PALMs: Using Multi Construct-Grounded Rationales for Modeling Population Preferences in LLMs
تقدم هذه الورقة نماذج لغوية متوافقة مع السكان (PALMs)، وهي مجموعة من النماذج المتوافقة مع مجموعات سكانية وطنية محددة عبر الاستفادة من مسوغات قائمة على مفاهيم متعددة لضبط التفضيلات، والتي تتفوق بشكل كبير على النماذج المرجعية الحالية في محاكة القيم الثقافية والمعتقدات والاستدلال الاجتماعي المتنوع دون الحاجة إلى إشراف خاص بالمهام.
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 تعليم روبوت كيف يفهم البشر. في الوقت الحالي، معظم الروبوتات تشبه طهاة عامين تذوقوا القليل من كل شيء، لكنهم لا يعرفون حقاً كيفية طهي وجبة مفضلة لعائلة معينة. قد يعرفون ما هو "الطعام"، لكنهم لا يستوعبون تماماً لماذا قد تفضل جدة في إيطاليا طبق "الراغو" المطهو ببطء، بينما قد يتوق مراهق في البرازيل إلى طبق "الفيجوادا" الحار. هذا هو عالم النماذج اللغوية الكبيرة (LLMs) — وهي برامج حاسوبية ذكية للغاية يمكنها الكتابة والدردشة وحل المشكلات. لكن الجزء الصعب هنا هو أن هذه الروبوتات غالباً ما تتصرف وكأنها شخص واحد متوسط. إنها تغفل عن القواعد غير المرئية والعميقة التي تجعل مجموعات مختلفة من الناس تفكر وتشعر بشكل مختلف.
ولإصلاح ذلك، يبحث العلماء في "التفضيلات" — ما يحبه الناس، وما يؤمنون به، وما يقدرونه. هم يعلمون أن خياراتنا ليست عشوائية فحسب؛ بل تشكلها شخصياتنا (هل نحن مغامرون أم حذرون؟)، وثقافتنا (هل نثمن الجماعة أم الفرد؟)، وبوصلتنا الأخلاقية (ما الذي يبدو عادلاً أو صواباً؟). السؤال الكبير الذي يطرحه الباحثون هو: كيف نعلم الروبوت أن يتوقف عن التصرف كـ "إنسان متوسط" عام، ويبدأ في التصرف كشخص محدد من مكان محدد، بكل سماته الفريدة وخلفيته الثقافية؟ إذا استطعنا فعل ذلك، فستكون هذه الروبوتات أفضل بكثير في مساعدتنا، وفهمنا، وحتى محاكاة كيفية تفاعل الناس الحقيقيين مع الأفكار الجديدة.
وهنا يأتي فريق جديد من الباحثين بحل ذكي يسمى PALMs (نماذج اللغة المتوافقة مع السكان). فكر في الروبوت القياسي كطالب يحاول حفظ إجابات الاختبار بمجرد النظر إلى الدرجة النهائية؛ قد يحصل على الإجابة الصحيحة، لكنه لا يفهم حقاً لماذا هي صحيحة. أدرك الباحثون وراء نماذج PALMs أنه لكي يفهم الروبوت سكاناً ما حقاً، فإنه يحتاج إلى تعلم "الخلطة السرية" وراء الإجابات. لم يكتفوا بتغذية الروبوت ببيانات حول ما قاله الناس؛ بل علموه كتابة "مذكرات استنتاجية" قبل إعطاء الإجابة.
