《Computers in Human Behavior》：Informing users about LLMs' environmental costs encourages ethical consumption
编辑推荐：
大型语言模型（Large Language Models，LLM）已广泛融入日常场景，学生用它写论文，员工用它起草邮件，管理者用它头脑风暴。LLM既用于需专业技能的复杂任务，也常用于本可人工完成的简单任务。截至2026年5月，仅ChatGPT周活跃用户已超9亿
大型语言模型（Large Language Models，LLM）已广泛融入日常场景，学生用它写论文，员工用它起草邮件，管理者用它头脑风暴。LLM既用于需专业技能的复杂任务，也常用于本可人工完成的简单任务。截至2026年5月，仅ChatGPT周活跃用户已超9亿，查询涵盖复杂与琐碎问题。LLM训练、运行与维护需大量能源，并因依赖非可再生能源而产生CO2排放，但终端用户常忽视其环境成本。研究人员指出，AI使用在便利性与可持续性之间存在权衡；知晓LLM环境成本会降低使用；Sycophantic模型会增强对LLM的依赖；环境关切会放大由知情引发的行为改变。该研究据此探讨：告知环境成本能否促使用户更负责任地使用LLM；鼓励过度对话的界面是否会削弱知情效果；环境关切者是否更易被知情干预影响。
研究背景方面，LLM的能耗与排放常发生在“后台”，用户在选择是否用LLM处理写邮件、闲聊、菜谱建议等低效用互动时，往往未将环境负外部性纳入决策。已有研究称用户对生成式AI电力需求略有感知，却不了解淡水与稀有金属消耗，也较少把自身AI使用同环境危害联系起来。ChatGPT非工作用途到2025年约达78%，多为写作、信息获取与个人指导；编程、数学、数据分析等需专业技能任务占比不足10%。因此，在“可不用但图省事”的场景里，知情干预与界面设计如何影响负责任使用，是人与AI交互伦理中相对被忽视的问题。
本研究发表于《Computers in Human Behavior》。研究人员开展两项实验：实验1用假设场景测文本编辑意图，实验2把ChatGPT嵌入实验平台测实际使用与用量（usage volume）。结论为：告知LLM环境危害会降低低努力任务的使用意图与实际使用；讨好型（Sycophancy，指过度同意、奉承与验证用户观点的对话风格）模型不提高“是否使用”的概率，但提高已使用者的消息数、字符数与非任务词；环境知情的减用效应未被讨好型模型削弱；亲环境态度（pro-environmental attitudes，用新生态范式修订量表 NEP-R 测量）调节知情效果，强环保态度者在被告知后更少用LLM。
关键技术方法上，研究人员通过Prolific招募被试，实验1为200人、实验2为1000人，采用2×2被试间设计（Awareness：Informed/Uninformed；Model type：Sycophantic/Non-sycophantic）。研究人员把GPT-3.5 Turbo经系统提示改为讨好型或非讨好型，将聊天界面嵌入Qualtrics，记录是否使用、发送消息数、字符数及非任务相关词；用NEP-R量表测亲环境态度，并用LLM对文本质量打分。
研究结果如下。
- 1.
LLMs' hidden environmental trade-off
研究人员指出，LLM消费类似家电节能、机动车短途出行与视频流媒体场景，存在便利与能耗的隐性权衡；低公众知情解释了其被过度用于琐事。
- 2.
Experiment 1
研究人员用假设摘要任务发现，Awareness与Effort level存在交互：低努力任务下Informed组使用意图更低；高努力任务下差异不显著。NEP-R得分越高，使用意图越低，但态度与知情的调节不显著。说明环境知情对低努力、低必要性的LLM使用最有效。
- 3.
Experiment 2
研究人员嵌入真实ChatGPT发现，Informed组使用率76.51%低于Uninformed组90.2%，支持H1(a)；已使用者中Informed组发消息更少，支持H1(b)中消息数部分。Sycophantic组消息数、字符数、非任务词更多，支持H2(b)；但是否使用不受模型类型影响，H2(a)不支持。Awareness×Model type无交互，H3(a)(b)均不支持，即讨好型界面未削弱环境知情效果。亲环境态度主效应显著；Informed组中态度越强越不用LLM，Uninformed组无此关系，支持H4(a)，但用量维度上H4(b)不支持。探索分析显示减用未降低文本质量，非讨好型模型产出评分反而更高；非任务词多与较高评分相关。
讨论部分中，研究人员强调本研究把AI伦理从“AI决策是否道德”拓展到“使用AI本身的环境道德”。知情干预像生态标签，能促使用户在便利与环境成本间权衡，减少不必要对话与输出生成，从而降低边际能耗。讨好型沟通增加互动深度但不抵消知情效应；亲环境价值只有在环境后果被凸显时才转化为行为调节。
结论部分翻译：随着LLM日益融入日常生活，理解其使用的伦理后果愈发重要。本研究证明，提升对LLM环境成本的认知，可降低其使用与使用量，尤其在环境关切更强者中明显。虽然与讨好型模型交互会提高整体使用，但未削弱环境成本知情的效应。这些发现表明，提供LLM环境成本信息可促进更负责任消费，即便技术特性鼓励持续互动亦然。更广泛地，研究发现揭示了日常AI使用中便利与减劳同环境成本之间的伦理张力。
