Reasoning Boosts Opinion Alignment in LLMs
تُظهر هذه الورقة أن تدريب النماذج اللغوية الكبيرة على استخدام الاستدلال المنظم يحسن قدرتها على التوافق مع الآراء السياسية عبر السياقات الأمريكية والأوروبية والسويسرية، رغم أنه لا يقضي على التحيز تماماً، مما يؤسس بذلك لخط أساس جديد لبناء توائم رقمية سياسية وفية.
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 تريد بناء توأم رقمي لشخص معين—نسخة افتراضية منه يمكنها الجلوس في غرفة، وقراءة سؤال سياسي، وإعطاء إجابة تبدو تماماً كما لو كان هو من ينطق بها.
هذه الورقة البحثية تدور حول تعليم النماذج اللغوية الكبيرة (LLMs) القيام بذلك بالضبط. ولكن هنا تكمن المشكلة: إذا سألت ذكاءً اصطناعياً قياسياً: "ماذا سيكون رأي ناخب محافظ حول هذا الموضوع؟"، فغالباً ما سيعطيك إجابة عامة، منحازة قليلاً، ولا تطابق الشخص الحقيقي تماماً. الأمر يشبه أن تطلب من ممثل محترف أداء دور ما، لكنك تكتفي بإعطائه وصفاً غامضاً للشخصية؛ قد يتقن اللهجة، لكنه سيفقد جوهر الروح.
لقد تساءل الباحثون من جامعة ETH Zurich: هل يمكننا تعليم هذه النماذج الذكية كيف "تفكر" للوصول إلى الإجابة الصحيحة، بدلاً من مجرد التخمين بناءً على الصور النمطية؟
إليك تفصيل رحلتهم، مشروحاً ببعض التشبيهات من الحياة اليومية.
1. المشكلة: فخ "الصور النمطية"
النماذج الحالية للذكاء الاصطناعي تشبه مذيعي الأخبار المتحمسين للغاية. إذا قلت لهم: "أنت ديمقراطي"، فقد يبدأون فوراً في ترديد نقاط النقاش الديمقراطية العامة التي سمعوها ملايين المرات. إنهم يعتمدون على "الاختصارات الديموغرافية" (مثل: "كبار السن عادة ما يصوتون بهذه الطريقة").
لكن البشر الحقيقيين معقدون. فقد يحب محافظ في الستين من عمره القوانين البيئية، وقد يكرهها شاب ليبرالي. عندما يعتمد الذكاء الاصطناعي على الاختصارات، فإنه يفشل في التقاط هذه السمات الفريدة والفردية. إنه يشبه محاولة تخمين نكهة الآيس كريم المفضلة لشخص ما بمجرد معرفة عمره ووظيفته—غالباً ما ستكون الإجابة خاطئة.
2. الحل: "صالة ألعاب التفكير" (Reasoning Gym)
أدرك المؤلفون أنه لكي تجعل الذكاء الاصطناعي يفهم حقاً آراء شخص معين، فإنه يحتاج إلى التفكير المنطقي عبر المشكلة، تماماً كما يفعل البشر.
استخدموا تقنية تُسمى GRPO (تحسين السياسة النسبي للمجموعات). فكر في هذا كأنه مدرب شخصي للذكاء الاصطناعي.
- التمرين: يُعطى الذكاء الاصطناعي سؤالاً سياسياً (مثلاً: "هل يجب أن نرفع الضرائب؟").
- الروتين: بدلاً من مجرد الصراخ بإجابة، يُجبر الذكاء الاصطناعي أولاً على كتابة "مسار تفكير" قصير. عليه أن يشرح لماذا يعتقد بطريقة معينة.
- نظام المكافأة: إذا تطابقت إجابة الذكاء الاصطنا النهائية مع إجابة الشخص الحقيقي من استطلاع رأي، فإنه يحصل على "مكافأة" (Treat). وإذا أخطأ، يحصل على تصحيح لطيف.
