அறிமுகம்
மக்கள் ஏன் தாங்கள் செய்யும் தேர்வுகளை செய்கிறார்கள்? இந்த அடிப்படை கேள்வி உளவியல், பொருளாதாரம் மற்றும் நரம்பியல் துறைகளில் ஆராய்ச்சியாளர்களை நீண்ட காலமாக கவர்ந்துள்ளது. பாரம்பரிய அணுகுமுறைகள் பெரும்பாலும் கட்டுப்படுத்தப்பட்ட சோதனைகளில் தேர்வுகளை கவனிப்பதன் மூலமும், கணித மாதிரிகள் மூலம் அடிப்படை முடிவெடுக்கும் செயல்முறைகளை ஊகிப்பதன் மூலமும் செயல்படுகின்றன. இருப்பினும், இந்த முறைகள் மக்கள் என்ன செய்கிறார்கள் என்பதை மட்டுமே பிடிக்க முடியும், ஏன் செய்கிறார்கள் என்பதை அல்ல. இப்போது, TUD டிரெஸ்டன் பல்கலைக்கழக தொழில்நுட்ப மையத்தின் (SynoSys) சினெர்ஜி ஆஃப் சிஸ்டம்ஸ் மையம், மேக்ஸ் பிளாங்க் இன்ஸ்டிடியூட் ஃபார் ஹியூமன் டெவலப்மென்ட் மற்றும் பாசல் பல்கலைக்கழகத்தைச் சேர்ந்த ஆராய்ச்சியாளர்கள் குழு ஒரு புதிய அணுகுமுறையை உருவாக்கியுள்ளது, இது கவனிக்கப்பட்ட தேர்வுகளை பங்கேற்பாளர்களின் சொந்த முடிவெடுக்கும் செயல்முறைகளின் விளக்கங்களுடன் இணைக்கிறது. பெரிய மொழி மாதிரிகளை (LLMகள்) பயன்படுத்துவதன் மூலம், முன்னோடியில்லாத விவரங்களில் மனித முடிவுகளுக்குப் பின்னால் உள்ள காரணங்களை வெளிப்படுத்த இலவச-உரை விளக்கங்களை முறையாக பகுப்பாய்வு செய்ய முடியும். அவற்றின் கண்டுபிடிப்புகள் தேசிய அறிவியல் அகாடமியின் செயல்முறைகள் இதழில் வெளியிடப்பட்டுள்ளன.
விளக்கங்களை தரவுகளாக மாற்றுதல்
முதன்மை ஆசிரியர் டாக்டர். கமில் ஃபுவாவ்கா, SynoSys இல் ஆராய்ச்சியாளர், விளக்குகிறார்: "மனித நடத்தை பற்றிய நமது புரிதல், முடிவெடுப்பது உட்பட, மக்கள் தங்கள் சிந்தனை செயல்முறைகளை விளக்குமாறு கேட்பதன் மூலம் ஆழப்படுத்தப்படலாம். இருப்பினும், இத்தகைய இலவச-உரை தரவுகளின் முறையான பகுப்பாய்வுக்கு அளவிடக்கூடிய மற்றும் கடுமையான பகுப்பாய்வு கட்டமைப்புகள் தேவைப்படுகின்றன - இது இப்போது LLMகளால் ஆதரிக்கப்படும் ஒரு முயற்சியாகும்." அவர்களின் சோதனையில், பங்கேற்பாளர்கள் ஒரு சூதாட்ட பணியில் ஈடுபட்டு, ஒவ்வொரு முடிவையும் தங்கள் சொந்த வார்த்தைகளில் விளக்குமாறு கேட்கப்பட்டனர். இந்த விளக்கங்களை பகுப்பாய்வு செய்ய, ஆராய்ச்சியாளர்கள் சாத்தியமான முடிவு காரணங்களின் பெரிய தொகுப்பை உருவாக்க ஏற்கனவே உள்ள கோட்பாடுகள் மற்றும் முடிவெடுக்கும் மாதிரிகளை வரைந்தனர், அதாவது சிறந்த சாத்தியமான விளைவில் கவனம் செலுத்துதல் அல்லது பெரிய இழப்பைத் தவிர்த்தல் போன்றவை. பெரிய மொழி மாதிரிகள் பின்னர் பங்கேற்பாளர்களின் இலவச-உரை விளக்கங்களில் இந்த காரணங்களில் எது தோன்றியது என்பதை அடையாளம் கண்டன, அதே நேரத்தில் மக்களின் தேர்வுகளின் கணித மாதிரியாக்கம் சரிபார்ப்பை வழங்கியது.
