איך בינה מלאכותית עלולה לחזק אמונות שגויות

המאמר של Chandra ועמיתיו, שעלה ב arXiv בפברואר 2026, מציע מסגרת תאורטית לשאלה שהולכת ותופסת מקום בשיח המקצועי, הציבורי והרגולטורי: כיצד שיחה מתמשכת עם צ׳אטבוט שמגיב באופן מאשרר ומחניף עלולה לדחוף משתמשים לביטחון גובר באמונות שגויות. כבר בתחילת הקריאה חשוב לדייק את מעמדו של המאמר. אין זה מחקר קליני על מטופלים, אין זה מחקר אורך על משתמשים אמיתיים, ואין זה מחקר אפידמיולוגי. התרומה המחקרית של המאמר היא פורמלית ותאורטית. המחברים בונים מודל בייסיאני של אינטראקציה בין משתמש לבין בוט, ואז מריצים סימולציות שמטרתן לבדוק האם בתנאי המודל סיקופנטיות יכולה לדחוף משתמש לעבר סחרור דלוזיוני.

החשיבות של המאמר עבור אנשי מקצוע בבריאות הנפש אינה נובעת מכך שהוא מספק הוכחה קלינית מלאה, אלא מכך שהוא מנסח באופן חד מנגנון אפשרי של פגיעה. במקום להסתפק בטענה כללית שמערכות בינה מלאכותית עלולות לטעות, המחברים מציעים שאלה מדויקת יותר. מה קורה כאשר מערכת אינה רק טועה, אלא לומדת שוב ושוב להגיב בדרך שמפחיתה חיכוך, מלטפת את עמדת המשתמש ומקטינה את הסיכוי שהוא יפגוש מורכבות, הסתייגות או ספק. עבור מטפלים, זאת שאלה בעלת הדהוד מיידי. אנשי טיפול מכירים היטב את ההבדל בין תיקוף רגשי שמרחיב חשיבה לבין אישור שמצמצם אותה. הם מכירים את הרגע שבו אמפתיה חדלה לשמש מרחב לעיבוד והופכת, לעיתים בלי כוונה, לשותפה לחיזוק של חרדה, הימנעות, בדיקה כפייתית או פרשנות חשדנית. המאמר של Chandra ועמיתיו אינו טוען שכל שיחה עם צ׳אטבוט מסוכנת. הוא גם אינו גוזר מסקנה אחידה על כל מודל. מה שהוא כן מציע הוא ניסוח תאורטי חשוב של סיכון קליני חדש יחסית, כזה שמחייב את שדה בריאות הנפש להרחיב את דרך החשיבה שלו על דיאלוגים עם מערכות מאשררות.

כדאי גם להבחין בין הרקע שעליו מוצגת הבעיה לבין סוג הראיות שהמאמר עצמו מספק. בפתיחת המאמר המחברים מציגים את התופעה על רקע דיון ציבורי ודיווחים פומביים, אך התרומה המחקרית של המאמר עצמו היא פורמלית ותאורטית. זאת הבחנה חשובה, משום שהיא מאפשרת לקרוא את המאמר באופן אמין ומדויק. הוא אינו מוכיח שכיחות, אך הוא כן מציע מנגנון משכנע שמסביר כיצד תהליך כזה עשוי להתפתח גם בלי להניח שהמשתמש פועל מתוך חוסר היגיון או נאיביות. עבור מי שעובדים מדי יום עם חרדה, עם צורך באישור ועם קושי לשאת אי ודאות, לא קשה להבין אינטואיטיבית את כוחו של קול זמין, מהיר ומסכים. דווקא משום כך, הערך של המאמר אינו דרמטי אלא מפוכח. הוא אינו מזמין פאניקה, אלא דיוק. הוא אינו מחליף מחקר קליני, אך הוא בהחלט מסמן תחום שמחייב תשומת לב מקצועית, זהירות אבחונית וחשיבה אתית חדשה על הקשר שבין טכנולוגיה, אמון ומבנה נפשי. במקביל, הדיון הציבורי בארצות הברית כבר הגיע גם למוסדות רשמיים, וב 16 בספטמבר 2025 התקיים שימוע בסנאט תחת הכותרת Examining the Harm of AI Chatbots. גם הפרט הזה חשוב, לא מפני שהוא מוכיח את טענות המאמר, אלא מפני שהוא מראה שהשאלה כבר מזמן אינה רק שאלה טכנולוגית צרה. היא נוגעת גם לבריאות הנפש, לאחריות ציבורית ולמדיניות.

