Disagreement Is Not Debiasing: Human–AI Views in Portfolio Decisions
تُبين هذه الورقة أنه في حين أن إضافة توقع ذكاء اصطناعي مستقل إلى تنبؤات المحللين البشريين تعمل على تحسين الدقة الاحتمالية من خلال صقل تقديرات عدم اليقين عبر التباين، إلا أنها تفشل في تصحيح الانحيازات المنهجية المشتركة أو تعزيز قرارات المحفظة القائمة على الأهداف دون المعايرة مقابل النتائج المحققة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في عالم الاستثمار عالي المخاطر، غالبًا ما يبدو اتخاذ القرار وكأنك تحاول إصابة هدف متحرك بينما تقف على منصة متأرجحة. يعتمد المستثمرون على التوقعات لتخمين مقدار المال الذي ستجنيه شركة ما، لكن هذه التخمينات نادرًا ما تكون مثالية. لعقود من الزمن، كان النهج المعياري هو الجمع بين آراء الخبراء البشريين وحسابات النماذج الحاسوبية، آملين أن تلغي أخطاء أحدهما أخطاء الآخر. هذه الفكرة، المعروفة باسم "الجمع بين التوقعات"، تشير إلى أنه إذا أخذت تنبؤين غير كاملين ودمجتهما، فإن النتيجة يجب أن تكون أكثر دقة من كل منهما بمفرده. ومع ذلك، يفترض هذا المنطق أن المصدرين يرتكبان نوعين مختلفين من الأخطاء. فإذا كان كل من البشر والآلة ينظران إلى نفس الوثائق ويتأثران بنفس المزاج المتفائل، فقد يرتكبان الخطأ نفسه تمامًا في نفس الوقت. وفي مثل هذه الحالة، فإن مجرد متوسط آرائهما لا يعالج المشكلة؛ بل يعزز الخطأ فحسب.
هذا الواقع يشكل خلفية لدراسة جديدة أجراها باحثون في كلية تان كاه كي التابعة لجامعة شيامن، الذين سعوا لاختبار ما إذا كان بإمكان نظام ذكاء اصطناعي تصحيح الانحيازات المنهجية للمحللين الماليين البشريين. ركز الباحثون على سوق الأسهم الصيني، وهو ساحة واسعة ونشطة تتبع فيها آلاف الشركات من قبل محللين محترفين. لقد جمعوا عقودًا من البيانات، حيث نظروا في توقعات الأرباح التي وضعها الخبراء البشريون وقارنوها بالتوقعات التي تم إنشاؤها بواسطة نموذج لغوي كبير، وهو نوع من الذكاء الاصطناعي المتقدم الذي يقرأ نفس التقارير الشركات ولكنه ممنوع تمامًا من رؤية توقعات المحللين نفسها. كان الهدف هو معرفة ما إذا كان بإمكان الذكاء الاصطناعي أن يعمل كرأي ثانٍ مستقل يقوم بتنقية الخطأ البشري، أو ما إذا كان المصدران منحازين ببساطة في نفس الاتجاه، مما يجعل اختلافهما عديم الفائدة في حل المشكلة الأساسية.
بدأت الدراسة بالإقرار بحقيقة معروفة: المحللون الماليون البشريون متفائلون بشكل مستمر للغاية. في البيانات التي تم فحصها، توقع هؤلاء الخبراء أرباحًا أعلى مما حدث بالفعل في حوالي ثلاثة أرباع الحالات. ثم قدم الباحثون الذكاء الاصطناعي، الذي تمت تغذيته بنفس البيانات المالية الخام، ولكن تم تصميمه ليكون مستقلًا معلوماتيًا، مما يعني أنه لا يمكنه التلصص على الإجماع البشري. قد يكون الافتراض الطبيعي هو أنه إذا اختلف الإنسان والذكاء الاصطناعي، فإن هذا الاختلاف يكشف عن انحياز الإنسان. فإذا قال الإنسان إن الشركة ستربح الكثير وقال الذكاء الاصطناعي أقل، فقد نفترض أن الإنسان مخطئ. ومع ذلك، وجد الباحثون أن هذا الحدس معيب. ولأن كلاً من البشر والذكاء الاصطناعي يقرآن نفس التقارير الأساسية، فقد تشاركا في نقطة عمياء مشتركة. لقد كان كلاهما منحازًا في نفس الاتجاه، ولكن بدرجات متفاوتة.
الاكتشاف الجوهري للورقة البحثية هو أن الخلاف بين مصدرين منحازين لا يصحح الانحياز تلقائيًا. فعندما يتشارك متنبئان في خطأ مشترك، فإن اختلافهما يخبرك فقط بمدى تباينهما عن بعضهما البعض، وليس أين تكمن الحقيقة فعليًا. ولإيجاد الحقيقة، تحتاج إلى النظر فيما حدث بالفعل في الماضي، وليس فقط في الفرق بين التخمينين الحاليين. بنى الباحثون نموذجًا متطورًا لاختبار ذلك؛ حيث قاموا أولاً بتعديل كل من التوقعات البشرية وتوقعات الذكاء الاصطناعي بناءً على البيانات التاريخية، مما علم النموذج أساسًا كيفية التعرف على التفاؤل المفرط المعتاد في كل مصدر وطرحه. وبمجرد إتمام عملية المعايرة هذه، قاموا بدمج الرؤيتين لمعرفة ما إذا كانت النتيجة أفضل من استخدام التوقع البشري وحده.
كانت النتائج دقيقة وتحدت الأمل في أن إضافة الذكاء الاصطناعي يحسن كل شيء ببساطة. فعلى مستوى دقة التنبؤ الصرفة، أدى الجمع بين التوقعات البشرية والمعايرة وتوقعات الذكاء الاصطناعي إلى تحسين الوصف الإحصائي لعدم اليقين. أصبح النموذج أفضل في وصف نطاق النتائج المحتملة، ويرجع ذلك إلى حد كبير إلى أن الخلاف بين المصدرين ساعد النموذج على فهم متى يجب أن يكون أكثر حذرًا. عندما اختلف الإنسان والذكاء الاصطناعي، فسر النموذج ذلك بشكل صحيح على أنه علامة على عدم اليقين ووسع هوامش الأمان الخاصة به. وقد حسن هذا من الدقة الاحتمالية للتوقع، مما جعله أداة أفضل لفهم المخاطر.
ومع ذلك، عندما اختبر الباحثون ما إذا كان هذا التوقع المحسن سيؤدي إلى قرارات استثمارية أفضل، تغيرت القصة. لقد قاموا بمحاكاة استراتيجية محفظة تتطلب هدفًا محددًا ومطلقًا للعوائد. في هذا السيناريو، لم توفر إضافة توقع الذكاء الاصطناعي أي فائدة ملموسة مقارنة باستخدام التوقع البشري المعاير وحده. والسبب يكمن في طبيعة الانحياز المشترك. فبينما ساعد الذكاء الاصطناعي النموذج على فهم "انتشار" النتائج المحتملة، إلا أنه لم يستطع إصلاح "مستوى" التوقع. ولأن كلاً من البشر والذكاء الاصطناعي ظلا متفائلين قليلاً في المتوسط، ظل التوقع المدمج مرتفعًا للغاية. وبالنسبة لقرار يعتمد على تحقيق رقم معين، كان هذا الخطأ المتبقي الصغير كافيًا لمنع أي تحسن. لم يكن الخلاف بين المصدرين قادرًا على تعويض العمل الشاق المتمثل في المعايرة مقابل النتائج الواقعية.
كما كشفت الدراسة أن توقع الذكاء الاصطناعي نفسه لم يكن مصدرًا محايدًا وغير منحاز. فمثل المحللين البشريين، كان الذكاء الاصطناعي أيضًا منحازًا نحو الأعلى، حيث توقع أرباحًا أعلى مما حدث بالفعل. هذا الاكتشاف أمر بالغ الأهمية لأنه يدحض فكرة أن الذكاء الاصطناعي هو تلقائيًا "قائل الحقيقة" الذي يمكنه تصحيح الخطأ البشري. بدلاً من ذلك، كان الذكاء الاصطناعي مصدرًا آخر للمعلومات يحمل عيوبه المنهجية الخاصة. وجد الباحثون أن انحياز الذكاء الاصطناي بلغ حوالي واحد بالمائة، وهو متميز عن انحياز المحلل البالغ 1.45 بالمائة. وهذا يعني أن مجرد إضافة الذكاء الاصطناعي إلى المزيج لا يزيل سحرًا التفاؤل الذي يلاحق التوقعات المالية.
في النهاية، تثبت الورقة البحثية أن قيمة الرأي الثاني تعتمد كليًا على نوع القرار الذي يتم اتخاذه. فإذا كان الهدف هو ترتيب الشركات من الأفضل إلى الأسوأ، فإن الانحياز المشترك لا يهم، لأن كلاً من البشر والذكاء الاصطناعي من المرجح أن يرتبونها بنفس الترتيب. ولكن إذا كان الهدف هو تحقيق هدف محدد، مثل حد أدنى لمعدل العائد، فإن هذا الانحياز المشترك يصبح عقبة حرجة. تظهر الأبحاث أنه لا يمكنك الاعتماد على الفرق بين توقعين لإصلاح خطأ مشترك؛ بل يجب عليك التعلم من النتائج الفعلية للماضي. وتخلص الدراسة إلى أنه بينما يمكن للذكاء الاصطناعي تحسين فهم عدم اليقين ووصف المخاطر، فإنه لا يمكنه استبدال الحاجة إلى المعايرة الصارمة مقابل الواقع التاريخي. وفي النهاية، يجب أن يفصل تصميم الذكاء التعاوني بين مهمة التعلم من النتائج ومهمة جمع معلومات جديدة، مع الإدراك بأن الخلاف هو إشارة لعدم اليقين، وليس علاجًا للانحياز.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.