Before You Poll with LLMs: A Deliberative Diagnostic Framework
تقدم هذه الورقة "إطار تشخيص الاستطلاع التداولي" لتكشف أن النماذج اللغوية الكبيرة الرائدة الحالية تفشل في محاكاة تحديث المعتقدات لدى البشر أثناء التداول، حيث تُظهر بدلاً من ذلك تشوهات فريدة خاصة بالهوية مثل عكس الآراء، أو التجاوز، أو الجمود، مدفوعة بظاهرة تسمى "تملق الذات المميز".
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 عالماً لا تعود فيه الحكومات والشركات والباحثون بحاجة إلى قضاء شهور وإنفاق ملايين الدولارات في استطلاع آراء البشر الحقيقيين لفهم الرأي العام. بدلاً من ذلك، يمكنهم أن يطلبوا من برنامج حاسوبي محاكاة آلاف المواطنين المختلفين، وعرض تلك الشخصيات الرقمية على حجج جديدة، ومراقبة كيف تتغير عقولهم. هذه الممارسة، المعروفة باسم "أخذ العينات السيليكونية"، نمت بسرعة لأنها سريعة ورخيصة وقابلة للتوسع. والأمل هو أن هذه الوكلاء الاصطناعيين يمكنهم محاكاة التفكير البشري بشكل جيد بما يكفي للتنبؤ بكيفية تفاعل الناس الحقيقيين مع المعلومات الجديدة. ومع ذلك، يظل هناك سؤال جوهري لم يُجب عليه: هل تفكر هذه البرامج الحاسوبية وتحدث معتقداتها مثل البشر حقاً، أم أنها مجرد تسترجع آراءً مكتوبة مسبقاً من مكتبة ضخمة من البيانات؟ إذا كان الأخير صحيحاً، فإن استخدامها لاختبار كيف يمكن للناس تغيير آرائهم قد يؤدي إلى استنتاجات خاطئة بشكل خطير.
لقد وضع باحثون في جامعة لاهور للإدارة مهمة الإجابة على هذا السؤال من خلال ابتكار طريقة جديدة لاختبار الذكاء الاصطناعي. لقد ركزوا على سلوك بشري محدد يسمى "المداولة"، وهي عملية تغيير الرأي بعد سماع حجج متوازنة. في العالم الحقيقي، عندما يستمع الناس من الأطراف السياسية المتعارضة إلى معلومات منصفة عن بعضهم البعض، فإنهم يميلون إلى أن يصبحوا أقل عدائية وأكثر انفتاحاً. أراد الباحثون معرفة ما إذا كانت النماذج الحاسوبية يمكنها تكرار هذا التحول المحدد. لقد أخذوا بيانات من حدث واقعي شهير يسمى "أمريكا في غرفة واحدة"، حيث جُمع 526 ناخباً حقيقياً لمناقشة السياسة، واستخدموا ذلك كخط أساس. ثم طلبوا من خمسة من أكثر النماذج الحاسوبية تقدماً المتاحة محاكاة هؤلاء الناخبين أنفسهم، مع إعطائهم نفس المعلومات تماماً وطرح نفس الأسئلة قبل وبعد الإحاطة.
كشفت النتائج عن حقيقة مذهلة: لم يتصرف أي من النماذج الحاسوبية مثل البشر الحقيقيين. فبدلاً من تحديث معتقداتهم بطريقة واقعية، فشل كل نموذج منها، بل وفشل كل واحد بطريقته الفريدة والغريبة. أحد أكثر النماذج قوة، وهو GPT-5.1، فعل عكس ما يفعله البشر تماماً. فعندما عُرضت عليه معلومات متوازنة حول الحزب السياسي المعارض، أصبح الناخبون الحقيقيون أكثر ودية وأقل عدائية، أما الشخصيات الحاسوبية، فقد أصبحت أكثر عدائية بشكل ملحوظ، كما لو أن المعلومات الجديدة جعلتهم أكثر غضباً. هذه هي الظاهرة التي يسميها الباحثون "الانعكاس"، حيث يتحرك النموذج في الاتجاه الخاطئ تماماً.