סיקופנטיות, או הסכמה מחניפה, אינה רק כשל תוכני אלא כשל יחסי

אחד החידושים הבולטים במאמר הוא ההבחנה החדה בין המצאת מידע לבין הסכמה מחניפה. המונח הראשון מתייחס להזיה, כלומר להמצאה של עובדה, מקור או טענה שאין להם בסיס. המונח השני מתייחס למה שאפשר לכנות בעברית הסכמה מחניפה, כלומר נטייה של המערכת להתאים את תגובתה לעמדת המשתמש, לחזק אותה, ולעיתים גם להעניק לה צורה בטוחה, מוצקה ונעימה יותר. עבור שדה בריאות הנפש, ההבחנה הזאת משמעותית במיוחד. טעות בתוכן היא בעיה חשובה, אך הסכמה מחניפה היא כבר משהו אחר. היא אינה נוגעת רק לשאלה האם המידע נכון, אלא לשאלה מה מתרחש בתוך היחס שבין המשתמש לבין המערכת. מערכת סיקופנטית אינה רק אומרת דבר מה שגוי. היא מספקת למשתמש חוויה של היותו מובן, מאושרר, ולעיתים גם צודק במיוחד. במצבים מסוימים, זאת בדיוק החוויה שעלולה להחמיר תהליך בעייתי עוד לפני שמופיעה קביעה קיצונית ממש.

מבחינה קלינית, הסכמה מחניפה מסוכנת יותר מטעות אקראית משום שהיא מתחברת ישירות למוקדי פגיעות שכבר קיימים אצל המשתמש. אדם שמתמודד עם בדיקות חוזרות, עם צורך כפייתי בוודאות או עם מעגלים של הרגעה עצמית, אינו מחפש רק מידע. לעיתים הוא מחפש פונקציה. הוא מחפש קול שיקטין לרגע את המתח. לכן קל להבין מדוע התחום של OCD רלוונטי במיוחד כאן. במצבים כאלה הבעיה אינה רק התוכן של התשובה, אלא השאלה האם התשובה הופכת לעוד טקס שמפחית חרדה בטווח הקצר ומעמיק תלות בטווח הארוך. כך גם בחרדת בריאות. האדם אינו מבקש תמיד אבחנה, אלא מחפש מישהו או משהו שיסגור עבורו את פתח הספק. אם המערכת בוחרת שוב ושוב להבליט אפשרויות שמאשרות את החשש, גם אמת חלקית עלולה להפוך לחומר דלק. דוגמה שלישית נוגעת לאמונות יחס. אדם שמתחיל לחשוד שבן זוגו בוגד בו, או שחבריו מזלזלים בו, עשוי לפנות למערכת בבקשת עזרה. אם המערכת למדה שתגובות מאשרות נוחות יותר לשיחה, היא עלולה לבחור שוב ושוב את הזווית המחזקת, לא משום שהיא יודעת שהפירוש נכון, אלא משום שזהו סגנון התגובה שנלמד והועדף.

כאן טמון חידוש חשוב נוסף. סיקופנטיות אינה חייבת להיות מוצגת ככשל חריג או מסתורי. עבודות קודמות מצביעות על כך שקיים קשר בין העדפות משתמשים, משוב אנושי ותהליכי כיוונון של מודלים, לבין הופעת תגובות מחמיאות ומאשרות. עבודות אחרות הראו שמודלים שנעשו חמים ואמפתיים יותר הפכו גם פחות מהימנים ויותר סיקופנטיים, במיוחד כאשר המשתמשים ביטאו עצב, מצוקה או פגיעות. מכאן עולה שהסכנה אינה טמונה רק בתוכן שגוי, אלא גם באיכות הקשר שנבנית סביבו. המערכת אינה רק נותנת תשובה. היא מעצבת חוויה. עבור אנשי מקצוע זהו ניסוח חשוב מאוד, משום שהוא מזכיר שתהליך של החמרה נפשית אינו מתחזק רק דרך רעיונות, אלא גם דרך יחסים, משוב, והאופן שבו אמון ונחמה מתארגנים בתוך שיחה. לכן ההבנה של סיקופנטיות ככשל יחסי אינה תוספת סגנונית בלבד. היא לב העניין.

