累積訊息效應

深度分析

累積訊息效應 (AMEL)：大型語言模型判斷偏差的實驗分析與實務因應

隨著大型語言模型被廣泛用作程式碼審查、內容審核等自動評分工具，研究者發現先前對話的正負評價會顯著影響模型的後續判斷，稱為累積訊息效應（AMEL）。實驗示例，負向歷史比正向歷史產生約1.6倍的偏差，且在不確定的題目上偏差更大。建議在高風險評估時使用全新上下文或平衡批次，以降低此偏誤。