Can LLMs Replace Economic Choice Prediction Labs? The Case of Language-based Persuasion Games
تُثبت هذه الورقة أن النماذج اللغوية الكبيرة يمكنها أن تحل بفعالية محل البشر في توليد بيانات تدريبية للتنبؤ بالخيارات الاقتصادية ضمن ألعاب الإقناع القائمة على اللغة، وغالباً ما تتفوق على النماذج المدربة على بيانات بشرية فعلية مع الكشف عن أن التقاط أنماط اتخاذ القرار المعتمدة على التاريخ أمر بالغ الأهمية للتنبؤ الدقيق.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في الاقتصاد الرقمي، كل نقرة وكل تمريرة هي خيار. فعندما يقرأ مسافر مراجعة فندق على موقع حجز، فإنه يوازن بين المعلومات ورغباته الخاصة، محاولاً تقرير ما إذا كانت الغرفة تستحق الثمن. هذه معضلة اقتصادية كلاسيكية: كيف يتخذ الناس قراراتهم عندما يواجهون معلومات ناقصة واحتمالية التعرض للتضليل؟ لعقود من الزمن، درس الاقتصاديون هذه اللحظات عبر الطلب من بشر حقيقيين لعب ألعاب يحاول فيها شخص ما إقناع شخص آخر. وتعد هذه التجارب صعبة التنفيذ؛ فهي تتطلب استقطاب مشاركين، وبناء برمجيات مخصصة، والانتظار حتى يتخذ الناس قراراتهم، وهي عملية بطيئة ومكلفة وغالباً ما تكون محدودة الحجم.
مؤخراً، ظهرت أداة جديدة تعد بتغيير كيفية دراسة هذه القرارات: النماذج اللغوية الكبيرة. هذه أنظمة ذكاء اصطناعي مدربة على كميات هائلة من النصوص، قادرة على فهم وتوليد اللغة البشرية بطلاقة ملحوظة. وقد بدأ الباحثون يتساءلون عما إذا كانت هذه الآلات يمكنها فعل ما هو أكثر من مجرد الدردشة. هل يمكنها أن تعمل كبدلاء للبشر الحقيقيين في التجارب الاقتصادية؟ إذا استطاعت الحاسوب محاكاة السلوك البشري بشكل جيد بما يكفي، فقد تولد كميات هائلة من البيانات اللازمة لتدريب نماذج تنبؤ أفضل، مما يحل مشكلة ندرة البيانات البشرية. والسؤال ليس فقط ما إذا كانت الآلات تستطيع التحدث مثل البشر، بل ما إذا كانت تستطيع التفكير واتخاذ القرارات مثلهم في المواقف عالية المخاطر.
وضع فريق من الباحثين في معهد "تخنيون" في إسرائيل هدفاً للإجابة على هذا السؤال من خلال وضع وكلاء ذكاء اصطناعي في لعبة إقناع معقدة. في إعدادهم، يحاول لاعب واحد، يعمل كخبير، إقناع لاعب ثانٍ، وهو صانع القرار، بزيارة فندق معين. يعرف الخبير الجودة الحقيقية للفندق، لكن لا يمكنه سوى مشاركة مراجعة مكتوبة واحدة من قائمة خيارات. وعلى صانع القرار بعد ذلك اختيار ما إذا كان سيزور الفندق بناءً على تلك المراجعة وتجاربه السابقة مع الخبير. إذا كان الفندق جيداً حقاً، يفوز صانع القرار؛ وإذا كان سيئاً، يخسر. أما الخبير، فيفوز دائماً إذا اختار صانع القرار الزيارة، بغض النظر عن الجودة الحقيقية للفندق. وهذا يخلق توتراً استراتيجياً حيث قد يكذب الخبير للحصول على نتيجة أفضل، ويجب على صانع القرار تعلم كيفية كشف الخداع بمرور الوقت.
جمع الباحثون أولاً بيانات من مئات اللاعبين البشر الحقيقيين الذين شاركوا في هذه اللعبة عبر جولات عديدة. ثم استبدلوا صانعي القرار البشر بمختلف النماذج اللغوية الكبيرة، مع توجيه الآلات للعب اللعبة باستخدام نفس القواعد ومواجهة نفس مراجعات الفنادق. ولجعل عمليات المحاكاة أكثر واقعية، منح الباحثون كل آلة شخصية محددة، مثل مسافر متفائل يرى دائماً الجانب المشرق، أو متسوق يهتم بالسعر بعمق. ومن خلال تشغيل آلاف الألعاب المحاكية، أنشأ الفريق مجموعة ضخمة من البيانات المكونة من قرارات اتخذتها الآلات، والتي استخدموها لتدريب برنامج حاسوبي للتنبؤ بكيفية تصرف البشر في نفس الموقف.
