Can LLMs Replace Economic Choice Prediction Labs? The Case of Language-based Persuasion Games
यह शोध पत्र प्रदर्शित करता है कि लार्ज लैंग्वेज मॉडल्स (Large Language Models) भाषा-आधारित अनुनय खेलों (language-based persuasion games) के भीतर आर्थिक विकल्प भविष्यवाणी के लिए प्रशिक्षण डेटा उत्पन्न करने में मानव विषयों के प्रभावी विकल्प के रूप में कार्य कर सकते हैं, जो अक्सर वास्तविक मानव डेटा पर प्रशिक्षित मॉडलों से बेहतर प्रदर्शन करते हैं और यह भी प्रकट करते हैं कि सटीक भविष्यवाणी के लिए इतिहास-निर्भर निर्णय पैटर्न को पकड़ना अत्यंत महत्वपूर्ण है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
डिजिटल अर्थव्यवस्था में, हर क्लिक और हर स्क्रॉल एक चुनाव है। जब कोई यात्री किसी बुकिंग साइट पर होटल की समीक्षा पढ़ता है, तो वह अपनी इच्छाओं के विरुद्ध सूचना का मूल्यांकन कर रहा होता है, यह तय करने की कोशिश करता है कि क्या एक कमरा उस कीमत के लायक है। यह एक क्लासिक आर्थिक पहेली है: लोग अपूर्ण जानकारी और गुमराह होने की संभावना के बीच निर्णय कैसे लेते हैं? दशकों से, अर्थशास्त्री इन क्षणों का अध्ययन करने के लिए वास्तविक मनुष्यों को ऐसे खेल खेलने के लिए कहते आए हैं जहाँ एक व्यक्ति दूसरे को समझाने की कोशिश करता है। ये प्रयोग चलाना कठिन होते हैं; इनके लिए प्रतिभागियों को जुटाना, कस्टम सॉफ्टवेयर बनाना और लोगों के निर्णय लेने की प्रतीक्षा करना आवश्यक होता है, जो एक धीमी, महंगी और अक्सर सीमित आकार की प्रक्रिया है।
हाल ही में, एक नया उपकरण उभरा है जो इन निर्णयों का अध्ययन करने के तरीके को बदलने का वादा करता है: लार्ज लैंग्वेज मॉडल (large language model)। ये कृत्रिम बुद्धिमत्ता (AI) प्रणालियाँ हैं जो विशाल मात्रा में टेक्स्ट पर प्रशिक्षित हैं, और उल्लेखनीय प्रवाह के साथ मानव भाषा को समझने और उत्पन्न करने में सक्षम हैं। शोधकर्ता यह सोचने लगे हैं कि क्या ये मशीनें केवल बातचीत करने से कहीं अधिक कुछ कर सकती हैं। क्या वे आर्थिक प्रयोगों में वास्तविक लोगों के स्थान पर (stand-ins) कार्य कर सकती हैं? यदि एक कंप्यूटर मानव व्यवहार की इतनी अच्छी तरह से नकल कर सकता है, तो यह बेहतर भविष्यवाणी मॉडल को प्रशिक्षित करने के लिए आवश्यक डेटा की विशाल मात्रा उत्पन्न कर सकता है, जिससे दुर्लभ मानव डेटा की समस्या हल हो सकती है। प्रश्न केवल यह नहीं है कि क्या मशीनें मनुष्यों की तरह बात कर सकती हैं, बल्कि यह है कि क्या वे उच्च-दांव वाली स्थितियों में उनकी तरह सोच और निर्णय ले सकती हैं।
