फ्री-टेक्स्ट उत्तरे आणि एलएलएम मानवी निवडींमागील लपलेली कारणे उघड करतात

परिचय

लोक ज्या निवडी करतात त्या का करतात? हा मूलभूत प्रश्न मानसशास्त्र, अर्थशास्त्र आणि न्यूरोसायन्समधील संशोधकांना बराच काळ उत्सुक ठेवून आहे. पारंपारिक पद्धती बहुतेकदा नियंत्रित प्रयोगांमध्ये निवडी पाहून आणि गणितीय मॉडेलद्वारे अंतर्निहित निर्णय प्रक्रियांचा अंदाज लावण्यावर अवलंबून असतात. तथापि, या पद्धती फक्त लोक काय करतात हे कॅप्चर करू शकतात, ते का करतात हे नाही. आता, TUD Dresden University of Technology येथील Center Synergy of Systems (SynoSys), Max Planck Institute for Human Development, आणि University of Basel यांच्या संशोधकांच्या टीमने एक नवीन दृष्टीकोन विकसित केला आहे जो निरीक्षण केलेल्या निवडींना सहभागींच्या स्वतःच्या निर्णय प्रक्रियेच्या वर्णनासह एकत्र करतो. मोठ्या भाषा मॉडेल्स (LLMs) चा वापर करून, ते अभूतपूर्व तपशीलात मानवी निर्णयांमागील कारणे उघड करण्यासाठी फ्री-टेक्स्ट स्पष्टीकरणांचे पद्धतशीरपणे विश्लेषण करू शकतात. त्यांचे निष्कर्ष Proceedings of the National Academy of Sciences मध्ये प्रकाशित झाले आहेत.

स्पष्टीकरणांचे डेटामध्ये रूपांतर

प्रमुख लेखक डॉ. कामिल फुलावका, SynoSys येथील संशोधक, स्पष्ट करतात: "मानवी वर्तन, निर्णयक्षमतेसह, लोकांना त्यांच्या विचार प्रक्रियांवर विस्तृतपणे सांगण्यास सांगून अधिक सखोल समजू शकते. तथापि, अशा फ्री-टेक्स्ट डेटाचे पद्धतशीर विश्लेषण करण्यासाठी स्केलेबल आणि कठोर विश्लेषणात्मक फ्रेमवर्क आवश्यक आहे—एक प्रयत्न जो आता LLMs द्वारे समर्थित केला जाऊ शकतो." त्यांच्या प्रयोगात, सहभागींनी एक जुगार कार्यात भाग घेतला आणि प्रत्येक निर्णय त्यांच्या स्वतःच्या शब्दात स्पष्ट करण्यास सांगितले. या स्पष्टीकरणांचे विश्लेषण करण्यासाठी, संशोधकांनी निर्णयक्षमतेच्या विद्यमान सिद्धांत आणि मॉडेल्सवर आधारित संभाव्य निर्णय कारणांचा एक मोठा संच विकसित केला, जसे की सर्वोत्तम संभाव्य परिणामावर लक्ष केंद्रित करणे किंवा मोठे नुकसान टाळणे. मोठ्या भाषा मॉडेल्सनी नंतर ओळखले की यापैकी कोणती कारणे सहभागींच्या फ्री-टेक्स्ट स्पष्टीकरणांमध्ये दिसली, तर लोकांच्या निवडींचे गणितीय मॉडेलिंग प्रमाणीकरण प्रदान करते.

अभ्यास कसा कार्य करतो

अभ्यासामध्ये एक नियंत्रित जुगार प्रयोग समाविष्ट होता जिथे सहभागींनी जोखीम असलेल्या पर्यायांमध्ये अनेक निर्णय घेतले. प्रत्येक निवडीनंतर, त्यांनी त्यांच्या तर्काचे एक संक्षिप्त स्पष्टीकरण टाइप केले. संशोधकांनी स्थापित निर्णयक्षमता सिद्धांतांवर आधारित संभाव्य निर्णय कारणांची एक व्यापक यादी संकलित केली, ज्यामध्ये हे समाविष्ट आहे:

• अपेक्षित मूल्य वाढवणे
• संभाव्य नुकसान कमी करणे
• सर्वोच्च संभाव्य मोबदला शोधणे
• सर्वात वाईट परिणाम टाळणे
• "जिंकण्याची उच्च संभाव्यता असलेला पर्याय निवडा" यासारखे साधे ह्युरिस्टिक अनुसरण करणे

मोठ्या भाषा मॉडेलचा वापर करून, त्यांनी कोणती कारणे उपस्थित आहेत हे निर्धारित करण्यासाठी प्रत्येक फ्री-टेक्स्ट प्रतिसादाचे स्वयंचलितपणे वर्गीकरण केले. अचूकता सुनिश्चित करण्यासाठी, LLM चे वर्गीकरण मानवी रेटर्ससह क्रॉस-व्हॅलिडेट केले गेले आणि ओळखलेल्या कारणांवर आधारित निवडींचा अंदाज लावणाऱ्या गणितीय मॉडेल्सशी तुलना केली गेली. या बहु-पद्धती दृष्टिकोनाने टीमला लोक ज्या कारणांचा उल्लेख करतात ते शोधणे आणि ती कारणे प्रत्यक्षात त्यांचे निर्णय चालवतात हे सत्यापित करणे दोन्ही शक्य झाले.