ஆய்வு எவ்வாறு செயல்பட்டது
இந்த ஆய்வில் பங்கேற்பாளர்கள் ஆபத்தான விருப்பங்களுக்கு இடையில் தொடர்ச்சியான முடிவுகளை எடுத்த ஒரு கட்டுப்படுத்தப்பட்ட சூதாட்ட சோதனை அடங்கும். ஒவ்வொரு தேர்வுக்குப் பிறகும், அவர்கள் தங்கள் பகுத்தறிவின் சுருக்கமான விளக்கத்தை தட்டச்சு செய்தனர். ஆராய்ச்சியாளர்கள் நிறுவப்பட்ட முடிவெடுக்கும் கோட்பாடுகளின் அடிப்படையில் சாத்தியமான முடிவு காரணங்களின் விரிவான பட்டியலை தொகுத்தனர், இதில் பின்வருவன அடங்கும்:
- எதிர்பார்க்கப்படும் மதிப்பை அதிகரித்தல்
- சாத்தியமான இழப்புகளை குறைத்தல்
- அதிக சாத்தியமான ஊதியத்தை தேடுதல்
- மோசமான விளைவைத் தவிர்த்தல்
- "வெற்றி பெறுவதற்கான அதிக நிகழ்தகவு கொண்ட விருப்பத்தை தேர்வு செய்" போன்ற எளிய ஹூரிஸ்டிக்கைப் பின்பற்றுதல்
ஒரு பெரிய மொழி மாதிரியைப் பயன்படுத்தி, அவர்கள் ஒவ்வொரு இலவச-உரை பதிலையும் தானாக வகைப்படுத்தி எந்த காரணங்கள் உள்ளன என்பதை தீர்மானித்தனர். துல்லியத்தை உறுதிப்படுத்த, LLM இன் வகைப்பாடுகள் மனித மதிப்பீட்டாளர்களுடன் குறுக்கு-சரிபார்க்கப்பட்டு, அடையாளம் காணப்பட்ட காரணங்களின் அடிப்படையில் தேர்வுகளை கணித்த கணித மாதிரிகளுடன் ஒப்பிடப்பட்டன. இந்த பல-முறை அணுகுமுறை குழுவை மக்கள் குறிப்பிடும் காரணங்களை கண்டறியவும், அந்த காரணங்கள் உண்மையில் அவர்களின் முடிவுகளை இயக்குகின்றனவா என்பதை சரிபார்க்கவும் அனுமதித்தது.
முடிவு காரணங்கள் சூழலுக்கு ஏற்ப மாறுகின்றன
வாய்மொழி அறிக்கைகள், LLMகள் மற்றும் கடுமையான கணித மாதிரியாக்கம் ஆகியவற்றின் கலவையானது மக்களின் சொந்த நுண்ணறிவுகள் மதிப்புமிக்க தரவு மூலமாகும் என்பதை தெளிவாக நிரூபித்தது. மக்கள் நம்பியிருக்கும் காரணங்கள் நிலையானவை அல்ல, மாறாக முடிவு பிரச்சினையின் கட்டமைப்புடன் முறையாக மாறுகின்றன என்பதையும் இது காட்டியது. உதாரணமாக, சாத்தியமான இழப்புகள் பெரியதாக இருந்தபோது, பங்கேற்பாளர்கள் இழப்பு தவிர்ப்பைக் குறிப்பிடுவதற்கான வாய்ப்புகள் அதிகம்; சாத்தியமான ஆதாயங்கள் அதிகமாக இருந்தபோது, அவர்கள் ஆதாயங்களை அதிகரிப்பதில் கவனம் செலுத்தினர். இந்த சூழல் சார்பு நிலையான விருப்பங்கள் அல்லது நிலையான முடிவு உத்திகளை கருதும் பாரம்பரிய மாதிரிகளை சவால் செய்கிறது.
