How Does Thinking Mode Change LLM Moral Judgments? A Controlled Instant-vs-Thinking Comparison Across Five Frontier Models

ملخص تقني: كيف يغير "وضع التفكير" الأحكام الأخلاقية للنماذج اللغوية الكبيرة (LLMs)؟

بيان المشكلة
مع تزايد نشر النماذج اللغوية الكبيرة (LLMs) المدربة على الاستنتاج في المجالات الأخلاقية عالية الخطورة (مثل فرز الحالات الطبية، تلخيص السياسات، وتعديل المحتوى)، قدم مزودو هذه النماذج "أوضاع تفكير" تخصص موارد حوسبة إضافية أثناء الاستدلال لتعزيز عملية الاستنتاج. وبينما أثبتت الأبحاث السابقة أن النماذج المختلفة تشفر تفضيلات أخلاقية متباينة، لا تزال هناك فجوة حرجة: هل يؤدي تمكين الاستنتاج الصريح إلى تغيير التفضيلات الأخلاقية داخل نفس نسخة النموذج (checkpoint)؟ وعلاوة على ذلك، هل يعد "وضع التفكير" مفهوماً متماثلاً عبر مختلف المزودين، بالنظر إلى اختلاف تطبيقات واجهة برمجة التطبيقات (API) والميزانيات الحوسبية لديهم؟

المنهجية
أجرى المؤلفون مقارنة مضبوطة لنفس نسخة النموذج عبر خمس عائلات من النماذج الرائدة: Claude Sonnet 4.6، وGPT-5.5، وGemini 3 Flash، وDeepSeek-V3.1، وQwen3.5-397B.

• التصميم التجريبي: تم تثبيت أوزان النماذج لكل عائلة من عائلات النماذج. وكان المتغير الوحيد هو معامل وضع الاستنتاج القياسي الخاص بالمزود (على سبيل المثال، تبديل reasoning.enabled من False إلى True أو ضبط reasoning.effort). هذا يعزل تأثير آلية الاستنتاج عن أي تغيير في بنية النموذج أو بيانات التدريب.
• المعيار المرجعي (Benchmark): تم إنشاء معيار مرجعي للاستدلال الأخلاقي يتكون من 100 سيناريو، يغطي خمس فئات:
  1. معضلات العربة (Trolley Problems) (15 سيناريو).
  2. نظرية الأسس الأخلاقية (25 سيناريو عبر خمس أسس).
  3. اتساق إعادة الصياغة (20 سيناريو لاختبار متانة الصيغة السطحية).
  4. الحساسية الديموغرافية (30 سيناريو تختلف فيها الديموغرافيا مثل العرق، الجنس، والجنسية).
  5. المعضلات المعاصرة (10 سيناريوهات حول سلامة الذكاء الاصطناعي، وأخلاقيات البيولوجيا، إلخ).
• الاستنباط: طُلب من النماذج تقديم حكم ثنائي، وتقييم للثقة، وتسمية ذاتية لإطار أخلاقي (من مجموعة ثابتة مكونة من ستة أطر)، وأثر استدلال (reasoning trace). تم أخذ ثلاث استجابات لكل تهيئة لكل سيناريو ($N=3$).
• المقاييس: درست الدراسة الاتساق عبر النماذج (معامل كريبندورف $\alpha$)، واتساق إعادة الصياغة، وعدم الاتساق في الأحكام الديموغرافية، ومعدل تقلب الأحكام مقابل تحول الأطر بين الوضع الفوري ووضع التفكير.

المساهمات الرئيسية

1. مقارنة مضبوطة بين الوضع الفوري ووضع التفكير: توفر الدراسة أول تقييم منهجي لآثار الاستنتاج داخل نفس النسخة عبر خمس عائلات متنوعة من النماذج، مما يزيل الارتباك الناتج عن القدرات المرتبطة بمقارنة إصدارات مختلفة من النماذج.
2. المعيار المرجعي والمسار البرمجي: أصدر المؤلفون مساراً برمجياً مفتوح المصدر وقابلاً لإعادة الإنتاج، والمعيار المرجعي المكون من 100 سيناريو، و2,963 استجابة خام (بما في ذلك آثار الاستدال المكشوفة من المزود) للتحليل المستقبلي.
3. النتائج التجريبية لآثار الاستنتاج: تحدد الورقة البحثية كمياً كيف يؤثر الاستنتاج على الأحكام الأخلاقية، وتحديداً فيما يتعلق باستقرار الحكم، والتسمية الذاتية للإطار، والاتساق الديموغرافي.