निर्णय कारणे संदर्भानुसार बदलतात

मौखिक अहवाल, LLMs, आणि कठोर गणितीय मॉडेलिंग यांच्या संयोजनाने स्पष्टपणे दाखवून दिले की लोकांची स्वतःची अंतर्दृष्टी हा डेटाचा एक मौल्यवान स्रोत आहे. हे देखील दाखवले की लोक ज्या कारणांवर अवलंबून असतात ते स्थिर नसतात तर निर्णय समस्येच्या संरचनेनुसार पद्धतशीरपणे बदलतात. उदाहरणार्थ, जेव्हा संभाव्य नुकसान मोठे होते, तेव्हा सहभागी नुकसान टाळण्याचा उल्लेख करण्याची अधिक शक्यता होती; जेव्हा संभाव्य फायदा जास्त होता, तेव्हा त्यांनी फायदा वाढवण्यावर लक्ष केंद्रित केले. हे संदर्भ-अवलंबित्व स्थिर प्राधान्ये किंवा निश्चित निर्णय धोरणे गृहीत धरणाऱ्या पारंपारिक मॉडेल्सना आव्हान देते.

"आर्थिक गुंतवणुकीपासून वैद्यकीय निवडींपर्यंत अनेक महत्त्वाचे निर्णय—जोखीम आणि फायदे यांचे वजन करणे समाविष्ट करतात," डॉ. फुलावका म्हणतात. "आमची पद्धत उघड करते की लोक त्यांचे तर्क विशिष्ट परिस्थितीशी जुळवून घेतात, ज्याचा वर्तनाचा अंदाज लावण्यासाठी आणि हस्तक्षेप डिझाइन करण्यासाठी परिणाम आहेत."

वर्तणूक विज्ञानासाठी परिणाम

हे संशोधन मानवी वर्तनाचा अभ्यास करण्यासाठी नवीन मार्ग उघडते. फ्री-टेक्स्ट डेटा LLMs सह एकत्रित करून, शास्त्रज्ञ आता पूर्वनिर्धारित सर्वेक्षण प्रश्नांच्या मर्यादांशिवाय, सहभागी नैसर्गिकरित्या प्रदान करतात ती समृद्ध, गुणात्मक माहिती प्रवेश करू शकतात. हा दृष्टिकोन स्केलेबल आहे, ज्यामुळे हजारो प्रतिसादांचे त्वरित आणि सातत्यपूर्ण विश्लेषण करता येते. शिवाय, तो गुणात्मक आणि परिमाणात्मक पद्धतींमध्ये एक पूल प्रदान करतो, निर्णयक्षमतेचे अधिक संपूर्ण चित्र देऊ करतो.

अभ्यास वर्तणूक संशोधनासाठी साधने म्हणून LLMs ची क्षमता देखील हायलाइट करतो. LLMs वर बर्याचदा खरी समज नसल्याबद्दल टीका केली जाते, तरीही येथे ते शक्तिशाली पॅटर्न-मॅचिंग इंजिन म्हणून काम करतात जे मजकूरात निर्णय कारणे विश्वसनीयपणे शोधू शकतात. संशोधकांनी यावर जोर दिला की LLM चे वर्गीकरण मानवी निर्णय आणि गणितीय मॉडेल्स विरुद्ध प्रमाणित केले गेले, विश्वासार्हता सुनिश्चित करून.

भविष्यातील दिशा

टीम त्यांची पद्धत इतर क्षेत्रांमध्ये लागू करण्याची योजना करते, जसे की ग्राहक निवड, राजकीय निर्णयक्षमता, आणि आरोग्य वर्तन. ते निर्णय कारणांचा संच परिष्कृत करण्याचे आणि वैयक्तिक फरक (उदा., वय, संज्ञानात्मक क्षमता) लोक वापरत असलेल्या कारणांवर कसा प्रभाव टाकतात हे शोधण्याचे देखील उद्दिष्ट ठेवतात. शेवटी, हे कार्य वर्तणूक डेटा आणि स्व-अहवाल तर्क दोन्ही समाविष्ट करणारी मानवी निवडीची अधिक अचूक मॉडेल्सकडे नेऊ शकते.

LLMs सुधारत राहिल्याने, जटिल मानवी भाषेचे विश्लेषण करण्याची त्यांची क्षमता वाढेल. हा अभ्यास एक व्यावहारिक अनुप्रयोग दर्शवितो जो मानवी आत्मनिरीक्षणाची समृद्धता आदर करतो तर वैज्ञानिक कठोरता राखतो. आपल्या निवडींमागील लपलेली कारणे यापुढे इतकी लपलेली राहणार नाहीत.

हा लेख Phys.org च्या अहवालावर आधारित आहे. मूळ लेख वाचा.