من الخسارة العملية إلى مكافأة التجميع: تشخيص قائم على الإنسان لتعاون نماذج اللغات الضخمة

أصبح استخدام نماذج اللغات الضخمة (Large Language Models - LLMs) في حل المشكلات التعاونية ومحاكاة المجموعات البشرية من الأمور الشائعة في مجال الذكاء الاصطناعي. ومع ذلك، فإن الاعتماد فقط على تقييم النتائج ليس كافيًا لفهم مدى نجاح أو فشل هذه النماذج في تقليد الآليات الذهنية للبشر.

في دراسة جديدة، تم إجراء مقارنة بين محادثات المجموعات البشرية وآثار النقاشات التي أدارها LLMs في مهام التفكير الاستنتاجي، مستندين إلى اختبار وازون (Wason-style deductive reasoning). وسعياً لفهم ما إذا كانت هذه الأنماط من العملية العامة يمكن تعميمها على مهام الاستدلال والتناظر والأعمال التحليلية، تم فحص النتائج.

وصل الباحثون إلى أن البشر وLLMs يظهرون تحيزًا مشابهًا يُعرف بمكافأة التجميع (assembly bonus)، حيث يؤدي النقاش إلى تحسين أداء الأعضاء في المجموعة أكثر من تحسين أفضل عضو أصلي. كما أظهرت النتائج أن تنوع الإجابات الأولية يلعب دورًا هامًا في تأثير تنوع النماذج، مما يزيد من التحرك في الاتجهات التصحيحية والتدميرية.

من الفروقات الرئيسية أن مجموعات LLMs تتبع خيارات الأغلبية بشكل متكرر أكثر من البشر، وتظهر معلومات أقل تفردًا، وتصل إلى توافق مبكر. بينما تظل الإشارات الأقلية الصحيحة ناجحة، فإنها تتطلب أن تعبر بشكل مُبكر. أظهرت التدخلات المعتمدة على أبحاث اتخاذ القرار الجماعي البشري تحسينات متواضعة في النتائج الجماعية، لكنها لم تتخلص من عنق الزجاجة في التنسيق.

تشير النتائج إلى أن مجموعات LLMs يمكن أن تعيد إنتاج بعض أنماط النتائج الخاصة بالتداول البشري، مع تفوق في اختلاف الآليات التي تولد مكافأة التجميع والخسارة العملية. هذه الاكتشافات تحمل آثارًا كبيرة في مجالات محاكاة المجموعات وتعاون الذكاء الاصطناعي مع البشر.