مع مرور الوقت، يتعلم الذكاء الاصطناعي: "أوه، أنا أفهم. هذا الشخص تحديداً يهتم بـ 'العدالة' أكثر من 'الاقتصاد'، لذا عندما أفكر في الضرائب، يجب أن أركز على العدالة."
3. بيانات التدريب: "المعلومات العامة السياسية"
لتدريب هذه التوائم الرقمية، استخدم الباحثون ثلاثة "كتب معلومات عامة" ضخمة (مجموعات بيانات) من أشخاص حقيقيين:
- المرشحون السويسريون: 18 سياسياً يجيبون على 60 سؤالاً.
- الأحزاب الألمانية: 6 أحزاب سياسية رئيسية تجيب على الأسئلة.
- الناخبون الأمريكيون: 21 ناخباً فرداً من انتخابات عام 2020.
لم يكتفوا بتغذية الذكاء الاصطناعي بالإجابات فحسب؛ بل غذيوه بالأسئلة والإجابات، وعلموا الذكاء الاصطناعي كيفية ملء "خطوات التفكير" فيما بينهما.
4. النتائج: جيدة، ولكن ليست مثالية
كانت النتائج واعدة، مثل طالب درس بجد واجتاز الاختبار بدرجة (B+)، لكنه لا يزال يرتكب بعض الأخطاء السخيفة.
- النجاح: الذكاء الاصطناعي الذي تم تدريبه على "التفكير المنطقي" (التفكير خطوة بخطوة) كان أفضل بكثير في محاكاة الأشخاص الحقيقيين من الذكاء الاصطناعي الذي يكتفي بالتخمين بناءً على الديموغرافيا. لقد استطاع التقاط تفاصيل آراء شخص معين.
- فخ "الحياد": عانى الذكاء الاصطناعي أكثر من غيره مع الأشخاص الذين أجابوا بـ "محايد" أو "لا أعرف". من الصعب تعليم الذكاء الاصطناعي كيف يكون غير مقرر! فهو يميل إلى فرض إجابة "نعم" أو "لا" حتى عندما يكون الشخص الحقيقي متردداً.
- الانحياز السياسي: لا يزال لدى الذكاء الاصطناعي انحياز طفيف "لليسار" (وهي سمة شائعة في العديد من نماذج الذكاء الاصطناعي). لقد كان أفضل في محاكاة الناخبين المنتمين لليسار مقارنة باليمين. يبدو الأمر كما لو أن "الشخصية الأساسية" للذكاء الاصطناعي متوافقة طبيعياً مع جانب واحد من الطيف السياسي، مما يجعل من الصعب نسخ الجانب الآخر بدقة.
5. الصورة الكبيرة: لماذا يهم هذا؟
المؤلفون لا يحاولون استبدال الناخبين البشر بالروبوتات. بدلاً من ذلك، هم يبنون أدوات لـ الديمقراطيات الرقمية.
تخيل مستقبلاً، قبل تمرير قانون ما، يمكننا محاكاة كيف سيكون رد فعل آلاف التوائم الرقمية المختلفة (التي تمثل ناخبين حقيقيين). يمكننا أن نسأل: "إذا غيرنا سياسة الضر์ هذه، كيف سيكون رد فعل أم عزباء في أوهايو مقابل صاحب عمل صغير في تكساس؟"
تظهر هذه الورقة البحثية أنه إذا علمنا الذكاء الاصطناعي كيف يفكر منطقياً بدلاً من مجرد الحفظ، فيمكننا بناء محاكاة أكثر دقة وعدلاً للرأي البشري. ومع ذلك، لا نزال بحاجة إلى إصلاح مشكلات "الانحياز" و"الحياد" قبل أن نتمكن من الوثوق بهذه التوائم الرقمية للتصويت نيابة عنا.
باختصار: علم المؤلفون الذكاء الاصطناعي كيف يتوقف عن التخمين ويبدأ في التفكير، مما جعله محاكياً أفضل بكثير لآراء البشر السياسية، رغم أنه لا يزال لديه بعض العيوب التي تحتاج إلى معالجة قبل أن يكون جاهزاً للاستخدام الفعلي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.