Do people expect different behavior from large language models acting on their behalf? Evidence from norm elicitations in two canonical economic games

तकनीकी सारांश: क्या लोग बड़े भाषा मॉडल (LLMs) से अलग व्यवहार की अपेक्षा करते हैं जब वे उनकी ओर से कार्य करते हैं? दो मानक आर्थिक खेलों में मानदंड निष्कर्षण (norm elicitations) से प्राप्त साक्ष्य

समस्या विवरण
जैसे-जैसे बड़े भाषा मॉडल (LLMs) सामाजिक संपर्क और संसाधन आवंटन से जुड़े कार्यों में मनुष्यों को प्रतिस्थापित कर रहे हैं, एक "मानव-मशीन सहयोग अंतराल" (human-machine cooperation gap) उभर आया है जहाँ लोग मनुष्यों की तुलना में AI के साथ बातचीत करते समय अलग तरह से व्यवहार करते हैं। जबकि मौजूदा साहित्य इन व्यवहारिक अंतरों को दर्ज करता है, उनके अंतर्निहित तंत्र स्पष्ट नहीं हैं। यह शोध पत्र यह तर्क देता है कि यह अंतराल सामाजिक मानदंडों में बदलाव के कारण है: लोग मनुष्यों द्वारा सीधे लिए गए निर्णयों की तुलना में उन निर्णयों के लिए अलग "सामाजिक उपयुक्तता" के मानक लागू कर सकते हैं जो मनुष्यों की ओर से LLMs द्वारा लिए जाते हैं। यह अध्ययन इस बात की जांच करता है कि क्या संसाधनों के आवंटन के निर्णयों को LLMs को सौंपने से उन निर्णयों को नियंत्रित करने वाले कथित सामाजिक मानदंडों में परिवर्तन आता है, विशेष रूप से यह परीक्षण करते हुए कि क्या LLMs को निष्पक्षता के प्रस्तावक (प्रथम-आंदोलक/first-movers) बनाम प्रवर्तक (द्वितीय-आंदोलक/second-movers) के रूप में अलग तरह से आंका जाता है।

कार्यप्रणाली
लेखकों ने यूनाइटेड किंगडम (प्रयोग 1, N=1,153) और संयुक्त राज्य अमेरिका (प्रयोग 2, N=1,505) के प्रतिनिधि नमूनों का उपयोग करते हुए दो पूर्व-पंजीकृत, प्रोत्साहित (incentivized) प्रयोगात्मक अध्ययन किए। इन अध्ययनों में कुपका-वेबर मानदंड निष्कर्षण प्रक्रिया (Krupka-Weber norm elicitation procedure) का उपयोग किया गया था, जहाँ प्रतिभागी चार-बिंदु पैमाने ( "बहुत सामाजिक रूप से अनुचित" से "बहुत सामाजिक रूप से उपयुक्त" तक) पर विशिष्ट व्यवहारों की सामाजिक उपयुक्तता को रेट करते हैं। साझा मानदंडों के विश्वासों के निष्कर्षण को सुनिश्चित करने के लिए प्रतिभागियों को समूह की 'मोडल प्रतिक्रिया' (modal response) की पहचान करने के लिए प्रोत्साहित किया गया था।

• प्रयोग 1 (डिक्टेटर गेम): प्रतिभागियों ने डिक्टेटर गेम में 11 संभावित संसाधन विभाजनों (£0 से £10) की सामाजिक उपयुक्तता को रेट किया। बीच-अब्जेक्ट्स फैक्टर (between-subjects factor) "डिक्टेटर" की पहचान थी: या तो एक मानव या एक मानव की ओर से कार्य करने वाला एक LLM। यह डिज़ाइन प्रतिशोध की संभावना के बिना प्रस्ताव करने की उपयुक्तता को अलग करता है।
• प्रयोग 2 (अल्टीमेटम गेम): प्रतिभागियों ने अल्टीमेटम गेम में प्रस्तावों को अस्वीकार करने की सामाजिक उपयुक्तता को रेट किया। इस प्रयोग में तीन बीच-अब्जेक्ट्स स्थितियों का उपयोग किया गया था:
  1. मानव प्रस्तावक – मानव उत्तरदाता (नियंत्रण)।
  2. मानव प्रस्तावक – LLM उत्तरदाता (LLM प्रवर्तक के रूप में)।
  3. LLM प्रस्तावक – मानव उत्तरदाता (LLM प्रस्तावक के रूप में)।
     इस डिज़ाइन ने लेखकों को निष्पक्षता के प्रवर्तन (प्रस्तावों को अस्वीकार करना) और मशीनों द्वारा प्रस्तावों की शुरुआत (initiation) के संबंध में मानदंडों का परीक्षण करने की अनुमति दी।

सांख्यिकीय विश्लेषण में क्लस्टर्ड विल्कोक्सन रैंक-सम टेस्ट, प्रतिभागी-क्लस्टर्ड बूटस्ट्रैप टेस्ट और प्रतिभागियों के भीतर दोहराए गए मापों (repeated measures) को ध्यान में रखने के लिए लीनियर मिक्स्ड-इफेक्ट्स मॉडल शामिल थे।

प्रमुख योगदान और परिणाम

1. उपयुक्तता में बदलाव, मानदंडों में नहीं (प्रयोग 1):

