探索普通人和技术专业人员对开放AI的早期采用：对#ChatGPT和#GPT3的Twitter对话分析

不同主题在#ChatGPT和#GPT3讨论中的分布

#

🔼 该图展示了在Twitter上使用#ChatGPT和#GPT3标签讨论的七个主要话题的分布情况。这些话题包括：1）加密货币和产品发布（广告），2）投资（广告），3）人工智能生成的文本，4）ChatGPT的应用，5）研究分享，6）大型语言模型（LLM）的比较，以及7）网络安全。图中的回归结果显示，话题5（研究分享）在#GPT3的讨论中更为普遍，这表明研究人员倾向于使用此标签来分享和推广与人工智能相关的研究。相比之下，话题1和话题2（广告类）在#ChatGPT中出现的频率较高，这突出了在线营销人员利用该标签进行营销和广告的倾向。此外，话题3，4，6和7在#ChatGPT标签的推文中也占有显著比例，这表明#ChatGPT经常被用于讨论语言模型的具体用例或应用。该图清晰地展示了#ChatGPT和#GPT3在Twitter讨论中的不同侧重点：#ChatGPT倾向于实际应用和营销，而#GPT3则更多关注学术研究和技术探讨。此外，图中的统计显著性差异（通过置信区间是否与零轴相交来判断）也表明，这些发现并非偶然，而是具有一定的统计意义，有助于我们深入了解不同人群如何利用这两个标签讨论LLM。

主题分布与推文情感分析

#

🔼 本研究通过结构主题模型（STM）分析了在推特上关于 #ChatGPT 和 #GPT3 的讨论。研究发现，在 #ChatGPT 的讨论中，与加密货币和产品发布相关的推文（主题 1）以及投资相关的推文（主题 2）较为常见，表明营销人员利用该标签进行广告宣传。而 #GPT3 的讨论中，主题 5（研究分享）更为突出，表明研究人员倾向于使用 #GPT3 标签分享研究成果。同时，#ChatGPT 的推文中，关于文本生成（主题 3）、ChatGPT 的应用（主题 4）、LLM 的比较（主题 6）和网络安全（主题 7）的讨论也较为集中，突显了该标签下对具体应用场景的关注。情感分析显示，#ChatGPT 推文中有 58.1% 被归为负面情绪，而 #GPT3 推文中则有 64.4% 为负面情绪。进一步分析发现，在 #ChatGPT 话题中，用户对内容创作策略和人工智能的未来发展持积极态度，而对用户反馈和教育领域中的应用表示担忧。在 #GPT3 话题中，专业人士对 AI 技术在虚拟助手、艺术创作等领域的应用持乐观态度，但同时对 AI 的偏见和对职业的影响表示担忧。此外，生物医学研究领域（主题 7）的讨论也存在明显的负面情绪。研究还发现，两个标签均被用于各种商业机会的广告宣传，包括加密货币、投资和在线游戏等。

不同主题在#ChatGPT和#GPT3中的分布

#

🔼 本图展示了在推特上使用#ChatGPT和#GPT3标签讨论的不同主题的分布情况。研究人员使用结构性主题模型(STM)识别了七个主要的主题，并分析了这些主题在两个标签下的出现频率。研究结果显示，主题5（分享研究）在#GPT3讨论中更为普遍，这表明研究人员经常使用该标签来分享和推广人工智能相关研究。相反，主题1（加密货币和产品发布）和主题2（投资）在#ChatGPT中的出现频率更高，突显了在线营销人员利用该标签进行营销和广告的倾向。此外，主题3（AI生成的文本）、主题4（ChatGPT的应用）、主题6（LLM的比较）和主题7（网络安全）在#ChatGPT推文中也占有重要地位，表明#ChatGPT通常用于讨论语言模型的具体应用场景。 图表的呈现方式使用了点和线的组合。每个主题都用一条水平线表示，中心有一个点，点的左侧和右侧延伸出一条线，表示该主题的置信区间。如果某条线不与中央轴（0）相交，则表明#ChatGPT和#GPT3之间在该主题的分布存在显著差异。图表清晰地显示了不同主题在两个标签下的显著差异，例如，主题5的线明显偏向#GPT3，而主题1和主题2的线则明显偏向#ChatGPT。 总而言之，此图有效展示了不同标签下推特讨论的特点。#GPT3更多地与研究和技术专业人员有关，他们关注学术研究和技术细节，而#ChatGPT吸引了更广泛的受众，包括营销人员和对具体应用场景感兴趣的普通用户。这些发现对于理解公众和专业人士对大型语言模型（LLM）的早期认知非常重要，并有助于为相关技术的未来发展和应用提供有益的见解。

