English(EN) The Cognitive Cost of LLM Writing: A Reading-Time Comparison with Human Text

研究：LLM文本尽管长度较短，但可能增加每词的认知成本

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-19 04:00

一篇新近发表在arXiv上的研究引入了RoBERTa-RT模型，该模型旨在预测阅读时间，以分析大型语言模型（LLM）生成的文本与人类撰写的文本相比所带来的认知负荷。研究发现，尽管LLM生成的改写文本通常更短且整体预测阅读时间较低，但它们每词的预测阅读时间却更高。这些差异与语言学上的变异有关，例如LLM输出中更长的单词、更高的词汇多样性以及更高的上下文可预测性。研究结果表明，LLM写作可能会改变认知需求，减少文本总体积，但增加对单个单词的处理工作量。 AI

影响 LLM生成的内容可能需要更高的每词认知成本，这可能会影响读者的理解和参与度。

排序理由该集群包含一篇发表在arXiv上的研究论文，详细介绍了一个新模型及其在LLM文本方面的发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 16 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇发表在arXiv上的研究论文，详细介绍了一个新模型及其在LLM文本方面的发现。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Kamer Cekini, Elisabetta Biondi, Chiara Boldrini, Andrea Passarella, Marco Conti · 2026-10-19 04:00

LLM写作的认知成本：与人类文本的阅读时间比较

arXiv:2610.23715v1 Announce Type: new Abstract: Although linguistic differences between human-written and Large Language Model (LLM)-generated texts have been extensively studied, their implications for the cognitive effort involved in reading remain less explored. In psycholingu…

本文如何被排名

报道来源 [1]

LLM写作的认知成本：与人类文本的阅读时间比较

相关实体

相关话题