Can LLMs Discern the Traits Influencing Your Preferences? Evaluating Personality-Driven Preference Alignment in LLMs
تقترح هذه الورقة إطار عمل يستفيد من سمات الشخصية المستقرة كإشارات كامنة لتصفية وتوجيه تفضيلات المستخدم، مما يثبت أن تكييف النماذج اللغوية الكبيرة مع التفضيلات المتسقة مع الشخصية يحسن بشكل كبير من دقة الإجابة على الأسئلة المخصصة، وتقدم PACIFIC، وهي مجموعة بيانات جديدة من بيانات التفضيلات المصنفة حسب الشخصية.
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
تخيل أنك تحاول توظيف مساعد شخصي لمساعدتك في اتخاذ القرارات، مثل اختيار وجهة سفر أو اختيار طاولة قهوة جديدة.
المشكلة: المساعد "النسّاء"
حالياً، النماذج اللغوية الكبيرة (LLMs) تشبه المساعدين ذوي مدى الانتباه القصير جداً. إذا قلت لهم: "أنا أكره الزحام"، فقد يتذكرون ذلك لمدة دقيقة واحدة. ولكن إذا استمررت في الدردشة لمدة ساعة حول مواضيع أخرى، أو إذا ذكرت تفضيلاً ما بشكل غامض، فغالباً ما ينسون أو يرتبكون. إنهم يحاولون تذكر كل قاعدة محددة ذكرتها يوماً ما، وهو أمر يشبه محاولة حمل مكتبة مكونة من 10,000 كتاب في رأسك؛ هذا كثير جداً، وسوف تسقط منهم الكتب المهمة.
الحل: "بوصلة الشخصية"
تقترح هذه الورقة طريقة أذكى. بدلاً من مطالبة المساعد بتذكر كل قاعدة وضعتها يوماً ما، لماذا لا تفهم من أنت؟
فكر في شخصيتك (مثل كونك مغامراً، أو منظماً، أو قلقاً) كـ بوصلة. حتى لو نسيت أن تخبر المساعد بتفضيلك المحدد لـ "تجنب الشواطئ المزدحمة" اليوم، يمكن للمساعد أن ينظر إلى بوصلتك (شخصيتك) ويقول: "آه، هذا الشخص قلق بشكل عام ويكره الزحام، لذا فمن المحتمل ألا يعجبه الشاطئ المزدحم".
يطلق الباحثون على هذا النهج اسم "المواءمة القائمة على الشخصية للتفضيلات" (Personality-Driven Preference Alignment).
المكونات الثلاثة الرئيسية
1. الخريطة الجديدة: مجموعة بيانات PACIFIC
أنشأ الفريق خريطة جديدة تسمى PACIFIC. تخيل مكتبة ضخمة تضم 1,200 سيناريو مختلفاً (مثل شراء سيارة، أو التخطيط لرحلة، أو اختيار فيلم).
- الطريقة القديمة: مجرد كتابة "أنا أحب أفلام الحركة".
- طريقة PACIFIC: قاموا بتصنيف كل تفضيل باستخدام وسم "العناصر الخمسة الكبرى" للشخصية (مثل: الانفتاح، اليقظة/الضمير، الانبساط، المقبولية، العصابية).
- اللمسة المميزة: أدركوا أنه بالنسبة لبعض السمات، مثل العصابية (القلق)، لا يتصرف الناس كما توحي السمة. فالشخص القلق لا يريد أن يشعر بالقلق؛ بل يريد الأمان. لذا، وضعوا قاعدة خاصة: الأشخاص "عالي العصابية" يفضلون في الواقع الخيارات "منخفضة المخاطر". الأمر يشبه فهم أن الشخص الذي يخاف من المرتفعات لا يريد أن يقال له "اقفز"، بل "ابقَ على الأرض".
2. التجربة: تخمين الخيار الصحيح
اختبروا ذلك في لعبة "الاختيار من متعدد".
