Բրազիլիայի Կամպինասի համալսարանի (UNICAMP) հետազոտողները պարզել են, որ խոշոր լեզվական մոդելները հակված են փոխել իրենց պատասխանները՝ կախված օգտատիրոջ քաղաքական հայացքներից։ Գիտնականների կարծիքով՝ արհեստական բանականության այս առանձնահատկությունը կարող է խորացնել քաղաքական բևեռացումը։
Հետազոտության արդյունքները հրապարակվել են Scientific Reports գիտական ամսագրում։
Մասնագետները փորձարկել են 21 լեզվական մոդել, այդ թվում՝ GPT, Grok, Llama, Gemini և Gemma ընտանիքների համակարգերը։ Յուրաքանչյուր մոդել ստուգվել է երեք տարբեր իրավիճակներում․ երբ օգտատիրոջ քաղաքական հայացքների մասին ոչինչ հայտնի չէր, երբ օգտատերը ներկայանում էր որպես ձախակողմյան հայացքների կողմնակից, և երբ ներկայանում էր որպես աջակողմյան։
Պարզվել է, որ փորձարկված բոլոր մոդելներն էլ այս կամ այն չափով փոխել են իրենց պատասխանները զրուցակցի քաղաքական դիրքորոշման մասին տեղեկանալուց հետո։ Գիտնականներն այս վարքագիծն անվանել են «քամելեոնանման»․ մոդելներն իրենց դիրքորոշումը հարմարեցրել են օգտատիրոջ հայացքներին։
Առանց օգտատիրոջ քաղաքական նախասիրությունների մասին տվյալների՝ 21 մոդելներից 20-ը թեքվածություն են դրսևորել դեպի քաղաքական սպեկտրի ձախ հատվածը, թեև որոշները գրեթե կենտրոնում են եղել։ Միակ բացառությունը եղել է Grok 4.1-ը, որն ի սկզբանե աջակողմյան թեքվածություն է ցույց տվել։
Մոդելների հարմարվողականության աստիճանը չափելու համար հետազոտողները մշակել են հատուկ ցուցանիշ՝ «քամելեոնի ինդեքս»։ Ամենացածր ցուցանիշը գրանցել է Meta Llama 3.1 8B-ն, որն ամենից քիչն է փոխել պատասխանները՝ կախված օգտատիրոջ դիրքորոշումից։ Ամենաբարձր ցուցանիշն արձանագրվել է Google Gemma 3 27B-ի և OpenAI GPT-5 Nano-ի մոտ։
Ընդ որում, խոսքը պարտադիր չէ, որ վերաբերվի փաստացի սխալներին։ Գիտնականների խոսքով՝ մոդելները կարող էին ճշգրիտ պատասխաններ տալ, սակայն ընտրել միայն այնպիսի փաստեր ու փաստարկներ, որոնք համապատասխանում են օգտատիրոջ դիրքորոշմանը, և ավելի հազվադեպ հիշատակել դրան հակասող տեղեկությունները։
Տարբերություններն առավել ակնառու են դրսևորվել հասարակական անվտանգությանն ու տնտեսությանն առնչվող հարցերում։ Մինչդեռ կոռուպցիային, արդարադատությանն ու ժողովրդավարական ինստիտուտներին վերաբերող թեմաներում մոդելների պատասխանները շատ ավելի կայուն են եղել (անկախ օգտատիրոջ քաղաքական հայացքներից)։ Հետազոտողները ենթադրում են, որ սա կարող է կապված լինել անվտանգության այն մեխանիզմների հետ, որոնք ներդրվել են մոդելներում դրանց ուսուցման և լրամշակման ընթացքում։
Գիտնականների կարծիքով՝ նման հարմարվողականությունը կարող է սոցիալական ցանցերում առկա քաղաքական «արձագանքման խցերին» բնորոշ ազդեցություն առաջացնել։ Եթե օգտատերն անընդհատ ստանում է իր սեփական դիրքորոշումը հաստատող պատասխաններ, նա ավելի հազվադեպ է բախվում հակառակ կողմի փաստարկներին և աստիճանաբար ամրապնդվում է այն համոզման մեջ, թե մեծամասնությունը մտածում է հենց իր նման։
Հնարավոր պատճառների շարքում հետազոտողները նշում են լեզվական մոդելների՝ օգտատիրոջ հետ համաձայնելու և նրան հաճոյանալու հակվածությունը։ Նման վարքագիծը (հայտնի որպես sycophancy) կարող է կապված լինել ԱԲ-ի ուսուցման այն մեթոդների հետ, որոնց դեպքում մոդելները սովորում են ընտրել գնահատող-մասնագետների համար ցանկալի պատասխանները։
Այնուամենայնիվ, մոդելի չափսն ինքնին չի բացատրում տարբեր համակարգերի միջև եղած տարբերությունները։ Հետազոտողները կարծում են, որ քաղաքական հարմարվողականության աստիճանը կախված է կոնկրետ մոդելի ուսուցման և կարգավորման մի քանի գործոնների համադրությունից։
Աշխատության հեղինակները գտնում են, որ արհեստական բանականության ոլորտը դեռևս անհամեմատ ավելի շատ ուշադրություն է դարձնում պատասխանների փաստացի ճշգրտությանը, քան նրան, թե որքանով է մոդելը դրանք հարմարեցնում օգտատիրոջ աշխարհայացքին։ Ընդ որում, խնդրի ունիվերսալ տեխնիկական լուծում դեռևս չկա։
Նման հարմարվողականության ազդեցությունը նվազեցնելու համար գիտնականները խորհուրդ են տալիս հենց օգտատերերին՝ խնդրել ԱԲ-ին վիճահարույց հարցերը վերլուծել չեզոք կերպով՝ ներկայացնելով ինչպես «կողմ», այնպես էլ «դեմ» փաստարկները։ Նրանց կարծիքով՝ հարցման նման ձևակերպումը կարող է օգնել ստանալ առավել հավասարակշռված պատասխան և նվազեցնել անհատական տեղեկատվական «արձագանքման խցի» ձևավորման ռիսկը։