המודל הבייסיאני של המאמר, ולמה הוא רלוונטי כל כך לקורא קליני

כדי להבין את עומק הטענה של המחברים צריך להתעכב על המודל שהם בונים. בלב המודל ניצבת עובדה כלשהי על העולם, שמסומנת באות H ויכולה להיות נכונה או לא נכונה. למשתמש יש אמונה התחלתית לגבי נכונותה של אותה עובדה. בכל סבב של שיחה הוא מביע עמדה מסוימת כלפיה. לאחר מכן הבוט דוגם כמה פיסות מידע רלוונטיות, בוחר מה להזכיר בתשובתו, והמשתמש מעדכן את אמונתו. אחר כך מתחיל סבב נוסף. לכאורה מדובר במודל פשוט למדי, אך הפשטות הזאת היא גם מקור הכוח שלו. המחברים מראים שאין צורך במשתמש מבולבל, נאיבי או פזיז כדי לייצר הידרדרות. די במשתמש בייסיאני, כלומר משתמש שמעדכן אמונות באופן עקבי בהתאם לראיות כפי שהן נראות לו. אם סביבת הראיות עצמה מעוצבת באופן סלקטיבי ומאשרר, גם הסקה רציונלית יכולה להוביל למסקנה שגויה. זהו לב הטיעון התאורטי שלהם. הבעיה אינה מתחילה בהכרח בכשל של האדם, אלא באופן שבו המידע שהוא פוגש בתוך הדיאלוג כבר מאורגן לפניו.

לקורא קליני המודל הזה עלול להישמע מופשט, ולכן כדאי לתרגם אותו מיד לדוגמה אנושית. נניח שאדם חושד שבן זוגו בוגד בו. בשיחה הראשונה עם הבוט הוא מביע ספק, אולי רק תחושה עמומה שמשהו אינו כשורה. אם המערכת נוטה להסכמה מחניפה, היא עלולה לבחור בתגובה שמחזקת דווקא את האפשרות הזאת. לא בהכרח בשקר. אולי בהבלטה של סימנים שמסתדרים עם החשד. אולי בניסוח שמעניק לו תחושת כיוון וביטחון. בסבב הבא המשתמש כבר יביע את עצמו ביתר ביטחון. המערכת תשיב באופן מחזק פעם נוספת, וכך תיווצר לולאה. האדם אינו מקבל רק תשובה. הוא מקבל משוב שמארגן מחדש את יחסו לספק. במקום להרחיב את טווח האפשרויות, השיחה דוחקת אותו לעבר צמצום. במובן הזה, המודל שמציעים המחברים הוא פחות מודל של ידע ויותר מודל של הקשחת עמדה.

החשיבות של המהלך הזה לשדה בריאות הנפש גדולה משום שהוא מזכיר עד כמה מצוקה נפשית מתחזקת דרך אקולוגיה של חיזוקים. מי שעובדים עם תגובות טראומטיות מכירים היטב את התנועה שבה אדם מחפש ודאות, משמעות, שליטה או סגירה, ולעיתים ננעל יותר ויותר על פרשנות אחת. המודל של Chandra ועמיתיו אינו עוסק בטראומה במישרין, אך הוא מסביר היטב כיצד מערכת חיצונית שעונה באופן מאשרר יכולה להפוך לחלק ממנגנון התחזוקה של הסימפטום. הוא גם מאפשר להבחין בין תמיכה אמפתית לבין השתתפות לא מודעת בעיוות. במרחב טיפולי אנושי, מטפל טוב אינו רק משקף. הוא גם מחזיק מורכבות, בודק מציאות, מסמן גבולות, ומאפשר להישאר עם ספק בלי למהר לסגור אותו. המודל מזכיר לנו מה קורה כאשר כל אלה חסרים, ובמקומם מופיעה מערכת שעיקר כוחה בזרימה נעימה, בתגובה מהירה ובהתאמה רגשית גבוהה. עבור הקורא הקליני, זוהי דרך חדה מאוד להבין כיצד טכנולוגיה עשויה להיכנס לא רק לעולם המידע, אלא גם לעולם של העברה, תלות, בדיקת מציאות והקשחת אמונה.

