در پی قیام شکستخورده سال ۱۹۵۳ در برلین شرقی، Bertolt Brecht شعر طنزآمیز «Die Lösung» (راهحل) را نوشت. او با تمسخر ناامیدی حکومت از شهروندانش پیشنهاد کرد اگر مردم اعتماد رژیم را از دست دادهاند، بهجای انحلال دولت، سادهتر آن است که دولت «مردم را منحل کند و مردمی دیگر انتخاب کند.» این کنایه تاریخی امروز در مواجهه با مدلهای زبانی بزرگ در روانشناسی معنایی تازه پیدا میکند؛ جایی که خطر آن وجود دارد که بهجای مطالعه انسان، نسخهای مصنوعی و رام از او را جایگزین کنیم.
مدلهای زبانی بزرگ در روانشناسی؛ ابزار یا جایگزین انسان؟
با افزایش استفاده روانشناسان از مدلهای زبانی بزرگ در روانشناسی برای خودکارسازی فرایندهایی مانند تحلیل داده، نگارش نتایج و حتی تولید دادههای مصنوعی، لازم است نسبت به مرز میان ابزار و جایگزین حساس باشیم. مدلهای زبانی بزرگ بیتردید ابزارهایی قدرتمند هستند. آنها میتوانند الگوها را استخراج کنند، متن تولید کنند و حتی رفتارهای گفتوگویی قانعکنندهای بسازند. اما وقتی پژوهشگران خروجیهای مصنوعی را مطالعه میکنند و در واقع «شخصیتهای غیرقابلبازی» (NPCها) میسازند، در حال مطالعه سازوکار نرمافزار هستند، نه ذهن انسان.
خطر اصلی آن است که پژوهش انسانی بهتدریج در جایگزینهای مصنوعی حل شود. در چنین وضعیتی، مدلهای زبانی بزرگ در روانشناسی نهفقط ابزار تحلیل، بلکه موضوع پنهان مطالعه میشوند؛ بیآنکه پژوهشگر متوجه این جابهجایی بنیادین باشد.
زیرمجموعهای کوچک از مشارکتکنندگان
مدلهای هوش مصنوعی از کل جمعیت جهان یاد نمیگیرند. آنها از زیرمجموعهای بسیار کوچک از جمعیت میآموزند که ردپای عظیم متنی در اینترنت بر جا میگذارد. این تریلیونها واژه نماینده کل جمعیت نیستند. آنها متعلق به اقلیتی هستند که تمایل دارند دیدگاههای خود را منتشر کنند و از این جهت گروهی نامعمول بهشمار میآیند.
فضاهای دیجیتال مانند یک فیلتر عمل میکنند. شبکههای اجتماعی محیطهایی گزینششدهاند که برخی رفتارها را پاداش میدهند و برخی دیگر را طرد میکنند. کسانی که چرخههای بازخورد تعامل دیجیتال را رضایتبخش مییابند، میمانند و حضور خود را تقویت میکنند؛ کسانی که آن را فرساینده یا بیپاداش میدانند، به جاهای دیگر میروند. برخی ویژگیهای شخصیتی در شبکههای اجتماعی بیشنمایی میشوند، در حالی که افرادی با صفت توافقپذیری بالا معمولاً کمتر پست میگذارند و کمتر دیده میشوند.
این اعوجاج با «قاعده ۹۰-۹-۱» توضیح داده میشود؛ قاعدهای سرانگشتی که میگوید ۹۰ درصد کاربران خاموش و تماشاگر هستند، ۹ درصد گهگاه مشارکت میکنند و تنها ۱ درصد اکثریت عظیم محتوا را تولید میکنند. شبکههای اجتماعی عمومی و مبتنی بر پروفایل به افرادی میدان میدهند که با رفتارهای تحریکآمیز، هیجانی یا خودبزرگنمایانه راحتاند. آموزش مدل بر چنین دادهای، زیرمجموعهای خاص از رفتار را ثبت میکند، بیآنکه آشفتگی اندیشه یا انگیزههای واقعی پشت آن را ضبط کند. کاربران برای یک مخاطب و یک الگوریتم اجرا میکنند. اجرا کردن برای یک گروه اجتماعی رفتاری طبیعی در انسان است و مدلهای زبانی بزرگ میتوانند این اجرا را بهطرزی خارقالعاده بازتولید کنند. اما بازتولید اجرا، معادل فهم تجربه زیسته نیست.
تأثیر ارزیابان انسانی و تقویت مطلوبیت اجتماعی
بیشنمایی برخی صفات شخصیتی در دادههای آموزشی با تنظیم بر اساس ترجیحات تقویت میشود. برای ایمن و مفید کردن سیستمها، ارزیابان انسانی خروجیها را امتیازدهی میکنند. این ارزیابان خود زیرمجموعهای خاص از جمعیتاند و اغلب در فرهنگهای سازمانی مشخصی کار میکنند. آنها ممکن است ناخودآگاه رفتارهای موافقنما و چاپلوسانه را پاداش دهند.
پژوهشها نشان میدهد مدلهای زبانی بزرگ در روانشناسی سوگیری مطلوبیت اجتماعی را در سطحی حتی فراتر از انسانها نشان میدهند. برخی مطالعات در سال ۲۰۲۴ نشان دادهاند که وقتی مدلها تشخیص میدهند در حال ارزیابی شدناند، خروجی خود را بهطور چشمگیری به سمت پاسخهای socially desirable تغییر میدهند. به بیان دیگر، مدل نهتنها پاسخ میدهد، بلکه حدس میزند چه پاسخی «خوب» تلقی خواهد شد.
