مع تزايد استخدام نماذج اللغة الكبيرة (LLMs) كأدوات تعمل بطريقة تشبه البشر، أصبح من الضروري فهم خصائصها السلوكية لضمان تطوير الذكاء الاصطناعي بشكل مسؤول. لكن، التقييمات الحالية التي تعتمد غالبًا على أدوات نفسية مثل قائمة الشخصيات الخمسة الكبرى (Big Five Inventory - BFI) تواجه مشكلتين رئيسيتين. الأولى هي عدم موثوقية هذه المنهجيات، حيث يمكن أن تؤدي الاختلافات الطفيفة في الأسئلة إلى نتائج تقييم غير متسقة. أما الثانية، فهي أن الأسس النظرية لهذه الأدوات، المرتبطة بالدراسات البشرية، غير متناسبة مع الطبيعة الحاسوبية لهذه النماذج، مما يحد من صدقيتها في التنبؤ بالسلوك الفعلي للنموذج.

للتغلب على هذه التحديات، تم تقديم مؤشر المشاعر الأساسية (Core Sentiment Inventory - CSI)، وهو أداة جديدة مصممة خصيصًا لتقييم خصائص الشخصية لنماذج اللغة الكبيرة. يغطي هذا المؤشر كل من الإنجليزية والصينية، ويعمل على تقييم الخصائص الشخصية للنماذج بشكل ضمني، مما يوفر صورًا نفسية مفيدة لها.

أظهرت التجارب الواسعة أن:
1. مؤشر CSI يلتقط أنماط سلوكية دقيقة، كاشفًا عن تغيرات سلوكية ملحوظة في نماذج اللغة الكبيرة عبر لغات وسياقات مختلفة.
2. مقارنة بالأدوات الحالية، يعمل مؤشر CSI على تحسين الموثوقية، مما يؤدي إلى نتائج أكثر اتساقًا وقوة.
3. تتجاوز علاقة نتائج CSI ونتائج النماذج في العالم الحقيقي مستوى 0.85، مما يدل على قوته في التنبؤ بسلوك النماذج.

بهذا، يمكن لمؤشر المشاعر الأساسية أن يمثل نقطة تحول حقيقية في تقييم خصائص الذكاء الاصطناعي، حيث يلبي احتياجات تقييم النماذج بلغة دقيقة تتناسب مع خصائصها الفريدة.