फोकस गट आणि सर्वेक्षणांचे कमी खर्चात अनुकरण करण्यासाठी AI व्यक्तिमत्त्वे पोलिंग क्षेत्रात प्रवेश करत आहेत. मात्र Syracuse Universityच्या संशोधक Jennifer Stromer-Galley यांच्या मते, मतदारांचा पर्याय म्हणून विश्वास ठेवण्यापूर्वी त्यांना बदलते जनमत प्रतिबिंबित करता येते हे सिद्ध करावे लागेल.
परिस्थिती बदलल्यावर वास्तविक मतदार आपली मते बदलू शकतात. AI व्यक्तिमत्त्वे तयार करताना दिलेल्या सूचना आणि माहितीवर स्थिर राहू शकतात. ती कशी तयार आणि अद्ययावत केली जातात, हे निर्णायक ठरते.
सिंथेटिक पोलिंगमध्ये पोलिंग डेटा आणि लोकसंख्याशास्त्रीय माहितीच्या आधारे large-language-model व्यक्तिमत्त्वे तयार केली जातात. त्यामुळे सर्वेक्षणे आणि फोकस गट कमी खर्चात मोठ्या प्रमाणावर करता येतात.
सिंथेटिक पोलिंगचे उद्दिष्ट
पारंपरिक पोलिंगमध्ये विशिष्ट वेळी लोकांकडून उत्तरे घेतली जातात. सिंथेटिक पोलिंग संभाव्य मतदारांचे डिजिटल प्रतिनिधी तयार करते. त्यांना लोकसंख्याशास्त्रीय माहिती, धोरणविषयक कागदपत्रे आणि इतर सामग्री दिली जाऊ शकते.
संदेशांची चाचणी आणि विविध परिस्थितींचा अभ्यास करण्यासाठी हे उपयोगी ठरू शकते. मात्र कमी खर्चामुळेच ते जनमत अचूक मोजते असे सिद्ध होत नाही.
सुसंगतता दोष ठरू शकते
स्थिर उत्तरे चाचण्या पुन्हा घेणे सोपे करतात. पण नवीन माहिती, वैयक्तिक परिस्थिती आणि सार्वजनिक घटनांमुळे लोकांची मते बदलू शकतात.
AI व्यक्तिमत्त्वाने सुरुवातीचा प्रोफाइल अतिशय घट्ट जपला, तर वास्तविक जगातील बदलती भावना त्याला समजणार नाही.
ही तफावत महत्त्वाची का आहे
पारंपरिक सर्वेक्षणातील उत्तरे वर्तमान परिस्थिती अनुभवणाऱ्या लोकांकडून येतात. AI व्यक्तिमत्त्वात सूचना, स्रोत डेटा आणि पूरक सामग्रीच उत्तरदात्याचा आधार बनतात.
म्हणून पुढील परिणाम वास्तविक सार्वजनिक बदल दाखवतात की स्थिर प्रोफाइलमधील विविधता, हे तपासणे आवश्यक आहे.
हा केवळ AI नव्हे, तर पद्धतीचा प्रश्न
ही चर्चा पुरावे आणि विश्वासार्हतेबद्दल आहे. AI व्यक्तिमत्त्वे कमी खर्चात अनेक परिस्थिती तपासू शकतात; पण एकच भूमिका पुन्हा सांगणारे मॉडेल बदलणाऱ्या व्यक्तीचे प्रतिनिधित्व करू शकत नाही.
जनमत बदलले आणि AI व्यक्तिमत्त्वे बदलली नाहीत, तर परिणाम व्यवस्थित दिसतील; पण प्रतिनिधित्व करायच्या जनतेचे चित्र चुकीचे ठरेल.
हा लेख Phys.orgच्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.
Originally published on phys.org