أما النماذج الأخرى فلم تعكس اتجاهها، بل ذهبت بعيداً جداً. فالنماذج مثل Gemini وClaude وLlama تحركت بالفعل في الاتجاه الصحيح، حيث أصبحت أقل عدائية بعد سماع الحجج، لكنها غيرت آراءها بمعدل خمس إلى سبع مرات أكثر مما يفعل البشر. بدا الأمر وكأنها متحمسة للغاية للاقتناع، حيث تتأرجح آراؤها بجنون مع أدنى دفعة. أما نموذج رابع، وهو DeepSeek، فقد رفض التغيير تماماً، ولم يظهر أي تحول في الرأي بغض النظر عن المعلومات المقدمة. هذا الجمود يعني أنه تصرف كما لو أن الحجج الجديدة لم يكن لها أي تأثير على الإطلاق.
تعمق الباحثون لفهم سبب حدوث هذه الإخفاقات. واكتشفوا أن المشكلات لم تكن عشوائية؛ بل كانت تُحفز تحديداً بالأسئلة المتعلقة بالهوية السياسية. فعندما كانت النماذج تُسأل عن تفاصيل السياسات، كانت تؤدي بشكل جيد معقول. ولكن عندما مست الأسئلة كيفية رؤية حزب ما للطرف الآخر، انهارت النماذج. بدت الشخصيات الحاسوبية وكأنها تمثل "نمطاً نمطياً" بدلاً من التفكير في الحقائق الجديدة. أطلق الباحثون على هذا السلوك اسم "التملق الذاتي" (self-sycophancy). وهو شكل من أشكال المداهنة حيث يوافق النموذج الفكرة الداخلية لما يجب أن يعتقده نوع معين من الأشخاص، بدلاً من الاستماع إلى المعلومات المقدمة. على سبيل المثال، إذا قيل للنموذج أن يتصرف كجمهوري، فإنه سيفترض أن الجمهوري يجب أن يكره الحزب المعارض، وسوف يتمسك بهذا الافتراض حتى عندما تشير الأدلة إلى خلاف ذلك.
هذا السلوك يختلف عن نوع التحيز الذي يحاول فيه الكمبيوتر إرضاء المستخدم البشري. هنا، الكمبيوتر يرضي نصه الداخلي الخاص. أظهرت الدراسة أن هذا الفشل كان انتقائياً ومتماثلاً؛ إذ كان نفس النموذج سيتصرف بعدائية تجاه الحزب المعارض ولكنه سيكون ودوداً بشكل مفرط تجاه حزبه، اعتماداً على السؤال. وهذا يشير إلى أن النماذج لا تحاكي عملية تفكير، بل تسترجع مواقف مخزنة ومسبقة التجهيز مرتبطة بالتسميات السياسية. اختبر الباحثون ذلك عبر تبديل التسميات السياسية في مطالباتهم (prompts) ووجدوا أن ردود فعل النماذج تغيرت فوراً، مما أكد أنها كانت تتفاعل مع التسمية وليس مع منطق الحجة.
إن تداعيات هذه النتائج كبيرة لأي شخص يعتمد على المحاكاة الحاسوبية لفهم المجتمع. فإذا عكس النموذج الاتجاه، فقد يقنع صانع القرار بأن النقاش العام سيجعل الناس أكثر غضباً، بينما في الواقع، سيجعلهم أكثر هدوءاً. وإذا تجاوز النموذج الحد، فقد يبالغ في تقدير قوة حملة تعليمية، مما يؤدي إلى هدر الموارد. وإذا كان النموذج جامداً، فقد يوحي بأن أي قدر من المعلومات لا يمكنه تغيير رأي الشخص، مما يقوض مفهوم النقاش العام برمته. ويخلص الباحثون إلى أنه قبل الوثوق بأي نموذج حاسوبي لمحاكاة كيفية تغيير الناس لآرائهم، يجب أولاً إجراء اختبار تشخيصي لمعرفة ما إذا كان النموذج يمكنه حقاً التفكير في المعلومات الجديدة أم أنه مجرد يردد الصور النمطية. فبدون هذا الفحص، يمكن لسرعة ونطاق "أخذ العينات السيليكونية" أن يجعلنا نعتقد أننا نفهم الطبيعة البشرية، بينما نحن في الواقع لا نرى سوى انعكاس مشوه لانحيازاتنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.