كانت النتائج مفاجئة. فعندما درب الباحثون نموذج تنبؤ باستخدام البيانات الناتجة فقط عن لاعبي الذكاء الاصطناعي، أصبح النموذج أفضل في التنبؤ بالسلوك البشري من النموذج الذي تم تدريبه على البيانات البشرية الفعلية نفسها، بشرط أن تكون مجموعة بيانات الآلة كبيرة بما يكفي. في الواقع، تفوقت بيانات الآلة على البيانات البشرية في كل سيناريو تم اختباره تقريباً. يشير هذا إلى أن وكلاء الذكاء الاصطناعي لم يكونوا يقلدون كلمات البشر فحسب، بل كانوا يلتقطون الأنماط الاستراتيجية العميقة لكيفية تعلم البشر والتكيف أثناء التفاعلات المتكررة. لقد تعلمت الآلات وزن تاريخ المراجعات السابقة والثقة التي بُنيت بمرور الوقت، بدلاً من مجرد التفاعل مع الكلمات الفورية على الشاشة.
ومع ذلك، كشفت الدراسة أيضاً عن خلل كبير في الاعتماد الكلي على الآلات. فبينما كانت النماذج المدربة على بيانات اصطناعية دقيقة للغاية، إلا أنها كانت تفتقر إلى المعايرة الجيدة. وبعبارة أخرى، هذا يعني أنه عندما كان النموذج يعبر عن ثقته في تنبؤ ما، فإنه غالباً ما يكون مخطئاً أكثر مما لو كان نموذجاً مدرباً على بشر حقيقيين. كانت بيانات الآلة وفيرة جداً لدرجة أنها علمت النموذج الإجابة الصحيحة في معظم الأحيان، لكنها فشلت في تعليمه كيفية تقدير مدى يقينه. ولإصلاح ذلك، وجد الباحثون أن مزج كمية صغيرة من البيانات البشرية الحقيقية مع الكم الهائل من بيانات الآلة خلق التوازن المثالي. أنتج هذا النهج الهجين نموذجاً يتميز بدقة عالية وثقة في مستويات اليقين في آن واحد.
تعمق الباحثون لفهم سبب نجاح الآلات. واكتشفوا أن المفتاح للتنبؤ بالسلوك البشري لم يكن شعور المراجعة نفسها، بل تاريخ التفاعل. فعندما سُمح لوكلاء الذكاء الاصطناعي بتذكر العديد من الجولات الماضية من اللعبة، ولدوا بيانات تطابق أنماط اتخاذ القرار البشري عن كثب. ولكن عندما تم تقييد ذاكرتهم لتقتصر على آخر جولة أو جولتين فقط، انهار قدرتم على محاكاة السلوك البشري. يسلط هذا الاكتشاف الضوء على أن اتخاذ القرار البشري في هذه الألعاب يتعلق أساساً بالاستراتيجية والتاريخ، وليس فقط بقراءة النبرة العاطفية لرسالة واحدة. لقد نجحت الآلات لأنها تعلمت لعب "اللعبة الطويلة"، تماماً كما يفعل البشر.
ولضمان عدم اقتصار نتائجهم على مراجعات الفنادق فقط، اختبر الفريق نهجهم في لعبة إقناع أخرى أكثر تجريداً حيث يمكن للاعبين كتابة أي رسالة يريدونها، بدلاً من الاختيار من قائمة ثابتة. وحتى في هذه البيئة الأكثر حرية، حيث كانت القواعد أقل صرامة، أثبتت البيانات الناتجة عن لاعبي الذكاء الاصطناعي فعاليتها في تدريب النماذج للتنبؤ بالخيارات البشرية. يشير هذا إلى أن قدرة الآلات على توليد بيانات تدريب مفيدة هي ظاهرة قوية تمتد إلى ما وراء نوع واحد من التجارب.
تخلص الدراسة إلى أنه بينما لا يستطيع الذكاء الاصطناعي بعد استبدال الفروق الدقيقة للسلوك البشري بشكل مثالي، فإنه يمكن أن يعمل كمحرك قوي لتوليد البيانات اللازمة لفهمه. فمن خلال استخدام الآلات لمحاكاة التعقيدات الاستراتيجية للتفاعل البشري، يمكن للباحثين التغلب على العقبات التي تواجه تجارب الاقتصاد التقليدية. إن المسار المستقبلي يتضمن شراكة مدروسة: استخدام نطاق الذكاء الاصطناعي لبناء نماذج سلوكية واسعة، مع ترسيخ تلك النماذج بقدر كافٍ من البيانات البشرية الحقيقية لضمان بقائها موثوقة وواقعية. يقدم هذا النهج طريقة جديدة لدراسة الرقصة المعقدة للثقة والخداع واتخاذ القرار التي تحدد عالمنا الاقتصادي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.