إليكم كيف فعلوا ذلك: لقد أنشأوا خمس نسخ خاصة من الروبوت، واحدة لكل بلد من خمسة دول: الولايات المتحدة الأمريكية، الهند، البرازيل، فرنسا، وإيطاليا. ولكن بدلاً من مجرد قول "أنت أمريكي" للروبوت، أعطوه مجموعة أدوات أعمق بكثير. لقد علموا الروبوت التفكير باستخدام خمس عدسات محددة، مثل نظارات خاصة تغير الرؤية:
- الشخصية: هل الشخص منفتح على الأفكار الجديدة أم يحب الروتين؟
- الثقافة: هل يثمن الاستقلالية أم التكاتف كمجموعة؟
- القيم: ما الذي يحركهم؟ هل هي الحرية، أم الأمان، أم مساعدة الآخرين؟
- المعتقدات العالمية: هل يرون العالم مكاناً آمناً ومثيراً أم مكاناً خطيراً وفوضوياً؟
- الأخلاق: ما الذي يعتبرونه عادلاً أو مقدساً؟
تم تدريب الروبوت على كتابة قصة قصيرة باستخدام هذه العدسات الخمس لشرح لماذا قد يختار شخص من ذلك البلد إجابة معينة. على سبيل المثال، إذا كان شخص برازيلي يفضل نوعاً معيناً من الموسيقى، فإن الروبوت لا يكتفي بالقول "هو يحبها"، بل يكتب ملاحظة صغيرة تقول: "لأن هذا الشخص يثمن المجتمع والمتعة الحسية (الثقافة والقيم)، ويرى العالم كمكان مليء بالفرص الممتعة (المعتقدات العالمية)، فإن هذه الموسيقى تبدو مناسبة له". لقد مارس الروبوت ذلك مراراً وتكراراً، متعلمًا كيفية إخفاء هذه "الملاحظات الاستنتاجية" داخل عقله حتى يتمكن من استخدامها تلقائياً لاحقاً.
كانت النتائج جيدة بشكل مفاجئ. فعندما اختبر الباحثون هذه الروبوتات الجديدة، وجدوا أن نماذج PALMs كانت أفضل بكثير في فهم الناس من الروبوتات العامة القديمة. في الواقع، عبر جميع الدول الخمس، حسنت النماذج الجديدة دقتها بمتوسط قدره 8.59% مقارنة بأفضل الطرق السابقة. وهذا يشير إلى أن ترسيخ تعلم الروبوت في النظريات النفسية والثقافية العميقة يعمل بشكل أفضل بكثير من مجرد عرض بيانات سطحية أو تسميات ديموغرافية بسيطة مثل "العمر" أو "الجنس".
كما تحقق البحث مما إذا كان بإمكان هذه الروبوتات القيام بأمور أخرى، مثل العمل كـ "نموذج مكافأة شخصي" (تحديد ما قد يعجب شخصاً معيناً) أو محاكاة كيفية استجابة مجموعة ما لسياسة جديدة. وفي هذه الاختبارات، تفوقت نماذج PALMs مرة أخرى على المنافسين، حيث أظهرت تحسناً بنسبة 5.19% في المكافآت الشخصية و6.34% في محاكاة السكان. وحتى عندما طُلب منها حل ألغاز اجتماعية حول المشاعر والنوايا البشرية (وهي مهمة تسمى Social IQA)، فقد تحسنت الروبوتات، حيث وصلت دقتها إلى 80.23%.
ومع ذلك، فإن الباحثين حذرون من أن هذا ليس حلاً سحرياً لكل شيء. فقد وجدوا أن مجرد تغذية الروبوت بمزيد من بيانات الاستطلاع دون نهج "مذكرات الاستنتاج" جعل الأمور أسوأ في بعض الحالات، مما تسبب في فقدان الروبوت لقدرته على رؤية وجهات نظر مختلفة. كما اعترفوا بأن معاملة دولة كاملة ككتلة واحدة هي تبسيط للأمر؛ فداخل كل بلد، توجد مناطق وثقافات مختلفة لا يستوعبها نموذجهم بالكامل بعد. لكن الرسالة الأساسية واضحة: إذا كنت تريد لروبوت أن يفهم مجموعة من الناس حقاً، فعليك تعليمه كيف يفكر مثلهم، وليس فقط كيف يتحدث مثلهم. فمن خلال منح الروبوت طريقة مهيكلة للاستنتاج من خلال الشخصية والثقافة، نحصل على صورة أوضح للعالم البشري المتنوع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.