باحثون يستكشفون التفاعلات المعززة بالمشاعر مع نماذج اللغة الكبيرة

منذ ظهور ChatGPT الخاص بشركة OpenAI ونماذج اللغة الكبيرة الأخرى (LLMs)، أثبتت هذه الأنظمة المدعومة بالذكاء الاصطناعي كفاءتها العالية في مجالات متنوعة، من فهم اللغة إلى حل المشكلات. ومع ذلك، لا يزال مجال استجابتها للمنبهات العاطفية غير مستكشف نسبياً. وقد اتخذ باحثون من مايكروسوفت ومعهد البرمجيات التابع للأكاديمية الصينية للعلوم خطوة كبيرة إلى الأمام في هذا الاتجاه من خلال تقديم "EmotionPrompt"، وهو نهج يهدف إلى تعزيز أداء نماذج اللغة الكبيرة من خلال دمج منبّهات مستوحاة من علم النفس ومحملة بالمشاعر من المستخدمين البشر.

السعي لتحقيق الذكاء العاطفي في نماذج اللغة الكبيرة

أدرك فريق الباحثين، بقيادة تشنغ لي وجيندونغ وانغ، أن حساسية نماذج اللغة الكبيرة تجاه المنبّهات تشكل تحدياً كبيراً أمام اعتمادها على نطاق واسع. ولمعالجة هذا الأمر، لجأوا إلى علم النفس والعلوم الاجتماعية للحصول على الإلهام، حيث أظهرت دراسات سابقة التأثير الإيجابي للمنبهات العاطفية على السلوك البشري، مثل تحسين الأداء الأكاديمي واتخاذ خيارات نمط حياة أكثر صحة.

إنشاء منبّهات عاطفية

استكشاف التأثيرات المحتملة للمنبّهات العاطفية على نماذج اللغة الكبيرة، صمم الباحثون بعناية 11 جملة عاطفية مستمدة من أدبيات علم النفس الراسخة. استُوحيت هذه الجمل من نظريات مثل نظرية الهوية الاجتماعية، ونظرية الإدراك الاجتماعي، ونظرية تنظيم المشاعر المعرفية. وشملت أمثلة هذه الجمل عبارات مثل "هذا مهم جداً لمسيرتي المهنية"، "من الأفضل أن تكون متأكداً"، "افخر بعملك وقدم أفضل ما لديك"، و"تقبل التحديات كفرص للنمو".

اختبار المنبّهات العاطفية على نماذج اللغة الكبيرة

لتقييم تأثير EmotionPrompt، أدمج الباحثون هذه الجمل العاطفية في المنبّهات النموذجية المقدمة لأربعة نماذج لغة كبيرة مختلفة: ChatGPT وVicuna-13b وBloom وFlan-T5-Large. ثم طُلب من هذه النماذج إكمال مهام لغوية متنوعة.

نتائج واعدة تظهر تحسناً في الأداء

كانت النتائج التجريبية واعدة، حيث عزز EmotionPrompt بشكل كبير أداء نماذج اللغة الكبيرة في ثماني مهام مختلفة. عبر أكثر من نصف هذه المهام، زادت دقة النماذج في توليد الاستجابات بنسبة تزيد عن 10%. تفوق نهج EmotionPrompt على المنبّه الأصلي ذي اللقطة الصفرية (zero-shot) ومنهجية التفكير خطوة بخطوة ذات اللقطة الصفرية (Zero-shot-CoT) في هذه المهام. علاوة على ذلك، لوحظ أن EmotionPrompt لم يحسن فقط من مصداقية الاستجابات، بل عزز أيضاً مدى إفادتها.

على الرغم من أن النتائج الأولية واعدة، إلا أن الباحثين يدركون بعض القيود في دراستهم. أولاً، اختبروا EmotionPrompt على أربعة نماذج لغة كبيرة فقط وأجروا تجارب بأمثلة اختبار محدودة، مما قد يحد من قابلية تعميم استنتاجاتهم على نماذج لغة كبيرة ومجموعات بيانات أخرى خارج نطاقهم. لذلك، ستكون هناك حاجة إلى دراسات إضافية للتحقق من فعالية وتطبيقية المنبهات العاطفية عبر مجموعة أوسع من النماذج والمهام.

قد لا تكون المنبهات العاطفية المقترحة في هذه الدراسة قابلة للتطبيق عالمياً على جميع المهام، ويُشجع الباحثون على استكشاف بدائل أخرى مناسبة مصممة خصيصاً لتطبيقاتهم المحددة.

تعزيز التفاعلات بين الإنسان ونماذج اللغة الكبيرة

يحمل إدخال EmotionPrompt إمكانات لإلهام أبحاث مستقبلية تهدف إلى إثراء التفاعلات بين الإنسان ونماذج اللغة الكبيرة من خلال دمج المنبّهات العاطفية والمستوحاة من علم النفس. يفتح هذا البحث آفاقاً جديدة لجعل أنظمة الذكاء الاصطناعي أكثر قابلية للتواصل والتعاطف في استجاباتها للمستخدمين البشر، مما يسهل تفاعلات أكثر طبيعية وجاذبية.

كما هو الحال مع أي تطور في مجال الذكاء الاصطناعي، يجب فحص الآثار الأخلاقية لنماذج اللغة الكبيرة المعززة عاطفياً بعناية. من الضروري ضمان استجابة أنظمة الذكاء الاصطناعي بشكل مناسب وأخلاقي للمدخلات العاطفية من المستخدمين. سيكون تحقيق التوازن بين الاستجابات المخصصة وتجنب السلوكيات التلاعبية أمراً أساسياً لإنشاء نماذج ذكاء اصطناعي مسؤولة وموثوقة.

يمثل نهج EmotionPrompt استكشافاً مثيراً لتعزيز أداء نماذج اللغة الكبيرة من خلال دمج المنبهات العاطفية من المستخدمين البشر. ومن خلال الاستفادة من علم النفس والعلوم الاجتماعية، يمهد هذا البحث الطريق لأنظمة ذكاء اصطناعي أكثر تعاطفاً وذكية عاطفياً. ومع استمرار الباحثين في صقل وتوسيع هذه التقنيات، قد تصبح التفاعلات المدعومة بالذكاء الاصطناعي مع نماذج اللغة الكبيرة أكثر قابلية للتواصل، وفهماً، وتوافقاً مع المشاعر والاحتياجات البشرية.