推特话题分布与情感分析

#

🔼 本文分析了在 ChatGPT 发布后的前三个月内，推特上关于 #ChatGPT 和 #GPT3 的讨论。研究主要关注了公众和专业人士在早期采用大型语言模型（LLMs）时的态度差异。研究使用了结构主题模型（STM）和情感分析方法，分析了 #ChatGPT 下的 42,273 条推文和 #GPT3 下的 17,639 条推文。研究结果显示，关于 ChatGPT 和 GPT-3 的讨论主要围绕相对优势和兼容性展开。#ChatGPT 的讨论大多表现出负面情绪，而 #GPT3 的讨论则包含更多积极的主题。#ChatGPT 下的推文讨论高度商业化，而 #GPT3 下的讨论则涵盖了更广泛的主题，包括 LLMs 的特性、应用以及潜在的伦理问题。研究还发现，#GPT3 的推文更多地涉及研究和技术方面，而 #ChatGPT 的推文则更多地关注实际应用。情感分析显示，#ChatGPT 的讨论中负面情绪更为普遍，而 #GPT3 的讨论则显示出更积极的情绪，但这可能与负面推文的统一性和正面推文的多样性有关。此外，研究揭示了早期采用者对 LLMs 的看法差异，并提出了对政府机构和政策制定者的建议。研究表明，社交媒体在塑造公众对新技术认知方面起着重要作用，并强调了在 LLMs 早期采用阶段进一步研究其潜在应用和风险的必要性。最后，研究还指出了情感分析方法的局限性，并建议未来的研究可以结合定性和定量的方法，以便更深入地理解公众的观点。

主题分布与情感分析

#

🔼 该论文分析了在ChatGPT发布后的前三个月内，推特上关于#ChatGPT和#GPT3的讨论。研究采用结构化主题模型(STM)和情感分析方法，旨在探讨公众（使用#ChatGPT）和技术专业人士（使用#GPT3）在早期采用大型语言模型(LLMs)时的态度差异。研究发现，关于#ChatGPT和#GPT3的讨论主要围绕相对优势和兼容性展开。#ChatGPT的讨论大多表现出负面情绪，而#GPT3的讨论则包含更多积极主题。使用#ChatGPT的推文讨论高度以商业为导向，而#GPT3的讨论则涵盖了更广泛的主题，包括LLMs的特性、应用和潜在的伦理问题。图1展示了#ChatGPT和#GPT3推文讨论中各主题的分布情况，包括加密货币和产品发布、投资、人工智能生成的文本、ChatGPT的应用、研究共享、LLMs的比较以及网络安全等七个主题。研究结果显示，#GPT3的讨论中更关注研究共享，而#ChatGPT的讨论则更关注商业和投资方面。图2和图3分别展示了在#ChatGPT和#GPT3推文中，不同情感（积极/消极）下各个主题的分布。在#ChatGPT的讨论中，用户反馈和教育是负面情绪的主要来源，而内容创作策略和人工智能的未来发展则表现出积极情绪。在#GPT3的讨论中，对OpenAI的采用、在虚拟助手和艺术中的应用、以及对人工智能技术前景的探索总体上持有积极态度，而对人工智能的偏见和生物医学研究应用的讨论则带有负面情绪。情感分析显示，#ChatGPT的推文大多为负面情绪，而#GPT3推文的负面情绪比例虽然较低，但仍然值得关注。研究表明，社交媒体在塑造公众对新技术看法方面具有重要作用。同时，技术专业人员更关注人工智能技术背后的伦理问题，而公众则更关注该技术在教育、商业和内容创作方面的应用。

Twitter 话题分布与情感分析

#

🔼 本研究分析了在 ChatGPT 发布后的前三个月内，Twitter 上关于 #ChatGPT 和 #GPT3 话题的讨论。研究采用了结构主题模型（STM）和情感分析方法，对 42,273 条 #ChatGPT 推文和 17,639 条 #GPT3 推文进行了分析。主要发现有以下几点：

1. 话题分布：

   • #ChatGPT 的讨论主要集中在商业应用和内容创作，其中很多是营销和广告推文，例如加密货币和在线游戏。此外，还包括对 ChatGPT 在教育领域应用的担忧以及用户反馈。有关 ChatGPT 未来和创新的讨论也比较活跃。
   • #GPT3 的讨论则更加技术化，侧重于 AI 技术本身、其在艺术和虚拟助手中的应用，以及 AI 偏见等伦理问题。研究人员和技术专业人员通常使用 #GPT3 分享 AI 相关研究。