   • मोडल प्रतिक्रिया: अध्ययन में कोई मोडल सामाजिक मानदंड में बदलाव नहीं पाया गया। दोनों मानव और LLM स्थितियों में, 50-50 के विभाजन को सबसे सामाजिक रूप से उपयुक्त कार्य के रूप में पहचाना गया।
   • उपयुक्तता में गिरावट: मोडल मानदंड स्थिर रहने के बावजूद, LLMs के लिए समग्र सामाजिक उपयुक्तता रेटिंग में महत्वपूर्ण गिरावट देखी गई। LLMs द्वारा किए गए प्रस्तावों को मनुष्यों द्वारा किए गए समान प्रस्तावों की तुलना में कम सामाजिक रूप से उपयुक्त माना गया।
   • असममिति (Asymmetry): यह प्रभाव "निम्न" विभाजनों (जो डिक्टेटर/LLM के पक्ष में हों) के लिए सबसे अधिक स्पष्ट था। उन विभाजनों के लिए जहाँ LLM ने आधे से अधिक संसाधन रखे, उपयुक्तता रेटिंग मानव स्थिति की तुलना में काफी गिर गई। इसके विपरीत, "उच्च" विभाजनों (जो प्राप्तकर्ता के पक्ष में हों) के लिए, अंतर नगण्य या गैर-मौजूद था।

2. प्रवर्तन बनाम शुरुआत के मानदंड (प्रयोग 2):

   • LLM प्रवर्तक के रूप में (मानव प्रस्तावक/LLM उत्तरदाता): जब एक LLM उत्तरदाता के रूप में कार्य करता है (एक मानव द्वारा किए गए प्रस्ताव को अस्वीकार करना), तो मानव उत्तरदाता की तुलना में अस्वीकृति की सामाजिक उपयुक्तता में कोई महत्वपूर्ण अंतर नहीं पाया गया। लोग यह नहीं मानते कि मानव की ओर से निष्पक्षता के मानदंडों को लागू करने के लिए LLM का उपयोग करना कम उपयुक्त है।
   • LLM प्रस्तावक के रूप में (LLM प्रस्तावक/मानव उत्तरदाता): जब एक LLM प्रस्तावक के रूप में कार्य करता है, तो अस्वीकृति की उपयुक्तता का पैटर्न बदल जाता है।
     • निम्न प्रस्ताव: एक LLM से कम (अनुचित) प्रस्ताव को अस्वीकार करना, मानव से प्राप्त प्रस्ताव को अस्वीकार करने के समान ही सामाजिक रूप से उपयुक्त माना गया। लेखक नोट करते हैं कि यह पिछले व्यवहारिक अध्ययनों के विपरीत है जो उच्च अस्वीकृति दर का सुझाव देते हैं; यहाँ, अस्वीकृति का मानदंड नहीं बदला।
     • उच्च प्रस्ताव: अप्रत्याशित रूप से, एक उदार (generous) प्रस्ताव (जैसे, उत्तरदाता को £8 देना और स्वयं के लिए £2 रखना) को अस्वीकार करना, मानव की तुलना में LLM से आने पर अधिक सामाजिक रूप रूप से उपयुक्त माना गया। यह सुझाव देता है कि एक मानदंड है कि LLMs को "बहुत उदार" नहीं होना चाहिए जिससे उस मानव के लिए नुकसान हो जिसका वे प्रतिनिधित्व कर रहे हैं।

महत्व और दावे
यह शोध पत्र मानव-AI संपर्क घर्षण के एक विशिष्ट तंत्र की पहचान करने का दावा करता है: सामाजिक उपयुक्तता के मानदंडों में विचलन, न कि "सबसे उपयुक्त" क्रिया की परिभाषा में परिवर्तन। निष्कर्ष बताते हैं कि:

• लोग प्रथम-मूवर (प्रवर्तक) बनाम द्वितीय-मूवर (प्रवर्तक) के रूप में कार्य करने वाली मशीनों पर अलग-अलग मानदंड लागू करते हैं।
• जब मशीनें आर्थिक लेनदेन शुरू करती हैं, तो उन्हें "उदार न होने" के सख्त मानक और "अत्यधिक उदार न होने" (जो मानव प्रिंसिपल के लिए अनुचित होगा) के मानक, दोनों के प्रति जवाबदेह ठहराया जाता है।
• हालाँकि, लोग निष्पक्षता के मानदंडों को लागू करने के लिए मशीनों के उपयोग पर आपत्ति नहीं करते हैं; निष्पक्ष प्रस्तावों को अस्वीकार करने की भूमिका को LLM को सौंपना सामाजिक रूप से स्वीकार्य है।

लेखक निष्कर्ष निकालते हैं कि ये परिणाम संकेत देते हैं कि मशीनों से मिलने वाले प्रस्तावों में अब संज्ञानात्मक और भावनात्मक दोनों घटक होते हैं। जबकि लोग मानदंडों को लागू करने वाली मशीनों को स्वीकार कर सकते हैं, वे संसाधनों के वितरण के बारे में एकतरफा निर्णय लेने वाली मशीनों के भावनात्मक और नैतिक निहितार्थों के प्रति संवेदनशील होते हैं। यह अध्ययन चेतावनी देता है कि नीति और प्रतिनिधि रणनीतियों को इन सूक्ष्म अपेक्षाओं को ध्यान में रखना चाहिए, क्योंकि निर्णय लेने की भूमिकाओं को बड़े पैमाने पर LLMs को सौंपना वर्तमान में अनुमानित सामाजिक संतुलन से भिन्न परिणाम दे सकता है। लेखक स्पष्ट रूप से अपने दावों को आर्थिक खेलों और पश्चिमी, विकसित राष्ट्रों के संदर्भ तक सीमित करते हैं, यह नोट करते हुए कि भविष्य में बाहरी वैधता और क्रॉस-सांस्कृतिक प्रतिकृति (cross-cultural replication) आवश्यक है।