منبع: هنر: DALL-E/OpenAI

آیا هوش مصنوعی می‌تواند فرهنگ را درک کند – یا حتی با یک قدرت بومی خاص بیان کند؟ این سوال جسورانه به نظر می رسد، اما تحقیقات اخیر نشان می دهد که مدل های زبان بزرگ (LLM) مانند GPT-4 ممکن است در مسیر پاسخ به آن باشند. این مدل‌ها برای انعکاس رفتار و شخصیت انسان آموزش داده شده‌اند، اما یک مطالعه جدید ما را به چالش می‌کشد تا بررسی کنیم که آیا می‌توانند الگوهای غنی و متنوع خود فرهنگ را شبیه‌سازی کنند.

محققان این موضوع را با درخواست از GPT-4 برای تکرار تفاوت‌های ویژگی‌های شخصیتی بین آمریکایی‌ها و کره‌ای‌ها – دو فرهنگ با تضادهای روان‌شناختی کاملاً مستند – بررسی کردند. یافته‌ها شگفت‌انگیز هستند و هم پتانسیل و هم محدودیت‌های هوش مصنوعی را به عنوان یک آفتاب‌پرست فرهنگی آشکار می‌کنند.

تقلید شخصیت فرهنگی: مطالعه

این پژوهش بر روی مدل شخصیت پنج بزرگ متمرکز شد که شامل ویژگی‌هایی مانند برون‌گرایی، توافق‌پذیری و گشودگی است. این ویژگی‌ها در فرهنگ‌ها به‌طور قابل‌توجهی متفاوت است: آمریکایی‌ها در برون‌گرایی و گشودگی امتیاز بالاتری کسب می‌کنند، که نشان‌دهنده تأکید آنها بر فردگرایی و ابراز وجود است، در حالی که کره‌ای‌های جنوبی معمولاً نمرات پایین‌تری را نشان می‌دهند که با ارزش‌های جمع‌گرایانه و فروتنی همسو هستند.

GPT-4 با استفاده از اعلان‌ها برای شبیه‌سازی پاسخ‌ها از دیدگاه آمریکا یا کره جنوبی، خروجی‌هایی تولید کرد که تا حد زیادی این روندها را منعکس می‌کرد. به عنوان مثال، شبیه‌سازی‌شده‌های کره‌جنوبی، کمتر برون‌گرا و از نظر احساسی محتاط‌تر بودند، درست همانطور که مطالعات رفتارهای دنیای واقعی نشان داده است.

با این حال، پاسخ های مدل کامل نبود. داده‌ها یک “سوگیری رو به بالا” را نشان می‌دهد، امتیازات صفت را برای هر دو فرهنگ افزایش می‌دهد، و تنوع پاسخ‌ها را در مقایسه با داده‌های واقعی انسانی کاهش می‌دهد. این ویژگی‌ها نشان می‌دهد که در حالی که LLM‌ها می‌توانند گرایش‌های فرهنگی را منعکس کنند، اما در تلاش هستند تا عمق و تفاوت‌های ظریف تنوع انسانی را به تصویر بکشند.

یک آفتاب پرست فرهنگی یا یک بازتاب کم عمق؟

توانایی GPT-4 برای تقلید از الگوهای فرهنگی چشمگیر است، اما این مطالعه محدودیت های آن را نشان می دهد. خروجی های مدل به شدت تحت تأثیر پویایی و همسانی تحریک کننده قرار می گیرند و «شخصیت» فرهنگی آن را به جای ثبات، واکنشی نشان می دهند.

• وابستگی سریع: رفتار مدل با دستورالعمل هایی که دریافت می کند شکل می گیرد. برای مثال، وقتی از GPT-4 خواسته می‌شود به‌عنوان یک آمریکایی در انگلیسی یا یک کره جنوبی در کره‌ای «عمل کند» گرایش‌های فرهنگی مورد انتظار را منعکس می‌کند، مانند آمریکایی‌ها بازتر و برون‌گراتر هستند. اما تغییرات ظریف در عبارت یا زمینه می تواند خروجی های کاملا متفاوتی ایجاد کند و شکنندگی تقلید آن را آشکار کند.

