تعتبر المحاكاة الاجتماعية المعتمدة على نماذج اللغات الضخمة (LLMs) إضافة قوية للأساليب التقليدية مثل الاستطلاعات والتجارب السلوكية. يتطلب تقييم سلوك النماذج المعتمدة على الذكاء الاصطناعي فهماً عميقاً للموضوعية، فالسلوك البشري بطبيعته قابل للتأويل.

في هذا الإطار، تظهر إشكالية أساسية تتعلق بكيفية قياس دقة محاكاة السلوك البشري وتحسين نماذج اللغات الضخمة لتحقيق ذلك. يميل التقييم الحالي إلى التركيز على الدقة، حيث يتم تقييم ما إذا كان النموذج قد اختار الاستجابة الفردية التي لوحظت من إنسان ما وتدريب النموذج لتكرار تلك الاستجابة. لكن، نظرًا لطبيعة السلوك البشري كموضوعي، تختلف ردود الفعل وفقًا للسياقات.

لذلك، تم تقديم معامل الموضوعية، وهو كمية تعتمد على الانتروبيا، لتمييز بين المهام الموضوعية مثل البرمجة وتلك ذات الطابع الاجتماعي. ويهدف هذا التوجه إلى تحليل كيفية فشل تقييم الدقة والتدريب على العلامات الصارمة عندما تزداد الموضوعية.

ومن ثم، تم اقتراح أسلوب جديد لتدريب العلامات الرخوة القائم على الموضوعية، الذي يعيد توجيه النظام نحو تجميع النتائج الملاحظة من مدخلات ذات دلالة معنوية قريبة ضمن علامات توزيع رخوة. هذا الأسلوب يعد أحد التطورات الجديدة التي توفر طريقة أكثر دقة للتعامل مع البيانات الواقعية التي غالبًا ما توفر ملاحظات فردية فقط.

تظهر النتائج على مجموعة البيانات الجديدة المعروفة باسم SUBJSIM، والتي تغطي 19,300 سياقًا وما يناهز 193 مراجع، مدى فعالية هذا الأسلوب في تحسين أداء النماذج وتحقيق نتائج أفضل في بيئات أكثر تعقيدًا.

هل أنتم مستعدون لاكتشاف التحولات الجديدة في عالم المحاكاة الاجتماعية المدعومة بالذكاء الاصطناعي؟