文章主要内容与创新点总结一、主要内容该研究通过系统文献综述和元分析，探究大型语言模型（LLMs）与人类在说服效果上的差异及影响因素。研究严格筛选出7项符合标准的研究（含12个效应量估计值，共17,422名参与者，主要来自英语国家），采用Hedges’g计算标准化效应量，结合随机效应模型和调节变量分析得出核心结论：整体说服效果无显著差异：LLMs与人类的整体说服表现无统计学显著差异（g=0.02，p=.530），但研究间异质性极高（I²=75.97%），表明说服效果受情境因素强烈影响。单一调节变量影响不显著：单独分析LLM模型类型（如GPT-3.x、GPT-4.x、Claude 3.x）、对话设计（一次性消息vs交互式对话）、应用领域（政治、健康、其他）等变量时，均未呈现统计学显著的调节作用，推测与研究数量有限导致统计效力不足有关。联合调节模型解释力强：将上述因素纳入联合模型后，可解释81.93%的研究间变异，且剩余异质性显著降低（I²=35.51%）。其中，交互式设计比一次性消息更具说服力，GPT-4.x优于Claude 3.x，健康领域的说服效果优于政治领域，GPT-3.x在控制其他变量后反而比GPT-4.x表现更优。时间趋势与偏倚检验：累积元分析显示，2021-2022年早期研究倾向于LLM说服效果略逊于人类，2024-2025年近期研究则趋向于无差异且略偏向LLM；Egger检验提示潜在小样本效应，但修剪填充法未发现缺失研究， p