النتائج

• الاتساق الإجمالي: لم يؤدِ تمكين وضع التفكير إلى تغيير كبير في الاتساق الإجمالي عبر النماذج فيما يتعلق بالأحكام الأخلاقية الثنائية. ظل معامل كريبندورف $\alpha$ غير مختلف إحصائياً بين الوضع الفوري ($0.781$) ووضع التفكير ($0.789$).
• الحالات السهلة مقابل الصعبة (التصنيف الطبقي):
  • الحالات السهلة: في 79 سيناريو اتفقت فيها النماذج مبدئياً (في الوضع الفوري)، ظل الاتساق مرتفعاً، رغم أن الاستنتاج أدى إلى خلاف طفيف في أربع حالات (مما قلل $\alpha$ من $1.00$إلى$0.95$).
  • الحالات الصعبة: في 21 سيناريو من السيناريوهات "المتنازع عليها بين النماذج" (حيث كان الاتساق في الوضع الفوري قريباً من الصدفة، $\alpha \approx 0.08$)، أدى الاستنتاج اتجاهياً إلى تضييق فجوة الخلاف بين النماذج. ارتفع متوسط الاتساق الزوجي من $5.4/10$ إلى $6.7/10$. ومع ذلك، يشير المؤلفون إلى أن هذا التحسن مجرد مؤشر؛ إذ إن فاصل الثقة 95% لعملية الـ bootstrap المزدوجة للتغير في $\alpha$ ($[-0.05, 0.36]$) يتضمن الصفر، والنتيجة لا تصمد أمام تصحيح المقارنات المتعددة.
• الأحكام مقابل الأطر: غيّر الاستنتاج الإطار الأخلاقي المسمى ذاتياً بشكل أكثر تكراراً من تغيير الحكم الثنائي. عبر جميع النماذج، تجاوز معدل تحول الإطار (9–19%) معدل تقلب الحكم (1–9%). على سبيل المثال، أظهر DeepSeek-V3.1 معدل تقلب في الحكم بنسبة 8% مقابل معدل تحول في الإطار بنسبة 19%.
• الاتساق الديموغرافي: قلل الاستنتاج من عدم الاتساق في الأحكام الديموغرافية (التباين في الأحكام بناءً على الإشارات الديموغرافية) في ثلاثة من أصل خمسة نماذج (DeepSeek، وGPT-5.5، وQwen). ولم يؤدِ إلى زيادة عدم الاتساق في أي نموذج.
• متانة إعادة الصياغة: أظهرت جميع النماذج متانة عالية تجاه إعادة الصياغة (معدلات اتساق تتراوح بين 0.90 و1.00)، مما يناقض الفرضية القائلة بأن تغيرات الصيغة السطحية ستؤدي إلى تقلبات غير جوهرية في الأحكام في النماذج المدربة على الاستنتاج.
• تنبيه حول صلاحية البناء: تسلط الدراسة الضوء على محدودية كبيرة: "التفكير الخفيف" ليس متماثلاً حوسبياً عبر المزودين. تراوح متوسط عدد التوكنات (tokens) المستهلكة في الاستنتاج لكل استدعاء من 33 توكن (Claude) إلى 2,639 توكن (Qwen3.5)، وهو انتشار يصل إلى 80 ضعفاً. وبناءً على ذلك، فإن المقارنات بين العائلات تخلط بين "تمكين الاستنتاج" وبين "كمية الاستنتاج المستهلكة".

الأهمية والادعاءات
تدعي الورقة البحثية بتواضع أن تمكين وضع الاستنتاج لا يغير جوهرياً الأحكام الأخلاقية الإجمالية ولكنه يحسن اتجاهياً الاتساق في السيناريوهات الصعبة والمثيرة للجدل حيث تتباين النماذج في الوضع الفوري. كما تؤكد أن الاستنتاج يعمل كعامل تصحيح لعدم الاتساق الديموغرافي في عدة نماذج دون زيادة التحيز.

ويؤكد المؤلفون أنه بينما يؤدي الاستنتاج غالباً إلى قيام النماذج بإعادة تسمية مبرراتها الأخلاقية (تحول الأطر)، إلا أنه نادراً ما يقلب القرار الثنائي النهائي. وتخلص الدراسة إلى أن "وضع التفكير" هو مفهوم خاص بكل مزود بمدى عمق حوسبي متفاوت، وبينما يوفر فوائد للاتساق في الحالات الصعبة والحساسية الديموغرافية، فإنه ليس حلاً موحداً للمواءمة الأخلاقية. وتشير النتائج إلى أنه بالنسبة للتطبيقات الحساسة للعدالة، فإن تمكين وضع الاستنتاج يعد خياراً دفاعياً، ولكن لا ينبغي التعامل مع الأطر المسماة ذاتياً كإشارات موثوقة للمنطق الأخلاقي الكامن للنموذج دون تحقق مستقل من آثار الاستدلال.