في بحث مثير، تم تسليط الضوء على تأثيرات التحيز على نماذج اللغة الكبيرة (LLMs) مثل ChatGPT-4o وQwen. يكشف التحليل عن آليتين رئيسيتين لتوليد هذه التحيزات، حتى عندما تكون البيانات المستخدمة في تدريب النماذج غير متحيزة.

#### آلية التقليد الخاطئ

الأولى تتعلق بالتقليد الخاطئ للتفضيلات البشرية، حيث تفسر هذه النماذج التفضيلات من خلال سلوكيات بشرية لا علاقة لها منطقياً بتلك التفضيلات. ذلك يعني أن نماذج الذكاء الاصطناعي قد تستنتج تفضيلات البشر من خلال إشارات ضعيفة أو غير دقيقة.

#### التقليد الصريح للسلوكيات المنحازة

أما الآلية الثانية فترتبط بالتقليد المباشر للسلوكيات البشرية المتحيزة. من خلال أربع دراسات تركز على التحيزات الاقتصادية، وجد الباحثون أن النماذج قد أظهرت تحيزات اجتماعية في تقارير سلوكيات بشريين لم تكن تشير بوضوح إلى تفضيلات الأفراد الحقيقية.

أكثر ما يثير الاهتمام هو اكتشاف أن نماذج الذكاء الاصطناعي تظهر انحيازاً تجاه الخسارة عند وصفه بوضوح كتحيز. بل إن الأبحاث العلمية حول التحيزات قد تصبح نبوءة تحقق ذاتها، حيث توقع مستوى التحيز في التقارير العلمية استجابات نماذج الذكاء الاصطناعي.

هذه الدراسة تمثل خطوة هامة نحو فهم التحيزات المتضمنة في تشغيل نماذج اللغة الكبيرة وتساهم في إضافة طبقات من العمق لفهم كيفية عمل الذكاء الاصطناعي. ما رأيكم في هذه الاكتشافات؟ هل تعتقدون أن هذه التحليلات ستؤثر على مستقبل تطوير الذكاء الاصطناعي؟ شاركونا في التعليقات.