كيف تقيس النماذج اللغوية الذكاء الاجتماعي؟ اكتشافات مثيرة حول التفاعل البشري الآلي

في عالم الذكاء الاصطناعي، يعتبر التفاعل الاجتماعي الفعال من أبرز التحديات التي تواجه النماذج الآلية. تحتاج هذه النماذج إلى القدرة على فهم واستنتاج حالات العقل (Theory of Mind) وتطبيقها في أفعال سلوكية منسقة عبر قنوات لفظية وغير لفظية. ومع ذلك، فإن المعايير الحالية لا تقيّم قدرة النماذج على ترجمة هذه التوجهات العقلية إلى سلوكيات فعلية، مما يترك فجوة واضحة بين الفهم والتطبيق.

لملء هذه الفجوة، تم تقديم معيار MOSAIC (Multimodal Orchestration of Social Action, Inference, and Communication)، والذي يتيح تقييم كيف تتفاعل وكالتان متمثلتان في سيناريوهات تعاونية وتنافسية. تعتمد هذه المعايير على دمج البيانات اللفظية، والمسارات المكانية، واتجاهات النظر، والتعابير الوجهية تحت قيود متعددة للأبعاد الاجتماعية.

عند تقييم 13 نموذجاً، بما في ذلك 11 نموذجاً لغوياً، عبر 200 تجربة لكل نموذج، أظهرت النتائج أن النماذج اللغوية الحديثة تفشل في إنتاج سلوكيات تتوافق مع النتائج المتوقعة. وعند فرض قيود واضحة على التفكير الاجتماعي، لم تؤدي التغييرات إلى تحسين ملحوظ في السلوكيات.

تشير التحليلات إلى وجود عائقين رئيسيين: معظم النماذج تعاني من عدم القدرة على إنتاج إشارات غير لفظية متسقة، وحتى عندما تتواجد هذه الإشارات، تفشل الوكالات اللغوية في تفسير سلوكيات الآخرين أو التفاعل معها. ومع ذلك، كان نموذج PCM-LLM، الذي تم إدراجه كنقطة مرجعية مع وحدة واضحة للتفكير الاجتماعي، ناجحاً في جميع الظروف. مما يشير إلى أن الربط بين المعتقدات والأفعال قد يكون عنصراً أساسياً لهذه الفئة من المهام.

لا شك أن هذه النتائج تحمل أهمية كبيرة للبحث في الذكاء الاصطناعي والتفاعل البشري. فكيف يمكننا تصحيح هذه الفجوات وتعزيز قدرة النماذج اللغوية على فهم التفاعلات الاجتماعية بشكل أفضل؟ دعونا ننتظر المزيد من التطورات المثيرة في هذا المجال!