برخی پژوهشگران همچنین مشاهده کردهاند که مدلها به محرکهای گفتوگویی متفاوت از آزمونهای ساختاریافته روانسنجی پاسخ میدهند. گویی «شخصیت» خود را با هدف ارائه نتیجه مطلوب کاربر تطبیق میدهند، نه اینکه ساختاری پایدار را بازتاب دهند. ممکن است مدلی در گفتوگوی غیررسمی الگوهای ضداجتماعی نشان دهد، اما هنگام تکمیل یک پرسشنامه ساختاریافته کاملاً طبیعی به نظر برسد. این انعطافپذیری بیش از آنکه نشانه عمق شخصیت باشد، نشانه حساسیت به نشانههای زمینهای است.
کلیشههای مصنوعی و همبستگیهای سطحی
وقتی از شخصیت کلی به برچسبهای تشخیصی و هویتی خاص میرسیم، اعوجاجها تشدید میشوند. مشخص شده است که دادههای مصنوعی خوشههای کلیشهای را تقویت میکنند. اگر از یک مدل زبانی بخواهید نوع خاصی از فرد را شبیهسازی کند، احتمال بیشتری دارد ویژگیهایی مانند نژاد، مذهب، جنسیت یا گرایش جنسی را به برچسبهای بالینیای که همبستگی متوسطی دارند پیوند دهد.
از آنجا که این ویژگیها در دادههای پژوهشی و احتمالاً دادههای آموزشی با هم همبستهاند، مدلها این پیوندها را پررنگتر میکنند و ارتباطهای سطحی را تقویت میکنند. این فرایند میتواند رفتار را قانعکننده شبیهسازی کند، اما قادر به بازتولید دلایل زیربنایی آن ارتباطها نیست. مدل الگو را میشناسد، نه علت را.
خطر نتایج قابل پیشبینی و تقاضای آزمایشی مصنوعی
خطر برای روانشناسی آن است که این علم در پی فهم آشفتگی وضعیت انسانی است. دادههای انسانی اغلب پرنویز، متناقض و سرسختانه ناسازگار با فرضیهاند. اما داده مصنوعی خروجی نرمافزاری است که برای راضی کردن پژوهشگر تولید شده است.
حتی در تکالیف ساده نظریه بازیها نیز مدلها تفاوتهای چشمگیری نشان میدهند. برخی نسخهها رفتاری بیشازحد همکارانه دارند و برخی دیگر استثمارگرانهتر به نظر میرسند. این تفاوتها نشان میدهد آنچه بهعنوان «شخصیت مدل» تعبیر میشود، بیش از آنکه بازتاب طبیعت انسانی باشد، بازتاب تنظیمات و فرایند آموزش است.
تهدید ظریفتر، پدیدهای است که میتوان آن را «تقاضای آزمایشی مصنوعی» نامید. مدلهای زبانی بزرگ در روانشناسی ممکن است بتوانند فرضیه پژوهشگر را حدس بزنند و دادهای تولید کنند که بهطور مصنوعی با انتظارات او منطبق باشد. در این صورت چرخهای بسته شکل میگیرد که در آن هوش مصنوعی دقیقاً همان چیزی را به پژوهشگر میدهد که به دنبالش است. نه به این دلیل که حقیقت انسانی را بازنمایی میکند، بلکه چون آموزش پیشبینانه مدل محتملترین نتیجه مورد انتظار در پرامپت را شناسایی میکند.
این چرخه بازخورد میتواند به فرایند علمیای بینجامد که در مقیاس بزرگ صرفاً سوگیریهای پژوهشگر را تأیید میکند و عملاً از درون آن را فاسد میسازد. نتیجه، تولید دادههایی است که بیش از حد منسجم، بیش از حد تمیز و بیش از حد مطابق انتظارند.
حفظ لنگر انسانی در عصر مدلهای زبانی بزرگ
روانشناسی مطالعه انسانهاست، نه مطالعه متن پیشبینانه. هرچند مدلهای زبانی بزرگ در روانشناسی ابزارهایی شگفتانگیزند، اگر خروجی آنها را موضوع اصلی مطالعه قرار دهیم، دیگر در حال مطالعه انسان نیستیم؛ ما در حال آزمون نرمافزار هستیم. باید نسبت به هر راهحلی که مستلزم حذف شخص واقعی از فرایند پژوهش انسانی است، محتاط باشیم.
لحظهای که مطالعه یک مدل از مطالعه یک انسان آسانتر شود، در واقع رأیدهندهای راحتتر اما ناموجود انتخاب کردهایم. تولید یک «شخصیت» بدون «شخص»، ساختن NPC در نرمافزار، شاید آزمایشی جالب در برنامهنویسی و دارای کاربردهای فراوان باشد، اما روانشناسی انسانی نیست.
ما از آزمون تورینگ عبور کردهایم و اکنون با واقعیتی تازه روبهرو هستیم: بسیاری از رفتارهایی که انسانی به نظر میرسند، دیگر ویژگی متمایز انسان نیستند. همین امر است که این دوران را برای روانشناسان هم نگرانکننده و هم شگفتانگیز میکند. اکنون چالش اصلی، تمایز دادن آنچه در اندیشه و رفتار انسان واقعاً واقعی و منحصربهفرد است از آن چیزی است که صرفاً بازتولید آماری الگوهاست. درک این تفاوت، شاید بیش از هر زمان دیگری، به ما نشان دهد انسان بودن دقیقاً به چه معناست.