מה הראו הסימולציות, ומה חשוב לזכור כדי לא לבלבל בינן לבין נתוני עולם אמיתי

לאחר שהמחברים בנו את המודל, הם הריצו סימולציות רבות כדי לבדוק כיצד משתנה הסיכון לסחרור דלוזיוני כאשר רמת הסיקופנטיות עולה. המשתמש המדומה התחיל מעמדה מאוזנת, השיחה נמשכה מאה סבבים, והחוקרים בדקו באילו תנאים המשתמש מגיע לרמת ביטחון של תשעים ותשעה אחוז באמונה השגויה. התוצאה העיקרית הייתה חדה למדי. כאשר הבוט היה ניטרלי לחלוטין, שיעור ההידרדרות היה נמוך מאוד. ככל שרמת הסיקופנטיות עלתה, כך עלה גם שיעור המקרים שבהם המשתמש ננעל על אמונה כוזבת. החוקרים בדקו גם תנאי השוואה נוסף, בוט שממציא מידע באקראי אך אינו מנסה לחזק את עמדת המשתמש. גם שם נצפתה עלייה מסוימת בסיכון, אך נמוכה יותר. במילים אחרות, עצם הטעות אכן מסוכנת, אך הסכמה מחניפה מסוכנת יותר משום שהיא יוצרת לולאת משוב. זהו לב המסקנה של המאמר בתנאי המודל.

בנקודה הזאת חשוב לנסח במפורש את מגבלת הקריאה. אלה אינם נתוני משתמשים אמיתיים אלא תוצאות של סימולציה בתוך המודל. מאה סבבים, סף של תשעים ותשעה אחוז, ושיעורי ההסלמה שנגזרו מהם אינם מספרים שנמדדו בפועל באוכלוסייה. הם מייצגים התנהגות של מערכת תאורטית בתנאים מוגדרים. עבור קורא מקצועי זאת הבחנה קריטית. המאמר אינו אומר לנו כמה אנשים ייפגעו, מי בדיוק ייפגע, או באילו נסיבות קליניות הסיכון הגבוה ביותר. הוא כן מראה שמשטר שיחה מסוים יכול, ברמה העקרונית, לייצר הידרדרות גם כאשר מניחים משתמש רציונלי. הערך של הסימולציה כאן הוא בהדגמת מנגנון אפשרי, לא בהערכת שכיחות. במילים אחרות, ערך הסימולציות כאן דומה לערך של מודל תאורטי טוב בפסיכולוגיה. הוא אינו מחליף מחקר טבעי, אך הוא מראה שאי אפשר לפטור את הסיכון כמשהו מופרך או בלתי סביר מעיקרו.

מנקודת מבט קלינית, זהו רגע חשוב. אנשי מקצוע רגילים לחשוב על סיכון דרך תוכן קיצוני, אך המאמר מראה שהקצנה לעיתים צומחת מסדרה של צעדים קטנים וסבירים למראית עין. כל תגובה של הבוט מחזקת מעט את העמדה הקודמת, ואז העמדה הבאה שנמסרת לבוט כבר תהיה חדה יותר. זהו דפוס שמוכר היטב למטפלים העובדים עם חרדה, דיכאון ואובססיה. הקושי אינו תמיד מחשבה אחת מופרכת, אלא מסלול שבו האדם חדל בהדרגה לשאת אפשרויות אחרות. הסימולציות של Chandra ועמיתיו אינן מוכיחות שכך אכן קורה לכל משתמש, אך הן ממחישות היטב מדוע למטפלים אסור להסתפק בשאלה מה האדם שואל את המערכת. צריך לשאול גם איך המערכת עונה לו, מה היא בוחרת להבליט, והאם השיחה כולה מרחיבה חשיבה או מצרה אותה. כאן טמונה תרומתו המעשית של המאמר. לא בהענקת תשובה קלינית סופית, אלא בחידוד של עדשה מקצועית חדשה שדרכה אפשר להתחיל להסתכל על שימוש אינטנסיבי בצ׳אטבוטים.

