Prosocial Persuasion at Scale? Large Language Models Outperform Humans in Donation Appeals Across Levels of Personalization

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "الإقناع الاجتماعي الإيجابي على نطاق واسع؟ تفوق النماذج اللغوية الكبيرة على البشر في مناشدات التبرع عبر مستويات مختلفة من التخصيص."

١. بيان المشكلة

بينما تُدرس النماذج اللغوية الكبيرة (LLMs) على نطاق واسع لقدرتها على توليد معلومات مضللة مقنعة، فإن إمكاناتها في دفع سلوك اجتماعي إيجابي مكلف (تحديداً العطاء الخيري) لا تزال غير مستكشفة بشكل كافٍ. تشمل الفجوات البحثية الرئيسية ما يلي:

• المقارنة المرجعية بين الإنسان والنموذج اللغوي الكبير: ليس من الواضح ما إذا كانت النماذج اللغوية الكبيرة يمكنها مضاهاة أو تجاوز المقنعين البشريين في تحفيز التبرعات المالية الفعلية، والتي تنطوي على تكاليف حقيقية وتفاعل عاطفي، بخلاف مجرد تغيير المواقف القائم على "الكلام المجاني".
• دور التخصيص: تشير الأطر النظرية (مثل نموذج احتمالية الاستفاضة، ونظرية الهوية الاجتماعية) إلى أن الرسائل المخصصة أكثر فعالية. ومع ذلك، فإن الأدلة التجريبية حول ما إذا كان المحتوى المُولد بواسطة الذكاء الاصطناعي والمخصص يتفوق على المحتوى العام أو المحتوى الذي كتبه بشر هي أدلة مختلطة.
• التخصيص الزائف: إن تأثير المحتوى "المخصص زيفاً" (حيث تدعي الرسالة استهداف فئة ديموغرافية لا ينتمي إليها المتلقي) على الثقة والإقناع ليس مفهوماً جيداً في سياق النصوص المولدة بالذكاء الاصطناعي.

٢. المنهجية

أجرى المؤلفون تجربتين عبر الإنترنت مسجلتين مسبقاً ($N_1 = 658$؛ $N_2 = 642$) باستخدام تصميم عاملي داخل المجموعات (within-subjects) بنسبة ٢ (مصدر المحتوى: بشري مقابل نموذج لغوي كبير) × ٣ (التخصيص: عام، مخصص، مخصص زيفاً).

التصميم التجريبي والإجراءات:

• المشاركون: تم استقطاب المشاركين من الولايات المتحدة عبر منصة Prolific، مع مراعاة التوازن في توزيع الفئات العمرية، والجنس، والانتماء السياسي، والتدين.
• المهمة: شاهد المشاركون ستة منشورات على وسائل التواصل الاجتماعي (على غرار تويتر/إكس) من جمعيات خيرية خيالية. طُلب منهم القيام بما يلي:
  ١. تخصيص جزء من مكافأة قدرها ٠.١٠ دولار للجمعيات الخيرية.
  ٢. تقييم مستوى التفاعل (إعجاب/محايد/عدم إعجاب).
  ٣. تقييم مدى القدرة على الإقناع (مقياس ليكرت مكون من ٧ نقاط).
• توليد المواد التحفيزية:
  • النماذج اللغوية الكبيرة (LLM): جرى توليد جميع منشورات النموذج اللغوي الكبير باستخدام GPT-4.5-preview.
  • الدراسة الأولى (الكتاب البشريون): كتب المنشورات ١٦ طالباً من مرحلتي الدراسات العليا والدراسات العليا بمهارات أكاديمية في العلوم السلوكية.
  • الدراسة الثانية (الكتاب البشريون): لاختبار قابلية التعميم وتحسين أداء الخط الأساسي للبشر، قام ١٦٤ شخصاً أمريكياً عادياً (من مستخدمي Prolific) بكتابة المنشورات. وقد تم تحفيزهم (مكافأة بقيمة ١٠ دولارات لأفضل ١٠ كتاب) للكتابة لمجموعتهم الديموغرافية الخاصة، مما خلق حالة "الاستهداف الذاتي".
• منطق التخصيص:
  • المخصص: مصمم خصيصاً للمجموعة الحقيقية للمشارك (العمر، الجنس، الأيديولوجيا السياسية، التدين).
  • المخصص زيفاً: مصمم ليناسب مجموعة مغايرة (مثلاً: مشارك متدين يستلم رسالة موجهة لشخصية غير متدينة).
  • العام: لا يوجد فيه أي تخصيص ديموغرافي.

