شفقناافغانستان– تصور کنید یک خودروی خودران در ترافیک مرکز شهر حرکت میکند، برای جلوگیری از برخورد، باید تشخیص دهد که آیا عابر پیاده در گوشه خیابان قصد عبور دارد یا خیر. یا یک الگوریتم سرمایهگذاری را در نظر بگیرید که سهام معامله میکند – باید پیشبینی کند که سرمایهگذاران انسانی چگونه به اخبار واکنش نشان خواهند داد، قبل از اینکه حرکتی انجام دهد. در هر دو مورد، ماشینها باید فراتر از محاسبات عمل کنند – آنها باید رفتار انسانی را درک کنند. اما مدلهای هوش مصنوعی عمومی امروزی، مانند GPT یا Llama، برای این کار ساخته نشدهاند.
به گزارش سرویس ترجمه شفقنا، اکنون، سیستم هوش مصنوعی جدیدی به نام Be.FM (مخفف Behavioral Foundation Model) توسط محققان دانشگاه میشیگان، دانشگاه استنفورد و MobLab توسعه یافته است. Be.FM یکی از اولین سیستمهای هوش مصنوعی است که به طور خاص برای پیشبینی، شبیهسازی و استدلال درباره اقدامات انسانی طراحی شده است. این دستاورد مهم وعده دگرگونی در صنایع و حوزههای مختلفی را میدهد که نیازمند درک عمیقتر تعاملات انسانی هستند.
برخلاف مدلهای سنتی که بر پیکرههای متنی عمومی و وسیع متکی هستند (مانند دایرهالمعارفها)، Be.FM بر دادههای خاص علم رفتار آموزش دیده است. یوتونگ شی، دانشجوی دکترای علوم اطلاعات در U-M و نویسنده اصلی این مطالعه، میگوید: ما به آن ویکیپدیا نمیدهیم. ما یک مجموعه داده رفتاری ساختیم – بیش از ٦٨ هزار سوژه از دادههای تجربی، تقریباً ٢٠ هزار پاسخدهنده نظرسنجی و هزاران مطالعه علمی – تا به مدل کمک کنیم تا در مورد چرایی عملکرد انسانها استدلال کند.
این آموزش تخصصی به Be.FM برتری قابل توجهی نسبت به هوش مصنوعیهای عمومی میدهد که اغلب رفتارهای اقلیت را نادیده میگیرند یا نشانههای اجتماعی پیچیده را اشتباه تفسیر میکنند. مهمتر از آن، Be.FM طیفی از قابلیتهای نوظهور – مهارتهایی که محققان به طور صریح برنامهریزی نکرده بودند – را نشان میدهد که در چهار حوزه کاربردی کلیدی قرار میگیرند که در ادامه آمده است:
١. پیشبینی رفتار در دنیای واقعی: بارزترین نقطه قوت Be.FM، توانایی آن در پیشبینی رفتار انسانی در موقعیتهای واقعی است. این پیشبینی رفتاری میتواند از مدلسازی اقتصادی، تست محصول یا تحلیل سیاستگذاری عمومی حمایت کند و راهی برای شبیهسازی رفتار گروهی قبل از راهاندازی آزمایشهای پرهزینه در دنیای واقعی ارائه دهد.
٢. استنتاج ویژگیهای روانشناختی و جمعیتی: Be.FM میتواند ویژگیهای روانشناختی و اطلاعات جمعیتی را از دادههای رفتاری یا پیشینهای استنتاج کند. در کاربردها، این میتواند به معنای استنتاج اینکه آیا یک فرد برونگرا یا سازگار است بر اساس سن و جنسیت او و سایر دادههای جمعیتی باشد، یا تخمین سن کسی بر اساس ویژگیهای شخصیتی او. این قابلیت میتواند به محققان در تقسیمبندی مؤثرتر کاربران، هدایت مداخلات شخصیسازیشده یا اطلاعرسانی به طراحی محصول کمک کند.
٣. درک تأثیر بافتار (بستر و زمینه ای که هر پدیده در آن معنا می شود) بر رفتار: رفتار انسان اغلب در پاسخ به بافتار، مانند تغییر در زمانبندی، هنجارهای اجتماعی یا سیگنالهای محیطی، تغییر میکند. Be.FM میتواند به شناسایی و استدلال درباره این محرکها کمک کند. به عنوان مثال، وقتی رفتار کاربر در یک اپلیکیشن از ژانویه تا فوریه تغییر میکند، Be.FM میتواند به شناسایی اینکه چه عوامل بافتاری ممکن است بر این تغییر تأثیر بگذارند – مانند بهروزرسانی طراحی، روند فصلی یا تغییر در نحوه چارچوببندی اطلاعات – کمک کند.
٤. سازماندهی دانش علوم رفتاری و پشتیبانی پژوهشی: در نهایت، Be.FM میتواند دانش علوم رفتاری را سازماندهی و به کار گیرد تا از جریانهای کاری پژوهشی حمایت کند. این مدل که بر روی معماری مدل زبان بزرگ ساخته شده است، میتواند ایدههای تحقیقاتی جدید تولید کند، ادبیات را خلاصه کند یا مسائل کاربردی اقتصاد رفتاری را حل کند. برای محققان و متخصصان، این میتواند به ابزاری برای طوفان فکری فرضیهها، برنامهریزی مطالعات یا حتی شبیهسازی سناریوها قبل از آزمایش میدانی تبدیل شود.
در تمام این چهار دسته، Be.FM به طور مداوم عملکرد بهتری نسبت به مدلهای تجاری و متنباز مانند GPT-4o و Llama در انطباق با رفتار انسانی نشان داده است، به ویژه در وظایفی مانند پیشبینی شخصیت و شبیهسازی سناریو. پیشبینیهای آن، الگوهای دنیای واقعی را، به ویژه در سطح جمعیت، دقیقتر منعکس کردند.
با این حال، این مدل محدودیتهایی نیز دارد – عملکرد آن فراتر از این چهار حوزه هنوز آزمایش نشده است. هنوز برای پیشبینی رویدادهای سیاسی در مقیاس بزرگ یا پیشبینی نتایجی مانند انتخابات یا توافقات صلح طراحی نشده است. تیم تحقیقاتی در حال حاضر روی گسترش پوشش دامنه Be.FM کار میکند.
این خبر را اینجا ببینید.
