Πώς η Τεχνητή Νοημοσύνη αποκωδικοποίησε το σχέδιο της ανθρώπινης ψυχολογίας

Η τεχνητή νοημοσύνη έχει ξεπεράσει ένα σημαντικό ορόσημο, εξελισσόμενη από ένα απλό εργαλείο συμπλήρωσης κειμένου σε μια μηχανή ικανή να χαρτογραφεί μοτίβα ανθρώπινης συμπεριφοράς. Πρωτοποριακή έρευνα που δημοσιεύθηκε στο περιοδικό iScience αποκαλύπτει ότι το GPT-4 της OpenAI μπορεί να προβλέψει τις συλλογικές ανθρώπινες απαντήσεις σε αξιολογήσεις προσωπικότητας με εντυπωσιακή στατιστική ακρίβεια. Η μελέτη, που πραγματοποιήθηκε από επιστήμονες στο Hebrew University και την Ιατρική Σχολή Hadassah, αποδεικνύει ότι τα μεγάλα γλωσσικά μοντέλα δεν προβλέπουν απλώς την επόμενη λέξη σε μια πρόταση, αλλά έχουν αφομοιώσει τη θεμελιώδη αρχιτεκτονική της ανθρώπινης ψυχομετρίας ως φυσικό υποπροϊόν της γλωσσικής τους εκπαίδευσης.

Η ψυχομετρική ανάλυση βασιζόταν παραδοσιακά σε δεκαετίες αυστηρής συλλογής πρωτογενών δεδομένων, χρησιμοποιώντας στοχευμένα ερωτηματολόγια για την απομόνωση συγκεκριμένων διαστάσεων της προσωπικότητας. Ωστόσο, αυτή η νέα έρευνα δείχνει ότι η παραγωγική τεχνητή νοημοσύνη αναμένεται να ανατρέψει ριζικά τις καθιερωμένες ψυχολογικές μεθόδους. Η ερευνητική ομάδα απέδειξε ότι τα γλωσσικά μοντέλα διαθέτουν την ικανότητα να υπολογίζουν την κατανομή των απαντήσεων σε επίπεδο πληθυσμού μήνες πριν οποιοσδήποτε φυσικός συμμετέχων συμπληρώσει μια αξιολόγηση, αναδεικνύοντας ένα δομικό άλμα στην υπολογιστική κοινωνική επιστήμη.

Για να δοκιμάσουν αυτή την υπόθεση, οι ερευνητές αναθέσαν στο GPT-4 να δημιουργήσει ερωτηματολόγια προσωπικότητας προερχόμενα από εντελώς διαφορετικές κειμενικές πηγές. Στο ένα άκρο, το μοντέλο επεξεργάστηκε το DSM-5, το κύριο κλινικό εγχειρίδιο αναφοράς που χρησιμοποιείται παγκοσμίως από ψυχιάτρους για τη διάγνωση σύνθετων διαταραχών προσωπικότητας. Στο άλλο άκρο, ο αλγόριθμος αναλύει έννοιες από ένα παραδοσιακό κείμενο αστρολογίας, το οποίο αποδίδει χαρακτηριστικά προσωπικότητας σε ζώδια χωρίς εμπειρική θεμελίωση. Ο επιστημονικός στόχος ήταν η επιλογή λεπτομερών περιγραφών της ανθρώπινης φύσης που βρίσκονται σε εκ διαμέτρου αντίθετα άκρα ακαδημαϊκής αυστηρότητας και εμπειρικής εγκυρότητας.

Όταν οι αξιολογήσεις που παρήγαγε η AI διανεμήθηκαν σε εξακόσιους ανθρώπινους συμμετέχοντες μαζί με το καθιερωμένο Big Five Inventory, τα εμπειρικά αποτελέσματα επιβεβαίωσαν το θεωρητικό πλαίσιο. Πριν καν καταγραφεί μια φυσική απάντηση, το GPT-4 είχε ήδη υπολογίσει τις αναμενόμενες μέσες βαθμολογίες χρησιμοποιώντας μια τυποποιημένη κλίμακα Likert πέντε σημείων. Οι συνθετικές εκτιμήσεις ταυτίστηκαν με τους πραγματικούς μέσους όρους με εξαιρετικά υψηλούς συντελεστές συσχέτισης, φτάνοντας το 0,71 για ερωτήματα DSM-5 και το απροσδόκητο 0,85 για ερωτήματα αστρολογίας. Αυτά τα στατιστικά στοιχεία δείχνουν ότι τα γλωσσικά μοντέλα αποτυπώνουν με ακρίβεια τις γενικευμένες τάσεις απαντήσεων που βρίσκονται ενσωματωμένες στα δεδομένα εκπαίδευσης.

Καθοριστικής σημασίας είναι το γεγονός ότι οι ερευνητές τονίζουν πως η πρόβλεψη των μέσων όρων μιας ομάδας δεν επικυρώνει αυτόματα αυτά τα εργαλεία για ατομική κλινική αξιολόγηση. Αντίθετα, τα αποτελέσματα αναδεικνύουν την ικανότητα της μηχανής να αναγνωρίζει δομικές συσχετίσεις στη γλώσσα, χαρτογραφώντας πώς τα ψυχολογικά χαρακτηριστικά συνυπάρχουν στην ανθρώπινη επικοινωνία. Για να δοκιμάσουν τα όρια αυτού του φαινομένου, οι ερευνητές τροφοδότησαν το GPT-4 με ένα εγχειρίδιο χρήσης φούρνου Bosch και ένα περιγραφικό απόσπασμα από το The Lord of the Rings. Εκπληκτικά, το μοντέλο συνέχισε να διαμορφώνει ερωτήσεις ψυχομετρικού τύπου, αποδεικνύοντας ότι η εκπαίδευσή του έχει εμπεδώσει βαθιά δομικά πρότυπα για τον σχεδιασμό ερωτηματολογίων ανεξάρτητα από το αρχικό υλικό.