इजराइल के टेक्नियन (Technion) के शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने के लिए कृत्रिम बुद्धिमत्ता एजेंटों को विश्वास के एक जटिल खेल में रखकर देखा। उनके सेटअप में, एक खिलाड़ी, जो एक विशेषज्ञ के रूप में कार्य करता है, दूसरे खिलाड़ी (निर्णय लेने वाले) को एक विशिष्ट होटल में जाने के लिए मनाने की कोशिश करता है। विशेषज्ञ को होटल की वास्तविक गुणवत्ता का पता होता है लेकिन वह विकल्पों की सूची में से केवल एक लिखित समीक्षा साझा कर सकता है। निर्णय लेने वाले को फिर उस समीक्षा और विशेषज्ञ के साथ अपने पिछले अनुभवों के आधार पर होटल में जाने का निर्णय लेना होता है। यदि होटल वास्तव में अच्छा है, तो निर्णय लेने वाला जीतता है; यदि वह खराब है, तो वह हार जाता है। हालाँकि, विशेषज्ञ हमेशा जीतता है यदि निर्णय लेने वाला होटल जाने का विकल्प चुनता है, चाहे होटल की वास्तविक गुणवत्ता कुछ भी हो। यह एक रणनीतिक तनाव पैदा करता है जहाँ विशेषज्ञ बेहतर परिणाम प्राप्त करने के लिए झूठ बोल सकता है, और निर्णय लेने वाले को समय के साथ धोखे को पहचानने में सक्षम होना चाहिए।
शोधकर्ताओं ने पहले सैकड़ों वास्तविक मानव खिलाड़ियों से डेटा एकत्र किया जिन्होंने कई राउंड में इस खेल में भाग लिया था। फिर उन्होंने विभिन्न लार्ज लैंग्वेज मॉडल्स का उपयोग करके वास्तविक मानव निर्णय-धारकों को बदल दिया, मशीनों को उन्हीं नियमों का पालन करने और उन्हीं होटल समीक्षाओं का सामना करने का निर्देश दिया। अपने सिमुलेशन को अधिक यथार्थवादी बनाने के लिए, शोधकर्ताओं ने प्रत्येक मशीन को एक विशिष्ट व्यक्तित्व दिया, जैसे कि एक आशावादी यात्री जो हमेशा सकारात्मक पक्ष देखता है, या एक मूल्य-संवेदनशील खरीदार जिसे लागत की गहरी चिंता होती है। इन हजारों सिम्युलेटेड खेलों को चलाकर, टीम ने मशीनों द्वारा लिए गए निर्णयों का एक विशाल डेटासेट बनाया, जिसका उपयोग उन्होंने एक कंप्यूटर प्रोग्राम को यह भविष्यवाणी करने के लिए प्रशिक्षित करने हेतु किया कि एक मानव उसी स्थिति में कैसे व्यवहार करेगा।
परिणाम आश्चर्यजनक थे। जब शोधकर्ताओं ने केवल कृत्रिम बुद्धिमत्ता खिलाड़ियों द्वारा उत्पन्न डेटा का उपयोग करके एक भविष्यवाणी मॉडल को प्रशिक्षित किया, तो वह मॉडल वास्तविक मानव डेटा पर प्रशिक्षित मॉडल की तुलना में बेहतर प्रदर्शन करने लगा, बशर्ते कि मशीन डेटासेट पर्याप्त बड़ा हो। वास्तव में, मशीन-जनित डेटा ने लगभग हर परीक्षण किए गए परिदृश्य में मानव डेटा को पीछे छोड़ दिया। यह सुझाव देता है कि कृत्रिम बुद्धिमत्ता एजेंट केवल मनुष्यों के शब्दों की नकल नहीं कर रहे थे, बल्कि वे बार-बार होने वाली अंतःक्रियाओं के दौरान लोग कैसे सीखते हैं और अनुकूलन करते हैं, इसके गहरे रणनीतिक पैटर्न को भी पकड़ रहे थे। मशीनों ने स्क्रीन पर मौजूद तात्कालिक शब्दों पर प्रतिक्रिया देने के बजाय, पिछले दौर की समीक्षाओं के इतिहास और समय के साथ बने विश्वास को तौलना सीख लिया।
हालाँकि, अध्ययन ने केवल मशीनों पर निर्भर रहने में एक महत्वपूर्ण खामी भी उजागर की। जबकि मशीन-आधारित मॉडल अत्यधिक सटीक थे, वे 'पूरी तरह से कैलिब्रेटेड' (poorly calibrated) नहीं थे। सरल शब्दों में, इसका अर्थ यह है कि जब मॉडल अपनी भविष्यवाणी में आश्वस्त था, तो वह अक्सर वास्तविक मनुष्यों द्वारा प्रशिक्षित मॉडल की तुलना में अधिक गलत साबित हुआ। मशीन डेटा इतना प्रचुर था कि उसने मॉडल को अधिकांश समय सही उत्तर सिखाया, लेकिन वह मॉडल को अपनी निश्चितता का आकलन करना नहीं सिखा सका। इस समस्या को ठीक करने के लिए, शोधकर्ताओं ने पाया कि मशीन के विशाल डेटा के साथ वास्तविक मानव डेटा की एक छोटी मात्रा को मिलाने से एक आदर्श संतुलन बना। इस हाइब्रिड दृष्टिकोण ने एक ऐसा मॉडल तैयार किया जो अत्यधिक सटीक और अपने आत्मविश्वास स्तरों में विश्वसनीय भी था।