"நிதி முதலீடுகள் முதல் மருத்துவ தேர்வுகள் வரை பல முக்கிய முடிவுகள் அபாயங்கள் மற்றும் நன்மைகளை எடைபோடுவதை உள்ளடக்குகின்றன," என்கிறார் டாக்டர். ஃபுவாவ்கா. "எங்கள் முறை மக்கள் தங்கள் பகுத்தறிவை குறிப்பிட்ட சூழ்நிலைக்கு ஏற்ப மாற்றிக்கொள்கிறார்கள் என்பதை வெளிப்படுத்துகிறது, இது நடத்தையை கணிப்பதற்கும் தலையீடுகளை வடிவமைப்பதற்கும் தாக்கங்களைக் கொண்டுள்ளது."
நடத்தை அறிவியலுக்கான தாக்கங்கள்
இந்த ஆராய்ச்சி மனித நடத்தையைப் படிப்பதற்கான புதிய வழிகளைத் திறக்கிறது. இலவச-உரை தரவுகளை LLMகளுடன் ஒருங்கிணைப்பதன் மூலம், விஞ்ஞானிகள் இப்போது முன் வரையறுக்கப்பட்ட கணக்கெடுப்பு கேள்விகளின் கட்டுப்பாடுகள் இல்லாமல், பங்கேற்பாளர்கள் இயற்கையாக வழங்கும் வளமான, தரமான தகவல்களை அணுக முடியும். இந்த அணுகுமுறை அளவிடக்கூடியது, ஆயிரக்கணக்கான பதில்களை விரைவாகவும் சீராகவும் பகுப்பாய்வு செய்ய அனுமதிக்கிறது. மேலும், இது தரமான மற்றும் அளவு முறைகளுக்கு இடையே ஒரு பாலத்தை வழங்குகிறது, முடிவெடுப்பதற்கான முழுமையான படத்தை வழங்குகிறது.
இந்த ஆய்வு நடத்தை ஆராய்ச்சிக்கான கருவிகளாக LLMகளின் சாத்தியத்தையும் எடுத்துக்காட்டுகிறது. LLMகள் பெரும்பாலும் உண்மையான புரிதல் இல்லாததற்காக விமர்சிக்கப்பட்டாலும், இங்கே அவை உரையில் முடிவு காரணங்களை நம்பத்தகுந்த முறையில் கண்டறியக்கூடிய சக்திவாய்ந்த வடிவ-பொருத்தும் இயந்திரங்களாக செயல்படுகின்றன. LLM இன் வகைப்பாடுகள் மனித தீர்ப்புகள் மற்றும் கணித மாதிரிகளுக்கு எதிராக சரிபார்க்கப்பட்டு, நம்பகத்தன்மையை உறுதி செய்ததாக ஆராய்ச்சியாளர்கள் வலியுறுத்துகின்றனர்.
எதிர்கால திசைகள்
குழு தங்கள் முறையை நுகர்வோர் தேர்வு, அரசியல் முடிவெடுத்தல் மற்றும் சுகாதார நடத்தை போன்ற பிற துறைகளுக்குப் பயன்படுத்த திட்டமிட்டுள்ளது. முடிவு காரணங்களின் தொகுப்பை செம்மைப்படுத்தவும், தனிப்பட்ட வேறுபாடுகள் (எ.கா., வயது, அறிவாற்றல் திறன்) மக்கள் பயன்படுத்தும் காரணங்களை எவ்வாறு பாதிக்கின்றன என்பதை ஆராயவும் அவர்கள் இலக்கு வைத்துள்ளனர். இறுதியில், இந்த வேலை நடத்தை தரவு மற்றும் சுய-அறிக்கை பகுத்தறிவு இரண்டையும் உள்ளடக்கிய மனித தேர்வின் மிகவும் துல்லியமான மாதிரிகளுக்கு வழிவகுக்கும்.
LLMகள் தொடர்ந்து மேம்படுவதால், சிக்கலான மனித மொழியை பகுப்பாய்வு செய்யும் அவற்றின் திறன் மட்டுமே வளரும். இந்த ஆய்வு மனித உள்நோக்கத்தின் வளத்தை மதிக்கும் அதே வேளையில் அறிவியல் கடுமையை பராமரிக்கும் ஒரு நடைமுறை பயன்பாட்டை நிரூபிக்கிறது. நமது தேர்வுகளுக்குப் பின்னால் உள்ள மறைக்கப்பட்ட காரணங்கள் இனி அவ்வளவு மறைக்கப்படாமல் இருக்கலாம்.
இந்த கட்டுரை Phys.org இன் அறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையைப் படிக்கவும்.
Originally published on phys.org
