تستخدم نماذج اللغات الضخمة (Large Language Models) بشكل متزايد لمحاكاة آراء إنسانية متنوعة في مجالات مفتوحة مثل استطلاعات الرأي، نمذجة مجموعات التركيز، وتوقع الرأي العام. ومع ذلك، تكشف نتائج هذه النماذج عن تجانس منهجي في الآراء. على الرغم من استكشاف ممارسين لمجموعة متنوعة من التدخلات لزيادة التنوع، إلا أن المشهد لا يزال مجزأًا، حيث تُقيَّم طرق مختلفة في عزلة، مما يجعل من الصعب مقارنة النتائج.

لنفهم أكثر عمقًا حول تنوع آراء نماذج اللغات الضخمة، صمم الباحثون تجربة عوامل تفصل بين بعدين رئيسيين من التدخل: تكييف المدخلات (الذي يتم تحديده من خلال عمق الشخصية) وبنية التفاعل. تم تقييم جميع الظروف حسب 100 سؤال مفتوح من المستخدمين الحقيقيين عبر 7 نماذج، وتم قياس التنوع من خلال مقاييس متعددة تكمل بعضها البعض.

تحدي النتائج بعض الافتراضات الشائعة. أولًا، لا يعني وجود تفاصيل أكثر عن الشخصيات زيادة مستدامة في التنوع. إذ أن خطوة تكييف الشخصية الأولية تمثل الغالبية العظمى من المكاسب، بينما قد تؤدي المزيد من التفاصيل الديموغرافية إلى تقليل التنوع في بعض النماذج. ثانيًا، بدلاً من البحث عن أفضل هيكل تفاعل، وجدت الدراسة أن الهياكل المختلفة تستكشف مجالات رأي غير متداخلة إلى حد كبير. يجمع الجمع بين متعدد الهياكل تغطية أوسع مما يمكن تحقيقه من خلال تحسين أي واحد. ثالثًا، البدائل منخفضة التكلفة الشائعة مثل زيادة حرارة العينة وإضافة تعليمات التنوع تؤدي إلى تأثيرات ضئيلة مقارنة بالتدخلات الهيكلية.

بشكل عام، يظهر العمل أن التنوع ليس نتاجًا لتوسيع أي بُعد واحد، بل هو حساس للغاية للشكل والهيكل والتركيبة الخاصة بالتدخلات.