في عالم الأبحاث الاجتماعية، تتزايد التحديات المتعلقة بدقة البيانات التي تُجمع من الاستطلاعات. قدّم فريق من الباحثين مقاربة مبتكرة تُعرف بـ "عينة السليكون" (Silicon Sampling) باستخدام نماذج اللغات الكبيرة (LLMs) لمحاكاة استجابات البشر في الاستطلاعات. ومع ذلك، ولتقييم فعالية هذه الطريقة، يجب أن نتجاوز المقارنات التقليدية ونوجه انتباهنا نحو نماذج تفصيلية أكثر.

اعتمد الباحثون على مصطلح "النقل عبر الاستطلاعات" (cross-survey transfer) ليصفوا إطار تقييم أكثر صرامة. في هذه التجربة، تتمكن نماذج الذكاء الاصطناعي من توقع إجابات المشاركين على مجموعة مختلفة تمامًا من الأسئلة، مما يساعد في تعزيز مصداقية النتائج.

استند البحث إلى بيانات من دراسة الانتخابات والتدمقرط في تايوان لعام 2024، واستخدم ثلاثة نماذج من LLMs تتفاوت أوزانها بين 27 مليار و120 مليار معلمة. النتائج؟ حققت النماذج أداءً دقيقًا يصل إلى 52% عند اختبارها على أسئلة لم يواجهها المشاركون من قبل، مما يقلص الفجوة إلى 6 نقاط مئوية مقارنة بنموذج غابات عشوائية مشرف.

تكشف هذه الدراسات عن تدرجات في predictability الذي يصل إلى 67% لمواقف الحزب و23% للسيادة، مما يسلط الضوء على جوانب محددة يجب أن تؤخذ في الاعتبار عند استخدام هذه النماذج. خلاصة القول، بعض القيود المعتادة التي قد تُنسب لنماذج LLM، مثل انهيار التباين (variance collapse) وتأثيرات المحاذاة (alignment effects)، تداخَلت بشكل معقد أكثر مما كان يُعتقد سابقًا.

ختامًا، يبرز هذا البحث وعودًا جديدة وحدودًا للتحليل الواسع النطاق الذي تقدمه نماذج الذكاء الاصطناعي في مجال الأبحاث والتوجهات. فما رأيكم في هذا التطور؟ شاركونا في التعليقات.