هوش مصنوعی
مدل‌های زبانی در ارزیابی پیامدها، سود را پررنگ‌تر از زیان می‌بینند
پیش‌چاپی در arXiv نشان می‌دهد مدل‌های آزمایش‌شده هنگام ارزیابی جداگانهٔ پیامدهای شرط‌بندی یا معاملهٔ سهام، سود را شدیدتر از زیان هم‌اندازه احساس‌شده ارزیابی کردند؛ الگویی وارونه نسبت به زیان‌گریزی رایج در انسان.
پژوهشگران بررسی کردند مدل‌های زبانی بزرگ (LLM) پیامدهای شرط‌بندی یا معاملهٔ سهام را از نظر احساسی چگونه ارزیابی می‌کنند و آیا این ارزیابی‌ها بر انتخابشان اثر می‌گذارد. در ارزیابی جداگانهٔ پیامدها، حساسیت مدل‌ها به بزرگی پیامدها با افزایش مقدار کاهش می‌یافت؛ الگویی شبیه تابع ارزش انسانی. اما مدل‌ها سود را شدیدتر از زیان هم‌اندازه ارزیابی کردند؛ پدیده‌ای که پژوهشگران آن را «تقویت سود سیلیکونی» نامیده‌اند.
وقتی پیامدها هم‌زمان و در کنار هم ارزیابی شدند، تا امکان مقایسهٔ مستقیم فراهم شود، نمره‌دهی خطی‌تر شد. چکیدهٔ منتشرشده در arXiv در ادامه به نامتقارنی سود و زیان در انتخاب اشاره می‌کند، اما متن در دسترس پیش از شرح جزئیات این بخش پایان می‌یابد. این مقاله پیش‌چاپ است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده