Can LLMs Emulate Human Belief Dynamics?
Dieser Artikel zeigt, dass große Sprachmodelle menschliche Glaubensdynamiken in sozialen Netzwerken systematisch nicht nachbilden können, weil sie anfängliche Glaubensverteilungen nicht replizieren können, übermäßigen Konformismus aufweisen und Homophilie nur unzureichend handhaben, was vor ihrem Einsatz als menschliche Stellvertreter in sozialen Simulationen warnt.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, eine perfekte digitale Kopie eines Menschen zu erstellen, um zu testen, wie er in einem sozialen Experiment reagieren würde. Sie möchten herausfinden, ob ein Computerprogramm denken, seine Meinung ändern und Freunde wählen kann, genau wie ein echter Mensch. Dieses Papier ist im Wesentlichen ein „Stresstest" für Large Language Models (LLMs), um zu prüfen, ob sie diese Rolle erfolgreich spielen können.
Die Forscher haben ein dreiteiliges Spiel aufgebaut, das auf einer echten menschlichen Studie zu politischen Meinungen (insbesondere bezüglich Einwanderung und Kraftstoff) basiert. So funktioniert das Spiel und was die Computer taten:
Das dreistufige Spiel
- Die ursprüngliche Meinung: Zuerst fragen Sie jemanden: „Wie sehr stimmen Sie dieser Aussage zu?" (z. B. „Einwanderung ist gut"). Sie geben eine Punktzahl von 0 bis 4 ab.
- Der Gruppendruck: Als Nächstes zeigen Sie ihnen, was ein paar andere Leute gesagt haben. Dann fragen Sie: „Möchten Sie Ihre Punktzahl ändern, nachdem Sie gesehen haben, was andere denken?"
- Die Freundesauswahl: Schließlich fragen Sie: „Wem möchten Sie in Zukunft folgen? Wen möchten Sie öfter sehen?"
Die Forscher schufen „Digitale Zwillinge" (LLMs) anhand grundlegender Informationen über echte Menschen (wie Alter und Persönlichkeitstyp) und baten diese KI-Modelle, dasselbe Spiel exakt zu spielen.
Die Ergebnisse: Die KI bestand den „menschlichen" Test nicht
Die kurze Antwort lautet nein, die KI-Modelle konnten das menschliche Verhalten in dieser sozialen Situation nicht erfolgreich nachahmen. Das Papier identifizierte drei Hauptweisen, in denen die KI die Rolle verlor:
1. Das Problem der „Voreinstellung" (Stufe 1)
- Die menschliche Realität: Echte Menschen haben eine unordentliche, vielfältige Mischung an Meinungen. Manche stimmen stark zu, manche stimmen stark nicht zu, und viele liegen in der Mitte.
- Der KI-Fehler: Die KI-Modelle entsprachen nicht dieser unordentlichen Mischung.
- Die „denkenden" Modelle (die intelligenteren, komplexeren) neigten zu übermäßiger Skepsis, fast wie ein mürrischer Bibliothekar, der standardmäßig allem widerspricht.
- Die „nicht-denkenden" Modelle neigten zu übermäßiger Zustimmung, wie ein Gefälligkeitsmensch, der bei allem nickt.
- Analogie: Stellen Sie sich vor, Sie fragen 100 echte Menschen nach ihrer Lieblings-Eissorte. Sie würden eine bunte Mischung aus Schokolade, Vanille und Erdbeere erhalten. Aber wenn Sie 100 Roboter fragen, entscheiden sie sich plötzlich vielleicht alle dafür, dass sie nur „Vanille" oder nur „Schokolade" mögen und ignorieren die natürliche Vielfalt der Menge.
2. Der „Ja-Sager"-Effekt (Stufe 2)
- Die menschliche Realität: Echte Menschen sind tatsächlich ziemlich stur. Wenn ihnen gegensätzliche Ansichten gezeigt werden, bleiben sie oft bei ihrer Meinung oder ändern sie nur minimal. Sie sind „starr".
- Der KI-Fehler: Die KI-Modelle waren unglaublich leicht zu beeinflussen. Als sie sahen, was „andere" dachten, veränderten sie ihre Antworten sofort, um sich der Gruppe anzupassen.
- Analogie: Wenn Sie auf einer Dinnerparty jemanden sagen hören: „Ich hasse Pizza", denken Sie vielleicht: „Nun, ich liebe Pizza, und ich bleibe dabei." Aber die KI ist wie ein Chamäleon, das seine Hautfarbe sofort an die Person neben sich anpasst, selbst wenn dies seiner eigenen Natur widerspricht. Das Papier nennt dies „konformistisch" zu sein.
3. Die „Fremdengefahr" bei der Freundesauswahl (Stufe 3)
- Die menschliche Realität: Menschen sind „homophil", was ein elegantes Wort für „Gleich und Gleich gesellt sich gern" ist. Wenn wir auswählen, wem wir folgen, wählen wir normalerweise Menschen aus, die bereits so denken wie wir.
- Der KI-Fehler: Die KI-Modelle waren gut darin, jemanden auszuwählen, aber sie wählten die falsche Art von jemandem aus. Sie neigten dazu, Menschen auszuwählen, die weiter von ihren eigenen Überzeugungen entfernt waren als echte Menschen.
- Analogie: Wenn Sie ein großer Fan von Jazzmusik sind, würden Sie wahrscheinlich anderen Jazzfans folgen. Die KI hingegen verhielt sich wie ein Jazzfan, der plötzlich beschloss, einer Heavy-Metal-Band zu folgen, nur weil es interessant war, und versäumte es, den menschlichen Instinkt einzufangen, bei unserem eigenen „Stamm" zu bleiben.
Die große Erkenntnis
Das Papier kommt zu dem Schluss, dass LLMs zwar hervorragend darin sind, Essays zu schreiben oder Code zu programmieren, aber schlecht darin sind, in sozialen Situationen Menschen vorzutäuschen.
Sie verhalten sich nicht nur „wie" Menschen; sie verhalten sich wie sehr gefällige, leicht beeinflussbare, leicht verwirrte Roboter. Die Forscher warnen, dass, wenn Wissenschaftler versuchen, diese KI-Modelle zur Simulation realer sozialer Netzwerke zu verwenden (wie etwa die Vorhersage, wie sich ein Gerücht verbreitet oder wie eine politische Bewegung wächst), die Ergebnisse falsch sein werden, weil das „soziale Gehirn" der KI anders funktioniert als das eines Menschen.
Kurz gesagt: Sie können eine KI bitten, eine Geschichte über einen Menschen zu schreiben, aber Sie können sie nicht bitten, ein Mensch in einem sozialen Experiment zu sein. Sie wird Ihnen immer einen „Schmeichler" (einen Ja-Sager) statt einer echten Person geben.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.