تتزايد استخدامات نماذج اللغة الضخمة (LLMs) لتقليد المجموعات البشرية عبر تنبيهات الشخصية، حيث أُثيرت افتراضات حول دور تنوع الأوصاف الشخصية في تعزيز دقة السلوك. لكن، هل بالفعل تؤدي الأوصاف الأكثر تفصيلاً إلى نتائج أفضل؟

تناول بحثٌ جديدٌ هذه التساؤلات من خلال تقييم الافتراضات القديمة ودراسة تأثيرها عبر عدة نماذج وهياكل. وقد اكتشف الباحثون قيودًا رئيسية تُعرف بانهيار فضاء الشخصية (persona manifold collapse)، حيث يتسبب التزايد في تعقيد الأوصاف الشخصية في تقليل التنوع السلوكي ويؤدي إلى تفكك الفروق السلوكية بين النماذج.

تشير النتائج إلى أن نماذج الشخصية المعقدة تفشل في الحفاظ على الاختلافات بين فئات البشر، مما يؤدي إلى تراجع كفاءة التنبؤ في المهام التطبيقية. وفي مفاجأة لفريق البحث، أظهرت الشخصيات البسيطة المستندة إلى العمر والجنس نتائج أفضل مقارنةً بالملفات الشخصية المثالية الأكثر تعقيدًا، مما يعني أن البساطة أحيانا تكون مفتاح النجاح.

كما وجد العلماء أن التراجع ليس متجانسًا بين جميع الصفات، حيث تحافظ بعض التركيبات على استقرار سلوكي وتتناسب بشكل أقوى مع ردود الفعل البشرية، مما يُعرف بـ "جسور التوافق".

تتطلب هذه النتائج مراجعة في كيفية بناء شخصيات تعتمد على التمثيل واستغلال التعقيد فقط، مما يُسلط الضوء على أهمية التوازن في تصميم التجارب.