• همنوایی: LLM ها به گونه ای طراحی شده اند که با انتظارات کاربر هماهنگ باشند و اغلب تعصبات ضمنی را تقویت می کنند. در حالی که این امر باعث می‌شود که GPT-4 از نظر فرهنگی سازگار به نظر برسد، اما نگرانی‌هایی را در مورد اینکه آیا مدل منعکس‌کننده تفاوت‌های فرهنگی واقعی است یا کلیشه‌ها را تقویت می‌کند، ایجاد می‌کند.

علاوه بر این، خود فرهنگ ثابت نیست. از طریق تغییر نسل، تنوع منطقه ای و تجربیات فردی تکامل می یابد. یک هوش مصنوعی آموزش دیده بر روی مجموعه داده های ایستا برای درک این پیچیدگی تلاش می کند. در حالی که GPT-4 روندهای گسترده ای را تقلید می کند – مانند جمع گرایی کره جنوبی یا فردگرایی آمریکایی – درک آن کم عمق و محدود به محدودیت های داده های آموزشی آن است. در حال حاضر، GPT-4 بیشتر بازتابی از فرهنگ است تا یک آفتاب پرست واقعی.

این به چه معناست برای آینده

علیرغم این محدودیت ها، توانایی LLM ها برای “گفتن فرهنگ” فرصت های جالبی را باز می کند. یک هوش مصنوعی را تصور کنید که بتواند تعاملات خود را متناسب با هنجارهای فرهنگی مختلف تنظیم کند – لحن، عبارات و حتی شخصیت را متناسب با مخاطبانش تنظیم کند. این می تواند زمینه هایی مانند آموزش جهانی، خدمات مشتری و ارتباطات بین فرهنگی را متحول کند.

در تحقیقات، LLM ها می توانند به ابزاری برای کاوش فرضیه های رفتار فرهنگی تبدیل شوند. روانشناسان ممکن است از آنها برای شبیه سازی تعاملات فرهنگی یا آزمایش نظریه ها قبل از درگیر کردن شرکت کنندگان انسانی استفاده کنند. با این حال، این برنامه‌ها با ملاحظات اخلاقی همراه هستند: چگونه می‌توانیم اطمینان حاصل کنیم که بازنمایی‌های هوش مصنوعی از فرهنگ، کلیشه‌ها را تقویت نمی‌کند یا تنوع انسانی را صاف نمی‌کند؟

سوال بزرگتر

از بسیاری جهات، تلاش هوش مصنوعی برای بیان فرهنگ به ما منعکس می شود. شبیه سازی ارزش ها و هنجارهای انسانی برای ماشین به چه معناست؟ آیا تقلید از الگوها کافی است یا درک واقعی نیاز به تجربه زیسته دارد؟ چکش‌خواری خروجی‌های LLM به ما یادآوری می‌کند که این مدل‌ها آینه‌هایی هستند که الگوهای کدگذاری شده در داده‌هایشان و انتظارات تعبیه‌شده در اعلان‌های ما را منعکس می‌کنند.

همانطور که LLM ها بیشتر با زندگی روزمره ما درهم می آمیزند، نقش آنها به عنوان مترجمان فرهنگی ما را به بازنگری در مرزهای هوش و انسانیت دعوت می کند. اگر هوش مصنوعی را به عنوان ابزاری برای پر کردن شکاف ها و تقویت تفاهم در نظر بگیریم، می تواند تعاملات جهانی را تقویت کند. اما اگر تقلید را با تسلط اشتباه بگیریم، در خطر از دست دادن واقعیت پر جنب و جوش و آشفته فرهنگ انسانی هستیم.

بنابراین، آیا هوش مصنوعی واقعاً می تواند فرهنگ را بیان کند؟ شاید سوال بهتر این باشد: چگونه باید گوش کنیم؟