主要观点：

• 一项研究发现，给定特定假设测试的学生比自由探索数据的学生更不容易注意到“数据中的大猩猩”，通过具体数据展示了这一现象。
• 测试 ChatGPT 4o 和 Claude 3.5 Sonnet 分析数据的能力，它们主要关注数据的总结统计，虽能注意到一些数据异常，但未识别出明显模式为“大猩猩”。
• 思考当前大语言模型在科学任务中的优缺点，指出其在创建可视化和分析数据时的不足，如模式识别能力在不同情况下的差异，可能在避免确认偏差方面有价值，但在探索性数据分析中存在问题。

关键信息：

• 研究中不同指令下学生对数据的关注差异及具体数据内容。
• ChatGPT 4o 和 Claude 3.5 Sonnet 对数据的分析结果及生成的图表。
• 大语言模型在模式识别、数据分析方面的特点及对不同任务的影响。

重要细节：

• 具体的代码用于数据处理和可视化。
• 大语言模型在分析数据时的具体表现，如对数据分布、相关性等的分析。
• 对大语言模型在不同场景下应用的思考和展望，如优化协作工作流等。