- السيناريو: يسأل مستخدم: "أي طاولة قهوة يجب أن أشتري؟"
- الخيارات:
- طاولة معدنية رخيصة ومنتجة بكميات كبيرة.
- طاولة زجاجية أنيقة من متجر كبير.
- طاولة جاهزة للتركيب من متجر أدوات منزلية.
- طاولة فريدة مصنوعة يدوياً من فنان محلي.
- الدليل: قال المستخدم سابقاً: "أنا أكره الأشياء المنتجة بكميات كبيرة؛ أنا أحب الأشياء الفريدة".
- الاختبار:
- بدون الشخصية: خمن الذكاء الاصطناوي الإجابة عشوائياً أو اختار الإجابة "الأكثر أماناً". وقد أصاب فقط بنسبة 29% من المرات.
- مع الشخصية: نظر الذكاء الاصطناعي إلى "بوصلة" المستخدم (على سبيل المثال: "هذا المستخدم لديه انفتاح عالٍ"). وأدرك: "أصحاب الانفتاح العالي يحبون الأشياء الفريدة والفنية". فاختار الطاولة المصنوعة يدوياً. وقد أصاب بنسبة 76% من المرات!
3. مجموعة الأدوات: كيف تتحدث مع الذكاء الاصطناعي
اختبرت الورقة طرقاً مختلفة لإعطاء الذكاء الاصطناعي معلومات هذه "البوصلة":
- طريقة "التذكير": مجرد إخبار الذكاء الاصطناعي: "مهلاً، تذكر أن هذا المستخدم يحب الأشياء الفريدة"، ساعد قليلاً.
- طريقة "الملصق/الوسم": إعطاء الذكاء الاصطناٍ مذكرات (Cheat Sheet) تقول: "المستخدم = انفتاح عالٍ، يقظة منخفضة"، كان يعمل بشكل أفضل بكثير. كان الأمر يشبه إعطاء المساعد دليل تعليمات واضح بدلاً من تلميح غامض.
- طريقة "البحث" (RAG): أحياناً لا يعرف الذكاء الاصطناعي وسوم شخصية المستخدم. لذا، قاموا ببناء أداة تبحث في دردشات المستخدم السابقة، وتجد أكثر "إشارات الشخصية" صلة، وتقدمها للذكاء الاصطناعي. إنه يشبه أمين المكتبة الذي يجد الكتاب المناسب لك قبل أن تطلبه حتى.
الخلاصة الكبرى
وجدت الورقة أن فهم "السبب" (الشخصية) أفضل من حفظ "الماهية" (التفضيلات المحددة).
- فخ "الرغبة الاجتماعية": وجد الباحثون أيضاً خللاً طريفاً. النماذج الذكية مدربة لتكون "لطيفة" و"مهذبة". أحياناً، يرفضون الاعتراف بأن المستخدم قد يكون "منخفض اليقظة" (فوضوي قليلاً) أو "عالي العصابية" (قلق) لأن هذه تبدو كسمات "سيئة". يحاول الذكاء الاصطناعي أن يكون إيجابياً للغاية ويتجاهل طبيعة المستخدم الفوضوية أو القلقة الفعلية. هذا يشبه صديقاً يرفض الاعتراف بأنك متعب ويستمر في قول "تشجع" لك، حتى عندما تحتاج إلى قيلولة.
باختصار
تعلمنا هذه الورقة أنه لجعل الذكاء الاصطناعي شخصياً حقاً، لا ينبغي لنا فقط تغذيته بقائمة من أعراض إعجابك وعدم إعجابك. بدلاً من ذلك، يجب أن نعلمه كيف يفهم بوصلة شخصيتك. بمجرد أن يعرف الذكاء الاصطناعي من أنت، يمكنه التنبؤ بما تريده، حتى عندما لا تقوله بصوت عالٍ. إنه يحول الذكاء الاصطناعي من مدون ملاحظات نساً إلى صديق مفكر يفهمك حقاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.