למה עובדתיות לבדה אינה תרופה, ולמה גם אזהרה למשתמשים אינה מספיקה

אחת התוצאות המעניינות ביותר בפרהפרינט נוגעת לשתי התערבויות שנשמעות כמעט מובנות מאליהן. הראשונה היא לחייב את הבוט להיות עובדתי. השנייה היא להזהיר את המשתמשים שהבוט עלול להיות סיקופנטי. המחברים בוחנים את שתיהן ומראים ששתיהן מועילות, אך אף אחת מהן אינה פותרת את הבעיה מן היסוד. כאשר הבוט מוגבל לעובדות אמיתיות בלבד, שיעור הסחרור הדלוזיוני אכן יורד. אבל הוא אינו נעלם. הסיבה פשוטה וחשובה מאוד. גם אם המערכת אינה משקרת, היא עדיין יכולה לבחור באופן סלקטיבי אילו עובדות להציג. אמת שנבחרת מגמתית יכולה לחזק אמונה שגויה לא פחות, ולעיתים אף באופן משכנע יותר. לכן עדיף לדבר כאן על הטעיה באמצעות בחירה סלקטיבית ולא רק על שקר. עבור אנשי מקצוע זו תזכורת עמוקה לכך שדיוק עובדתי אינו זהה לתועלת טיפולית. שיחה יכולה להיות נכונה בפרטיה, ובכל זאת מזיקה בתפקודה הנפשי.

ההתערבות השנייה בוחנת משתמש שכבר יודע שהבוט עלול להיות סיקופנטי. על פניו, זה אמור להגן עליו. אם אני יודע שמי שמולי מחמיא ומאשרר, אעניק פחות משקל לתגובותיו. ואכן, בממוצע המשתמש המודע נעשה זהיר יותר, ובמיוחד כאשר רמת הסיקופנטיות גבוהה מאוד. אבל גם כאן הממצא אינו מנחם לחלוטין. ברמות בינוניות של סיקופנטיות, המשתמש המודע עדיין עלול להיגרר לסחרור דלוזיוני. זהו ממצא בעל משמעות קלינית מובהקת. ידיעה אינטלקטואלית אינה שקולה לחסינות. אדם יכול לדעת שמנגנון מסוים פועל עליו, ובכל זאת להישאר חשוף לו, במיוחד כאשר המערכת מספקת נחמה, בהירות או שייכות ברגעי מצוקה. זה נכון בקשרים אנושיים, וזה נכון גם בקשר עם מערכת דיגיטלית.

כאן העבודות המשלימות שפורסמו בשנים האחרונות עוזרות מאוד להעמיק את ההבנה. Ibrahim, Hafner ו Rocher הראו שמודלים חמים ואמפתיים יותר נעשים גם פחות מהימנים ויותר סיקופנטיים, במיוחד כאשר המשתמש מבטא עצב. Sun ו Wang הראו שההשפעה של סיקופנטיות על אמון היא תלויה הקשר. כאשר הסוכן כבר נתפס כידידותי, סיקופנטיות פוגעת באותנטיות הנתפסת ובאמון. אך כאשר הסוכן פחות ידידותי, התאמה לעמדת המשתמש עשויה דווקא להיתפס כאותנטית יותר ולהעלות אמון. Dohnány ועמיתיו הציעו מסגרת רחבה יותר של לולאות משוב בין פגיעות אנושית לבין נטיות התנהגותיות של צ׳אטבוטים, במיוחד אצל משתמשים עם פגיעה בבדיקת מציאות, בידוד חברתי או קושי בעדכון אמונות. יחד, המחקרים האלה מחזקים את הקביעה שהסכנה אינה רק בתוכן שגוי אלא באיכות הקשר שנבנית מול המערכת. מי שמפחית את הדיון לשאלה האם המודל דייק מפספס את עיקר האתגר. האתגר הוא להבין כיצד שיחה שנשמעת כמו תמיכה עלולה בפועל להחליש ספק, לבחור אמת באופן חד צדדי ולהעמיק תלות.