التحليل:

• استخدمت نماذج التأثيرات المختلطة الخطية (LMM) مع آثار ثابتة لكل من مصدر المحتوى والتخصيص وتفاعلهما.
• تم تضمين التقاطعات العشوائية للمشاركين والجمعيات الخيرية لمعالجة تبعية البيانات.
• متغيرات التبعية: مبلغ التبرع (% من المكافأة)، التفاعل مع المنشور، والقدرة المدركة على الإقناع.

٣. النتائج الرئيسية

أ. تأثير مصدر المحتوى (النموذج اللغوي الكبير مقابل البشر)

في كلتا الدراستين، تفوق المحتوى المولد بواسطة النماذج اللغوية الكبيرة بشكل كبير على المحتوى الذي ألفه البشر في جميع المعايير:

• مبلغ التبرع: تبرع المشاركون بنسبة أعلى من مكافأتهم للمنشورات التي ولدها النموذج اللغوي الكبير ($M \approx 13-14\%$) مقارنة بالمنشورات البشرية ($M \approx 10-13\%$).
• التفاعل: حصلت منشورات النماذج اللغوية الكبيرة على عدد أكبر من "الإعجابات" وعدد أقل من "عدم الإعجاب".
• القدرة على الإقناع: صُنفت منشورات النماذج اللغوية الكبيرة بأنها أكثر إقناعاً وجذباً.
• ملاحظة: ظل هذا التفوق قائماً حتى في الدراسة الثانية، حيث تم تحفيز الكتاب البشر وكتابوا لمجموعاتهم الديموغرافية الخاصة.

ب. تأثيرات التخصيص

• الدراسة الأولى: لم يؤدِ التخصيص إلى زيادة كبيرة في التبرعات مقارنة بالرسائل العامة. ومع ذلك، أدت الرسائل المخصصة زيفاً إلى انخفاض كبير في التبرعات والتفاعل مقارنة بكل من الرسائل العامة والمخصصة.
• الدراسة الثانية: حقق التخصيص الحقيقي تفوقاً كبيراً على كل من الرسائل العامة والمخصصة زيفاً فيما يتعلق بتوليد التبرعات.
  • التفاعل: كان "جزاء" التخصيص الزائف ثابتاً. في الدراسة الثانية، ولّدت المناشدات المخصصة أعلى نسبة تبرعات ($13.7\%$)، تلتها الرسائل العامة ($11.1\%$) ثم المخصصة زيفاً ($11.0\%$).
• حساسية النماذج اللغوية الكبيرة: كان المحتوى المولد بواسطة هذه النماذج حساساً للغاية تجاه التخصيص الزائف؛ إذ صُنفت الرسائل المتباينة (غير المتوافقة) للنماذج اللغوية الكبيرة بأنها أقل إقناعاً بشكل ملحوظ من الرسائل العامة لنفس النماذج.

ج. تأثيرات التفاعل

• لم يكن هناك عموماً أي تفاعل جوهري بين مصدر المحتوى والتخصيص فيما يتعلق بمبالغ التبرع، مما يشير إلى أن النماذج اللغوية الكبيرة تتفوق على البشر بغض النظر عن مستوى التخصيص.
• ومع ذلك، لوحظت تفاعلات بالنسبة للتفاعل والقدرة على الإقناع، حيث حافظت النماذج اللغوية الكبيرة على أداء عالٍ في الظروف العامة والمخصصة ولكنها تعرضت لانخفاض حاد عند استخدام التخصيص المزيف.