शोधकर्ताओं ने यह समझने के लिए गहराई से जांच की कि मशीनें इतनी सफल क्यों थीं। उन्होंने पाया कि मानव व्यवहार की भविष्यवाणी करने की कुंजी समीक्षा की भावना (sentiment) नहीं, बल्कि अंतःक्रिया का इतिहास था। जब कृत्रिम बुद्धिमत्ता एजेंटों को खेल के कई पिछले दौरों को याद रखने की अनुमति दी गई, तो उन्होंने मानव निर्णय लेने के पैटर्न से मेल खाने वाला डेटा उत्पन्न किया। लेकिन जब उनकी स्मृति को केवल पिछले एक या दो दौरों तक सीमित कर दिया गया, तो मानव व्यवहार का अनुकरण करने की उनकी क्षमता विफल हो गई। यह निष्कर्ष रेखांकित करता है कि इन खेलों में मानव निर्णय लेना मौलिक रूप से रणनीति और इतिहास के बारे में है, न कि केवल एक एकल संदेश के भावनात्मक स्वर को पढ़ने के बारे में। मशीनें इसलिए सफल हुईं क्योंकि उन्होंने लोगों की तरह ही लंबी अवधि की रणनीति (long game) खेलना सीख लिया था।
यह सुनिश्चित करने के लिए कि उनके निष्कर्ष केवल होटल समीक्षाओं तक सीमित न रहें, टीम ने एक अलग, अधिक अमूर्त (abstract) धारणा खेल में अपने दृष्टिकोण का परीक्षण किया जहाँ खिलाड़ी किसी निश्चित सूची के बजाय कोई भी संदेश लिख सकते थे। यहाँ तक कि इस अधिक स्वतंत्र वातावरण में, जहाँ नियम कम कठोर थे, कृत्रिम बुद्धिमत्ता खिलाड़ियों द्वारा उत्पन्न डेटा ने मॉडलों को मानव विकल्पों की भविष्यवाणी करने के लिए प्रशिक्षित करने में प्रभावी सिद्ध किया। यह सुझाव देता है कि उपयोगी प्रशिक्षण डेटा उत्पन्न करने की मशीनों की क्षमता एक मजबूत घटना है जो एक एकल प्रकार के प्रयोग से परे विस्तृत है।
अध्ययन यह निष्कर्ष निकालता है कि हालांकि कृत्रिम बुद्धिमत्ता अभी तक मानव व्यवहार की सूक्ष्मता को पूरी तरह से प्रतिस्थापित नहीं कर सकती है, लेकिन यह इसे समझने के लिए आवश्यक डेटा उत्पन्न करने के लिए एक शक्तिशाली इंजन के रूप में कार्य कर सकती है। मानव अंतःक्रिया की रणनीतिक जटिलताओं को सिम्युलेट करने के लिए मशीनों का उपयोग करके, शोधकर्ता पारंपरिक आर्थिक प्रयोगों की बाधाओं को दूर कर सकते हैं। आगे का मार्ग एक सावधानीपूर्ण साझेदारी है: व्यवहार के व्यापक मॉडल बनाने के लिए कृत्रिम बुद्धिमत्ता के पैमाने का उपयोग करना, जबकि उन मॉडलों को पर्याप्त वास्तविक मानव डेटा के साथ आधार प्रदान करना ताकि वे विश्वसनीय और वास्तविक बने रहें। यह दृष्टिकोण विश्वास, धोखे और निर्णय लेने के उस जटिल नृत्य को समझने का एक नया तरीका प्रदान करता है जो हमारी आर्थिक दुनिया को परिभाषित करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।