方面，當(dāng)前的 LLM 尚不能完全替代人類，而是通過回答問題與生成自然流暢、信息豐富的內(nèi)容來輔助，但并不具備真正的智能（Stokel-Walker, 2022）。盡管宏語言模型在作為實(shí)驗(yàn)被試時(shí)可以模擬人類判斷，但它們對(duì)人類思維的“理解”仍有限（Dillion 等, 2023）。Van Dis 等（2023）指出，LLM 可能加速創(chuàng)新、縮短發(fā)表周期，并提升科研的多樣性與公平性，但也可能降低研究的質(zhì)量與透明度，并從根本上改變科學(xué)家作為研究者的自主性。

綜上所述，LLM 在心理學(xué)研究中具備非凡能力，但同時(shí)也伴隨偏差、倫理問題、數(shù)據(jù)安全、透明度以及技術(shù)能力等方面的挑戰(zhàn)。研究人員在使用 LLM 時(shí)應(yīng)充分認(rèn)識(shí)到這些挑戰(zhàn)，并在研究項(xiàng)目中采取負(fù)責(zé)任的應(yīng)對(duì)措施。表 6 總結(jié)了 LLM 在心理學(xué)應(yīng)用中的挑戰(zhàn)與局限性。

表6.大語言模型（LLMs）在心理學(xué)應(yīng)用中的挑戰(zhàn)與局限

7.2 未來方向與新興趨勢(shì)

目前，大語言模型（LLMs）已被應(yīng)用于心理學(xué)的不同領(lǐng)域，包括認(rèn)知與行為心理學(xué)、臨床與咨詢心理學(xué)、教育與發(fā)展心理學(xué)，以及社會(huì)與文化心理學(xué)。隨著 LLM 能力的不斷提升，其在心理學(xué)中的潛在應(yīng)用將持續(xù)發(fā)展。

首先，在認(rèn)知與行為心理學(xué)領(lǐng)域，隨著多模態(tài) LLM 的出現(xiàn)（OpenAI, 2023），有可能將視覺、聽覺信息與文本數(shù)據(jù)相結(jié)合，更好地理解和建模情緒、行為與心理狀態(tài)，以促進(jìn)認(rèn)知研究。此外，神經(jīng)影像數(shù)據(jù)可用于優(yōu)化 LLM 的架構(gòu)與參數(shù)，并與傳統(tǒng)文本數(shù)據(jù)相融合，從而構(gòu)建更為準(zhǔn)確且符合生物學(xué)原理的人類語言與思維模型。

其次，在臨床與咨詢心理學(xué)領(lǐng)域，一方面，可以利用個(gè)人數(shù)據(jù)（如社交媒體發(fā)布內(nèi)容、病歷記錄或可穿戴設(shè)備數(shù)據(jù)）來創(chuàng)建個(gè)性化的 LLM，從而更精準(zhǔn)、更具針對(duì)性地洞察個(gè)體心理狀態(tài)。同時(shí)，將人類臨床與咨詢專業(yè)知識(shí)的優(yōu)勢(shì)，與 LLM 的可擴(kuò)展性和計(jì)算能力相結(jié)合，有望開發(fā)出新的診斷、治療與干預(yù)工具。此外，在教育與發(fā)展心理學(xué)以及社會(huì)與文化心理學(xué)領(lǐng)域，構(gòu)建具備倫理性的 LLM 至關(guān)重要，并需確保其設(shè)計(jì)與應(yīng)用過程尊重隱私、合理且負(fù)責(zé)任地使用數(shù)據(jù)。

歸根結(jié)底，LLM 是一項(xiàng)系統(tǒng)性工程，其未來發(fā)展離不開心理學(xué)、計(jì)算機(jī)科學(xué)、語言學(xué)等多個(gè)領(lǐng)域研究者的跨學(xué)科協(xié)作。對(duì)于心理學(xué)研究者而言，易于獲取的開源 LLM 框架與工具或?qū)⒊蔀槲磥砜蒲泄ぷ鞯闹匾M成部分。表 7 總結(jié)了 LLM 在心理學(xué)應(yīng)用中的未來發(fā)展方向與新興趨勢(shì)。

表 7. 大語言模型（LLMs）在心理學(xué)應(yīng)用中的未來方向與新興趨勢(shì)