2. 情感分析：

   • 总体而言，#ChatGPT 的讨论情绪偏负面，这可能反映了用户在使用 ChatGPT 时遇到的困难或对其在教育领域应用的担忧。但商业和投资社区对 ChatGPT 持积极态度，对 AI 的未来和创新也充满希望。
   • #GPT3 的讨论虽然涉及了更多积极话题，但情感整体上更为负面，这可能是因为负面推文的内容相对统一，而正面推文则更多样。专业人士对 AI 偏见以及 AI 技术对职业的影响表示担忧。

3. 创新扩散理论：

   • 研究结果表明，相对优势和兼容性是 LLM 扩散的关键因素。用户通过比较 LLM 和人类来评估其优劣，并讨论 LLM 在不同领域的应用。

4. 实际意义：

   • 本研究强调了公开讨论 LLM 的必要性，并指出技术专业人员更关注 AI 偏见等伦理问题。
   • 教育机构需要针对 ChatGPT 对教育的潜在影响制定应对策略。
   • 政府部门和政策制定者应向公众普及 LLM 的潜在风险和影响。

研究的局限性在于，情感分析方法可能无法准确捕捉到文本中的细微情感，未来研究可以采用更先进的自然语言处理技术。

总而言之，这项研究为理解不同群体对 LLM 的看法提供了早期视角，并强调了社交媒体在塑造技术认知中的作用。

不同主题在#ChatGPT和#GPT3中的分布

#

🔼 该图展示了不同主题在 #ChatGPT 和 #GPT3 讨论中的分布情况。图中的每个主题都用一个水平线表示，中心有一个点，表示该主题的不确定性和话题标签对主题的影响系数。如果水平线不与中心轴（0）相交，则表示 #ChatGPT 和 #GPT3 之间在该主题上的讨论存在显著差异。否则，表示这两个话题标签之间在该主题上没有显著差异。具体而言，主题5（分享研究）在 #GPT3 讨论中更为普遍，说明研究人员通常使用此话题标签来分享和推广与人工智能相关的研究。相比之下，主题1（加密货币和产品发布）和主题2（投资）在 #ChatGPT 中更为突出，表明在线营销人员利用此话题标签进行营销和广告活动。此外，主题3（人工智能生成的文本）、主题4（ChatGPT的应用）、主题6（LLM的比较）和主题7（网络安全）在 #ChatGPT 推文中也显著存在，说明 #ChatGPT 常被用来讨论该语言模型的具体用例或应用。总的来说，该图揭示了 #ChatGPT 和 #GPT3 这两个标签在不同主题上的使用倾向，以及用户关注点的差异。

主题分布与情感倾向

#

🔼 本文的图表展示了在使用#ChatGPT和#GPT3这两个标签的推特讨论中，不同主题的分布以及它们的情感倾向。此分析基于结构主题模型（STM）和情感分析，旨在揭示公众和技术专业人员在早期采用大型语言模型（LLM）时的态度差异。图中清晰地呈现了与#ChatGPT相关的推文在某些主题上，如“用户反馈”和“教育中的AI”表现出负面情感的倾向，这表明用户在使用ChatGPT时可能遇到了一些困难或者对它在教育中的应用持有保留态度。另一方面，与#GPT3相关的推文则在“OpenAI的采用”、“AI在虚拟助手中的应用”和“AI艺术应用”等主题上显示出积极的情感，这反映了专业人员对GPT-3的广泛应用前景持乐观态度。此外，图表也突出了一个显著的负面主题，即“AI偏见”，这表明专业人员对AI技术中的潜在偏见以及如何处理这些问题有深刻的关注。图表的结构安排使得不同主题的情感倾向对比鲜明，从而更加清晰地展示了#ChatGPT和#GPT3讨论之间的差异。图表不仅强调了用户对AI技术的不同看法，也突显了不同用户群体在技术采用初期阶段对AI应用的关注点有所不同。此外，该图也揭示了社交媒体上的讨论可能受到潜在的商业广告因素的影响，某些主题可能更倾向于营销而非真实的讨论。

