FriendBench: Benchmarking Dyadic Familiarity Inference in Humans and Multimodal Large Language Models
تقدم الورقة البحثية "FriendBench"، وهو معيار لقياس مدى القدرة على استنتاج الألفة الثنائية من مقاطع فيديو لكسر الجليد مدتها 20 ثانية، والتي كشفت أنه في حين تضاهي النماذج متعددة الوسائط الرائدة دقة البشر، إلا أنها تعتمد على إشارات مختلفة وتظهر انحيازاً لتصنيف الأزواج كغرباء، بينما يستفيد البشر بشكل فريد من الإشارات السلوكية المرئية التي تتجاوز الكلام.
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 تدخل غرفة يتحدث فيها شخصان. لا تعرف اسميهما، ولم تسمع ما يقولانه بعد. ومع ذلك، يمكنك في كثير من الأحيان، وفي غضون ثوانٍ، أن تدرك ما إذا كانا صديقين مقربين يتبادلان أطراف الحديث، أم غريبين يحاولان كسر الجمود بارتباك. هذه القدرة الخارقة تسمى الذكاء الاجتماعي. إنها القدرة على قراءة "جو" الموقف من خلال مراقبة كيفية تحرك الناس، وتوقفهم، ونظراتهم لبعضهم البعض، بدلاً من مجرد الاستماع إلى كلماتهم. لعقود من الزمن، درس العلماء كيف نفعل ذلك كبشر، ولكننا الآن نطرح سؤالاً كبيراً: هل تستطيع الحواسيب فعل ذلك أيضاً؟ فبينما نبدأ في بناء رفقاء آليين، ومساعدين للاجتماعات، وروبوتات للرعاية، تحتاج هذه الآلات إلى فهم العلاقات الإنسانية تماماً كما نفعل نحن. ولكن لتعليمهم، نحتاج أولاً إلى اختبار عادل لنرى ما إذا كانوا "يقرؤون" الغرفة حقاً أم أنهم مجرد يخمنون.
إليك FriendBench، وهي تجربة جديدة صُممت لاختبار هذا الأمر تحديداً. وضع الباحثون تحدياً رقمياً لـ "كسر الجمود". لقد أخذوا 96 زوجاً من الأشخاص وسجلوا مقاطع فيديو مدتها 20 ثانية وهم يجيبون على نفس السؤال السخيف: "هل تفضل أن تطير أم أن تكون غير مرئي؟". بعض الأزواج كانوا بالفعل أصدقاء أو عائلة (مألوفون)، بينما كان آخرون يلتقون للمرة الأولى (غرباء). ولأن الجميع أجابوا على نفس السؤال، فإن الكلمات التي استخدموها لم تكشف الإجابة؛ كانت القرائن الوحيدة تكمكمن في كيفية حديثهم وتصرفهم.
بعد ذلك، طلب الباحثون من مجموعتين حل اللغز: حشد كبير من المتطوعين البشر و26 نموذجاً مختلفاً من الذكاء الاصطناعي من سبع شركات تقنية كبرى. اختبروا الذكاء الاصطناعي والبشر بثلاث طرق: عن طريق قراءة النص المكتوب فقط، والاستماع إلى الصوت، ومشاهدة الفيديو.
إليكم ما وجدوه. أولاً، كانت نسخة النص فقط طريقاً مسدودأً للجميع. فبدون رؤية الناس أو سماعهم، لم يستطع البشر ولا الذكاء الاصطناعي القيام بأفضل من التخمين العشوائي. وهذا منطقي لأن موضوع المحادثة تم التحكم فيه لإخفاء طبيعة العلاقة.
وعندما أضافوا الصوت، تحسن الأمر. تحسن كل من البشر وأفضل نماذج الذكاء الاصطناعي، مما أظهر أن نبرة الصوت والوقفات تحمل قرائن حقيقية. لكن السحر الحقيقي حدث عندما أضافوا الفيديو. أصبح البشر أكثر ذكاءً بشكل ملحوظ عندما استطاعوا رؤية وجوه الأشخاص ولغة جسدهم، حيث استخدموا تلك الإشارات البصرية لتعزيز دقة ملاحظتهم بشكل أكبر. أما نماذج الذكاء الاصطناعي، فقد اصطدمت بحائط مسدود. فبينما وصلت أفضل نماذج الذكاء الاصطناعي إلى نفس دقة الحشد البشري في مقاطع الفيديو، إلا أنها لم تصل إلى ذلك بالطريقة نفسها.
لم "يرَ" الذكاء الاصطناعي الصداقة بالطريقة التي يفعلها البشر، بل اعتمدوا بشدة على نمط معين: كانوا يخمنون أنهم "غرباء" في معظم الأوقات. ولأن هناك أعداداً متساوية من الأصدقاء والغرباء في الاختبار، فإن هذا الانحياز حافظ بالصدفة على ارتفاع درجاتهم الإجمالية، لكنه يعني أنهم كانوا يفشلون في اكتشاف الأصدقاء. في المقابل، ظل البشر متوازنين، حيث حددوا بدقة كلاً من الأصدقاء والغرباء.
باختصار، يمكن لأفضل نماذج الذكاء الاصطناعي الآن مطابقة الدقة البشرية في هذه المهمة، لكنها تفعل ذلك بالاعتماد على استراتيجية تفترض أن الجميع غرباء، بدلاً من الفهم الحقيقي لرقصة التواصل الاجتماعي. إنهم يسمعون الصوت، لكنهم لا يستطيعون "قراءة" لغة الجسد تماماً بعد. وهذا يشير إلى أنه بينما يصبح الذكاء الاصطناعي جيداً في المهام الاجتماعية، إلا أنه لا يزال أمامه طريق طويل قبل أن يتمكن حقاً من فهم العلاقات الإنسانية كما نفعل نحن.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.