8

結(jié)論

隨著人工智能技術(shù)的快速發(fā)展，尤其是大語言模型（LLMs）的不斷進(jìn)步，機(jī)器學(xué)習(xí)已能夠識(shí)別人類語言并生成自然語言。這一發(fā)展不僅是心理學(xué)領(lǐng)域的技術(shù)突破，更為一系列潛在應(yīng)用打開了大門。

首先，在認(rèn)知與行為心理學(xué)領(lǐng)域，LLMs 在多種認(rèn)知任務(wù)中表現(xiàn)優(yōu)異。盡管在因果認(rèn)知與規(guī)劃方面仍存在一定局限，這些模型復(fù)興了“聯(lián)想”這一原理，展現(xiàn)出跨距離聯(lián)想和復(fù)雜推理的能力。同時(shí)，將 LLMs 與認(rèn)知模型相結(jié)合的能力，是心理學(xué)研究的一大優(yōu)勢(shì)，使得研究者能夠?qū)θ祟愓J(rèn)知與行為加工機(jī)制展開新的探索。

其次，在臨床與咨詢心理學(xué)領(lǐng)域，LLMs 可用作心理健康的初步診斷工具。傳統(tǒng)心理健康診斷依賴專業(yè)人員的經(jīng)驗(yàn)以及與患者的直接交流，而 LLMs 可以通過分析個(gè)體的語言表達(dá)與文本內(nèi)容，快速識(shí)別潛在的心理健康問題，如抑郁和焦慮。需要強(qiáng)調(diào)的是，這類診斷不能完全取代專業(yè)心理評(píng)估，但可作為一種有效的輔助手段，幫助心理學(xué)家更快了解患者的狀況，或在基礎(chǔ)心理健康干預(yù)中發(fā)揮作用。同時(shí)，個(gè)性化心理干預(yù)也是 LLMs 的重要應(yīng)用方向之一。通過結(jié)合個(gè)體的健康數(shù)據(jù)與生活習(xí)慣信息，這些模型能夠提供定制化的心理建議與干預(yù)方案。這種個(gè)性化路徑有望顯著提升心理干預(yù)的有效性。

第三，LLMs 在教育與發(fā)展心理學(xué)，以及社會(huì)與文化心理學(xué)領(lǐng)域也具有廣闊的應(yīng)用潛力。例如，LLMs 可以提供互動(dòng)式、個(gè)性化的學(xué)習(xí)體驗(yàn)，或基于真實(shí)情境生成研究任務(wù)，從而提升學(xué)習(xí)動(dòng)機(jī)并促進(jìn)學(xué)習(xí)效果。此外，通過分析海量社交媒體數(shù)據(jù)，這些模型還能幫助研究者追蹤與分析公眾情緒變化，更好地理解社會(huì)心理動(dòng)態(tài)。

最后，在心理學(xué)研究中，LLMs 能夠顯著提升研究效率。研究人員可以利用這些模型快速整理與分析大量文獻(xiàn)，從而節(jié)省時(shí)間；它們還可輔助實(shí)驗(yàn)設(shè)計(jì)、數(shù)據(jù)分析，甚至推動(dòng)學(xué)術(shù)交流，使心理學(xué)研究更高效、更精準(zhǔn)。

綜上所述，LLMs 在心理學(xué)中具有廣闊的應(yīng)用前景，包括科研支持、認(rèn)知建模、個(gè)性化干預(yù)以及個(gè)性化學(xué)習(xí)等。它們還有潛力顯著加深我們對(duì)人類交流、思維過程與行為的理解，從而推動(dòng)更為全面的心智理論與認(rèn)知科學(xué)的發(fā)展。然而，也必須正視相關(guān)的風(fēng)險(xiǎn)與挑戰(zhàn)，確保遵守倫理規(guī)范，尤其是在涉及個(gè)人隱私與數(shù)據(jù)安全時(shí)。同時(shí)，我們應(yīng)認(rèn)識(shí)到，無論技術(shù)多么先進(jìn)，LLMs 也只能在一定程度上替代人類專業(yè)人員的判斷與經(jīng)驗(yàn)。因此，這類模型應(yīng)被視為輔助工具，而非一體化的解決方案。

（完結(jié)）