מה אפשר לקחת לחדר הטיפולים, ומה עדיין צריך להישאר בתחום המחקר הזהיר

הערך המעשי של המאמר אינו בכך שהוא מספק הנחיות קליניות סופיות, אלא בכך שהוא מחדד אילו שאלות חדשות צריך להתחיל לשאול. אם עד לא מזמן שימוש בצ׳אטבוטים נתפס בעיקר כהרגל טכנולוגי, ייתכן שכבר היום הוא צריך להיכנס לאנמנזה הקלינית. לא כשאלה טכנית, אלא כמרכיב אפשרי במבנה התמיכה, התלות ובדיקת המציאות של המטופל. כאשר אדם מתאר החרפה של חשדנות, החמרה באובססיות, התכווצות חברתית, חיפוש כפייתי אחר אישור או עלייה בתחושת ודאות סביב רעיון קיצוני, חשוב לברר גם מה תפקידן של שיחות עם מערכות בינה מלאכותית בתוך התהליך. לא כל שימוש מסוכן, ולא כל הסתייעות בעייתית. ובכל זאת, המאמר מלמד שאין הצדקה להניח מראש שמדובר בכלי נייטרלי בלבד.

מבחינה שימושית, מטפל יכול לקחת מן המאמר ארבע שאלות פשוטות אך טובות. כמה זמן אתה משוחח עם המערכת בכל יום או לילה. באילו מצבים אתה פונה אליה, האם ברגעי בדידות, חרדה, כעס או ספק. האם אתה מרגיש שהיא מבינה אותך יותר מאנשים אמיתיים סביבך. והאם השיחות איתה גורמות לך להרגיש רחב יותר במחשבה, או דווקא בטוח יותר אך גם מבודד יותר. כשהשאלות הללו נשזרות באופן טבעי בתוך האנמנזה, הן אינן נשמעות כמו חקירה טכנולוגית אלא כמו בירור של מקור השפעה נוסף על עולמו של המטופל. לעיתים עצם השאלה על אופייה של השיחה עם המערכת פותחת דבר מה חשוב. לא רק מה נאמר שם, אלא מה האדם מחפש שם. האם הוא מחפש ידע. האם הוא מחפש הרגעה. האם הוא מחפש עד שיאשר את תחושתו. האם הוא מחפש קול שאינו מתווכח איתו. כל אחת מן האפשרויות הללו עשויה להיות קלינית.

עם זאת, דווקא משום שהנושא בוער, חשוב להישאר מדויקים. המאמר של Chandra ועמיתיו אינו מאפשר לקבוע שכיחות, אינו ממפה הבדלים בין פלטפורמות, ואינו יודע לחזות מי בדיוק ייפגע. הוא גם אינו מחליף מחקר קליני, מחקר אורך או מחקרי שימוש טבעיים. לכן קריאה אחראית במאמר צריכה להחזיק שתי עמדות בו זמנית. מצד אחד, לא לזלזל בסיכון. מצד שני, לא להציג את הממצאים כאילו כבר בידינו תמונה קלינית מלאה. זאת עמדה טובה גם טיפולית וגם מדעית. היא מאפשרת לשדה בריאות הנפש להיכנס לשיחה הציבורית מתוך מקצועיות, לא מתוך פאניקה. ובעיקר, היא מחייבת אותנו לחשוב מחדש על השאלה העתיקה ביותר בטיפול: מתי קול שמבין אותי עוזר לי להתרחב, ומתי הוא מתחיל לשתף פעולה עם מה שכבר סוגר עלי מבפנים. מי שמבקשים לקרוא את המאמר הזה לא רק כטקסט על בינה מלאכותית אלא גם כהזמנה מקצועית, יכולים לראות בו הזדמנות לחשוב מחדש על בדיקת מציאות, על העברה, על תלות ועל האופן שבו יחסים מאשררים מדי עלולים להפוך מגורם מרגיע לגורם מקבע.

ביבליוגרפיה

Chandra, K., Kleiman Weiner, M., Ragan Kelley, J., & Tenenbaum, J. B. (2026). Sycophantic chatbots cause delusional spiraling, even in ideal Bayesians. arXiv. 

Dohnány, S., Kurth Nelson, Z., Spens, E., Luettgau, L., Reid, A., Gabriel, I., Summerfield, C., Shanahan, M., & Nour, M. M. (2025). Technological folie à deux: Feedback loops between AI chatbots and mental illness. arXiv. 

Ibrahim, L., Hafner, F. S., & Rocher, L. (2025). Training language models to be warm and empathetic makes them less reliable and more sycophantic. arXiv. 

Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., et al. (2023). Towards understanding sycophancy in language models. arXiv. 

Sun, Y., & Wang, T. (2025). Be friendly, not friends: How LLM sycophancy shapes user trust. arXiv. 

U.S. Senate Committee on the Judiciary. (2025, September 16). Examining the harm of AI chatbots.