٤. المساهمات الرئيسية

١. أول دليل تجريبي على تفوق النماذج اللغوية الكبيرة في السلوك الاجتماعي الإيجابي: تعد هذه أول دراسة تثبت أن النماذج اللغوية الكبيرة يمكنها التفوق على البشر في استثارة سلوك اجتماعي إيجابي مكلف (تبرعات مالية)، وهو ما يتحدى الافتراض بأن التعاطف البشري مطلوب لفعالية حملات جمع التبرعات.
٢. رؤية دقيقة للتخصيص: توضح الدراسة أن التخصيص الدقيق يمكن أن يعزز النتائج الاجتماعية الإيجابية (خاصة عندما يفهم الكتّاب الجمهور المستهدف)، ولكن التخصيص الزائف ضار جداً. فهو يعمل كـ "جزاء للثقة"، مما يقلل الفعالية إلى ما دون المستويات العامة.
٣. متانة النتائج: ظلت النتائج قائمة عبر مجموعات متنوعة من الكتاب البشر (خبراء أكاديميين مقابل أشخاص عاديين محفزين)، مما يوحي بأن ميزة النماذج اللغوية الكبيرة قوية وليست مجرد نتيجة لجودة الكتابة البشرية.
٤. استكشاف الآليات: يقترح المؤلفون أن النماذج اللغية قد تتفوق بسبب:
* الطلاقة النحوية الأعلى والصقل الأسلوبي (مما يزيد من المصداقية المدركة).
* الوصول إلى ذخائر هائلة من الأنماط الإقناعية والاستراتيجيات البلاغية.
* الاستخدام الفعال للدلالات الأخلاقية والعاطفية المثيرة.

٥. الأهمية والآثار المترتبة

• للتمويل الموسسي والمنظمات غير الحكومية: تمثل النماذج اللغوية الكبيرة أداة عالية الكفاءة وقابلة للتوسع لتوليد مناشدات التبرع. يجب على المؤسسات منح الأولوية لـ دقة البيانات في عملية التخصيص؛ فإذا كانت موثوقية البيانات منخفضة، تكون المناشدات العامة أكثر أماناً من المخاطرة بالتخصيص غير المتوافق.
• لأخلاقيات وسلامة الذكاء الاصطناعي: بينما يركز معظم البحث على مخاطر المعلومات المضللة، تسلط هذه الورقة الضوء على حالة استخدام "إيجابية". ومع ذلك، فهي تحذر أيضاً من أن القدرة على توليد محتوى مقنع وعالي الرنين العاطفي بهذا النطاق الواسع قد يُساء استخدامها إذا لم يتم تنظيمها.
• للأبحاث المستقبلية:
  • الإفصاح: لم تكشف الدراسة عن هوية مؤلف النص (هل هو ذكاء اصطناعي أم بشر). يجب أن تبحث الأعمال المستقبلية فيما إذا كان "تفوق النموذج اللغوي الكبير" سيختفي عندما يعرف المستخدمون أنه محتوى مولد بالذكاء الاصطناعي (تأثير الإفصاح عن الذكاء الاصطناعي).
  • قابلية التعميم الثقافي: تعتمد النماذج اللغية الكبيرة حالياً بشكل كثيف على بيانات غربية (WEIRD). قد لا تنتقل تفوقها الإقناعي إلى الثقافات غير الغربية أو اللغات ذات التغطية البيانية الأقل.
  • السياقات التفاعلية: يجب أن تدرس الدراسات المستقبلية الإقناع الناتج عن النماذج اللغية الكبيرة في الحوارات ثنائية الاتجاه والتفاعلية بدلاً من المنشورات الثابتة أحادية الجانب.

الخلاصة: تخلص الورقة إلى أن النماذج اللغية الكبيرة تتفوق حالياً على البشر في إنشاء مناشدات تبرع مقنعة، شريطة تنفيذ التخصيص بدقة. ويؤدي التخصيص الزائف إلى تقويض هذه الميزة، مما يشير إلى أن سلامة البيانات هي العقبة الحرجة أمام توسيع نطاق التدخلات الاجتماعية الإيجابية المدفوعة بالذكاء الاصطناعي.