GPT3 vs ChatGPT话题差异

#

🔼 该图表展示了在Twitter上使用#ChatGPT和#GPT3标签讨论的七个主要话题的差异。横轴表示话题在#GPT3和#ChatGPT讨论中的相对权重，零点虚线表示两个标签讨论的基准。如果某个话题的点偏离零点虚线，则表示该话题在相应标签的讨论中更为突出。具体来看，图表中将话题分为七类，分别为：加密货币和产品发布（广告）、投资（广告）、AI生成的文本、ChatGPT的应用、研究共享、LLM的比较以及网络安全。其中，研究共享(5)明显偏向#GPT3的讨论，表明该话题在#GPT3用户中更受关注，这可能反映了研究人员和技术专业人员更倾向于使用#GPT3标签分享他们的研究成果。另一方面，加密货币和产品发布(1)以及投资(2)则明显偏向#ChatGPT的讨论，这可能表明该标签更多被用于商业和营销目的。文本生成(3)、ChatGPT的应用(4)、LLM的比较(6)以及网络安全(7)则在#ChatGPT的讨论中更为活跃。图表清晰地展示了两个标签背后讨论内容的不同侧重，揭示了不同用户群体对LLM技术的不同关注点，#ChatGPT讨论更侧重于实际应用和商业推广，而#GPT3讨论则更偏向学术研究和技术探讨。这些发现对于理解不同受众对LLM的看法和使用方式具有重要意义，并且有助于指导开发者和政策制定者有针对性地开发和推广LLM技术。

推特话题情感分析

#

🔼 该图表展示了在推特上使用#ChatGPT标签的推文的情感分布情况，根据结构主题模型（STM）分析，将推文划分为10个主题，并评估了每个主题中正面和负面情感的相对强度。图表的横轴代表情感倾向，负值表示负面情感，正值表示正面情感。每个主题以水平线表示，中心点表示该主题情感的平均值，水平线两端的误差条则表示情感分布的置信区间。

具体来看，主题1“用户反馈”和主题9“教育与AI”的情感倾向偏负面，表明用户在使用ChatGPT的过程中可能遇到了问题，或者对AI在教育领域的应用存在担忧。相反，主题6“内容创作策略”和主题10“AI的未来与创新”的情感倾向偏正面，说明公众对AI在内容创作方面的潜力以及AI技术的未来发展抱有积极态度。值得注意的是，主题2“在线游戏”、主题3“加密货币投资”、主题4“股票交易”和主题7“区块链”被标记为“广告”，这些主题的情感倾向分布较为分散，可能是因为这些主题中既包含用户对技术的正面评价，也包含广告宣传的成分。此外，主题5“AI在搜索引擎和艺术中的应用”和主题8“写作提示”的情感倾向不明显，说明用户对这些主题的情感表达较为中性，或者在这些主题中，正面和负面的情感相对平衡。

总的来说，此图清晰地展示了用户在推特上讨论ChatGPT时，不同主题的情感倾向。这不仅揭示了公众对ChatGPT的真实态度，也为研究者和开发者提供了有价值的反馈，有助于了解公众对这项新技术的接受度和关注点。通过对不同主题情感倾向的分析，可以更准确地把握公众舆论的走向，以便更好地引导技术的发展和应用。

GPT3推文情感主题变化

#

🔼 该图展示了在 #GPT3 标签下，不同主题的推文情感倾向。横轴表示情感倾向，左侧为负面情感，右侧为正面情感，中间的虚线表示情感中性。每个主题用一个点表示，点的位置和左右延伸的线段表示该主题情感倾向的平均值和不确定性。

1. “OpenAI的采用”主题位于正向区域，表明讨论OpenAI的采用通常持积极态度。
2. “AI偏见”主题位于负向区域，表明讨论AI偏见时通常持负面态度。
3. “虚拟助手或聊天机器人中的AI使用”主题位于正向区域，表明对AI在虚拟助手和聊天机器人中的应用持乐观态度。
4. “AI在艺术中的应用”主题位于正向区域，表明对AI在艺术领域的应用持积极态度。
5. “AI驱动的多媒体创建服务（广告）”主题稍偏负面，可能反映了对这类服务的担忧或不确定性。
6. “交易（广告）”主题显示中性偏正的情感，可能由于交易性质所致，情感并不明显。
7. “生物医学研究”主题位于负面区域，这可能反映了生物医学研究的复杂性和潜在的道德问题。
8. “AI生成的故事”主题位于正向区域，表明人们对AI生成故事持积极态度。
9. “探索AI技术领域”主题位于正向区域，表明人们对AI技术的探索持积极态度。
10. “比较人类和GPT-3的性能”主题位于正向区域，表明人们对GPT-3的性能持积极看法，认为其可以和人类媲美甚至超越人类。

总的来说，这张图表明，在 #GPT3 标签下，与AI相关的讨论呈现出复杂的情感格局。技术应用和未来趋势通常受到积极看待，但对偏见和一些特殊应用场景则存在负面情绪。这种情感分布为我们理解专业人士对AI技术的态度提供了深入的见解。