هوش مصنوعی (AI) در پردازش حجم عظیمی از دادهها به مهارت بسیار بالایی دست یافته است. این توانایی باعث شده تا این فناوری در خلاصهسازی مکالمات و شناسایی الگوهای تکراری در متون بسیار کارآمد عمل کند. با این حال، درک اینکه افراد واقعاً چه منظوری دارند، چالشی است که هوش مصنوعی هنوز نتوانسته از آن عبور کند.
به گزارش بخش اخبار فناوری زوم تک به نقل از Digital Trends ، پژوهشگران دانشگاه میزوری (University of Missouri) چارچوبی را برای ارزیابی میزان توانایی هوش مصنوعی در شناسایی مضامین معنادار در مکالمات انسانی توسعه دادهاند. یافتههای آنها که در نشریه «International Journal of Qualitative Methods» منتشر شده، نشان میدهد که اگرچه هوش مصنوعی میتواند اکثر موضوعات کلی مورد بحث افراد را تشخیص دهد، اما ممکن است تمایزهای مهم در معنا و بافت کلام (Context) را نادیده بگیرد.
هوش مصنوعی بخش عمدهای از مکالمه را متوجه شد، اما جزئیات ظریف را از دست داد
پژوهشگران ۳۲ مصاحبه انجامشده با اعضای هیئت علمی، متخصصان و دانشجویان پرستاری را درباره تجربیاتشان با هوش مصنوعی مولد (Generative AI) مورد تجزیه و تحلیل قرار دادند. آنها برای شناسایی موضوعات پرتکرار از یک سیستم تحلیل متن به نام BERTopic استفاده کردند و سپس یافتههای آن را با مضامینی که پیشتر توسط پژوهشگران انسانی شناسایی شده بود، مقایسه کردند.

طبق اطلاعیه منتشرشده از سوی این دانشگاه، نتایج اولیه امیدوارکننده بود. از میان ۱۲ مضمون شناساییشده توسط پژوهشگران انسانی، ۱۱ مورد حداقل یک موضوع به اندازه کافی مشابه داشتند که توسط سیستم هوش مصنوعی تولید شده بود. اگرچه این آمار در نگاه اول بسیار امیدوارکننده به نظر میرسد، اما به این معنا نیست که سیستم توانسته این مضامین را به خوبی انسانها درک کند.
در برخی موارد، این مدل چندین ایده مجزا را در یک دستهبندی کلی قرار داد که این امر پتانسیل از بین بردن تفاوتهای مهم میان آنها را داشت. در موارد دیگر نیز یک مضمون واحد را به چندین موضوع کوچکتر تقسیم کرد که تفسیر پیام اصلی نهفته در آن را دشوارتر میساخت. پژوهشگران همچنین شواهد محدودی یافتند مبنی بر اینکه این مدل بتواند بهطور مداوم بینشهای جدید و معناداری فراتر از آنچه تحلیلگران انسانی پیشتر شناسایی کرده بودند، کشف کند.
قضاوت انسانی همچنان نقش مهمی در درک مفاهیم ایفا میکند
تیم تحقیقاتی برای ارزیابی دقیق این کاستیها، چارچوب ششمرحلهای AURA (Alignment and Usefulness Rating Audit) را توسعه داد که به پژوهشگران کمک میکند تشخیص دهند آیا موضوعات تولیدشده توسط هوش مصنوعی هم مرتبط هستند و هم کاربردی. (نکته: این جمله در متن اصلی به صورت تکراری آمده بود که برای حفظ یکپارچگی متن ترجمه شد).

تمام این موارد میتواند در حوزههایی مانند مراقبتهای بهداشتی، آموزش و علوم اجتماعی حیاتی باشد؛ جایی که درک تجربیات یک فرد اغلب نیازمند تفسیر بافت کلام و شرایط است، نه صرفاً تشخیص موضوعاتی که به دفعات مورد بحث قرار گرفتهاند. این مطالعه شامل مجموعه نسبتاً کوچکی از مصاحبهها با تمرکز بر حوزه پرستاری و هوش مصنوعی مولد بود. همچنین پژوهشگران به جای آزمایش مستقیم چتباتهای مکالمهمحور مانند چتجیپیتی (ChatGPT) یا جمنای (Gemini)، از BERTopic که یک سیستم تخصصی مدلسازی موضوعی است، استفاده کردند.
بنابراین، انجام آزمایشهای بیشتر برای مشخص کردن میزان تعمیمپذیری این یافتهها به سایر سیستمهای هوش مصنوعی و محیطهای پژوهشی ضروری خواهد بود. با وجود تمام تواناییهایی که هوش مصنوعی تا به امروز کسب کرده است، این فناوری در درک زمینهای و مفهومی (Contextual Understanding) همچنان از انسانها عقبتر است.




نظرات در مورد : هوش مصنوعی کلمات ما را میخواند، اما درک منظور واقعی انسانها داستانی کاملاً متفاوت است