DOI: https://doi.org/10.1038/s41598-024-55949-y
PMID: https://pubmed.ncbi.nlm.nih.gov/38528008
تاريخ النشر: 2024-03-26
المؤلف: Yukun Zhao وآخرون
الموضوع الرئيسي: اتخاذ القرار والاقتصاد السلوكي
نظرة عامة
تستكشف هذه الدراسة التفاعل بين المشاعر وعمليات اتخاذ القرار في روبوتات الدردشة الذكية، وبالتحديد نماذج اللغة الكبيرة (LLMs) مثل ChatGPT من OpenAI. كانت المشاعر تُعتبر تقليديًا سمة فريدة للبشر، حيث تؤثر على سلوكيات مثل تجنب المخاطر والكرم. كانت الأبحاث تهدف إلى تحديد ما إذا كان بإمكان الذكاء الاصطناعي إظهار أنماط استجابة مشابهة عند تعرضه لمؤشرات عاطفية. من خلال استخدام حسابات متعددة لـ ChatGPT Plus في سيناريوهات مصممة لاستحضار حالات عاطفية إيجابية أو سلبية أو محايدة، قامت الدراسة بتحليل ردودهم على الاستفسارات المتعلقة بقرارات الاستثمار والسلوكيات الاجتماعية.
تشير النتائج إلى أن ChatGPT-4 أظهر أنماط استجابة مميزة تأثرت بالمؤشرات العاطفية، خاصة في اتخاذ المخاطر والقرارات الاجتماعية، والتي كانت أقل وضوحًا في النموذج السابق ChatGPT-3.5. وهذا يشير إلى أن نماذج اللغة الكبيرة الأكثر تقدمًا تمتلك قدرة أكبر على تعديل استجابتها بناءً على المؤشرات العاطفية، على الرغم من أن ذلك لا يعني أن هذه النماذج تختبر المشاعر بنفسها. بشكل عام، تسلط الأبحاث الضوء على الإمكانية لتأثير الاستحضار العاطفي على استجابات الذكاء الاصطناعي، مما يمهد الطريق لمزيد من الاستكشاف في الديناميات العاطفية للذكاء الاصطناعي.
الطرق
يستعرض قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث تم استخدام التحليلات الإحصائية لتقييم البيانات المجمعة من تجارب مختلفة. شملت المنهجيات المحددة التجارب المنضبطة، حيث تم التلاعب بالمتغيرات بشكل منهجي لتقييم تأثيراتها على النتائج ذات الصلة.
شملت جمع البيانات استخدام أدوات موحدة لضمان الموثوقية والصلاحية، مع إجراء التحليلات اللاحقة باستخدام أدوات البرمجيات للحسابات الإحصائية. التزمت الدراسة بالإرشادات الأخلاقية، مما يضمن أن جميع الإجراءات تمت الموافقة عليها من قبل مجالس المراجعة المؤسسية ذات الصلة. تم اشتقاق النتائج الرئيسية من تطبيق الاختبارات الإحصائية، التي قدمت رؤى حول العلاقات بين المتغيرات قيد التحقيق.
المناقشة
في هذه البحث، تم فحص تأثير الاستحضار العاطفي على اتخاذ القرار المالي والسلوك الاجتماعي في استجابات الذكاء الاصطناعي من خلال دراستين استخدمتا ChatGPT-4 وChatGPT-3.5. ركزت الدراسة الأولى على قرارات الاستثمار، وكشفت أن ChatGPT-4، عندما تم استحضاره بالخوف، أظهر ميولًا أقل بكثير نحو المخاطرة مقارنة بكل من مجموعة التحكم وأولئك الذين تم استحضارهم بالفرح. على العكس، أظهر ChatGPT-3.5 تأثيرات أقل وضوحًا، مما يشير إلى أن المؤشرات العاطفية تتم معالجتها بشكل أكثر فعالية بواسطة النماذج الأكثر تقدمًا. أكدت التحليلات الإحصائية وجود اختلافات كبيرة في ميول المخاطرة عبر ظروف الاستحضار لكلا النموذجين، حيث أسفر الاستحضار العاطفي السلبي عن تأثيرات أقوى من الاستحضار الإيجابي، مما يتماشى مع الفكرة القائلة بأن المشاعر السلبية قد تمارس تأثيرًا أكبر من المشاعر الإيجابية.
استكشفت الدراسة الثانية السلوك الاجتماعي من خلال تقييم ميول التبرع استجابةً للمؤشرات العاطفية. أشارت النتائج إلى أن ChatGPT-4، عندما تم استحضاره بالقلق، أظهر استجابات اجتماعية أقل بكثير مقارنة بمجموعة التحكم، بينما لم تسفر حالة الاستحضار الإيجابي عن اختلافات كبيرة. على النقيض، لم يظهر ChatGPT-3.5 اختلافات كبيرة عبر الظروف العاطفية. تشير هذه النتائج إلى أنه مع تطور نماذج اللغة الكبيرة، تتحسن حساسيتها للمؤشرات العاطفية، مما قد يعزز قابليتها للتطبيق في سياقات مثل دعم العملاء والعلاج. ومع ذلك، تثير الأبحاث أيضًا اعتبارات أخلاقية بشأن التلاعب بمخرجات الذكاء الاصطناعي من خلال الاستحضار العاطفي وتسلط الضوء على الحاجة إلى مزيد من الاستكشاف في الآليات الأساسية لهذه الاستجابات، فضلاً عن الآثار المترتبة على التفاعلات بين البشر والذكاء الاصطناعي.
DOI: https://doi.org/10.1038/s41598-024-55949-y
PMID: https://pubmed.ncbi.nlm.nih.gov/38528008
Publication Date: 2024-03-26
Author(s): Yukun Zhao et al.
Primary Topic: Decision-Making and Behavioral Economics
Overview
This study explores the interaction between emotions and the decision-making processes of AI chatbots, specifically large language models (LLMs) like OpenAI’s ChatGPT. Traditionally viewed as a uniquely human trait, emotions influence behaviors such as risk aversion and generosity. The research aimed to determine whether AI could exhibit similar response patterns when exposed to emotional primes. By engaging multiple accounts of ChatGPT Plus in scenarios designed to evoke positive, negative, or neutral emotional states, the study analyzed their responses to inquiries about investment decisions and prosocial behaviors.
The findings indicate that ChatGPT-4 demonstrated distinct response patterns influenced by emotional cues, particularly in risk-taking and prosocial decisions, which were less pronounced in the earlier ChatGPT-3.5 model. This suggests that more advanced LLMs possess a greater ability to modulate their responses based on emotional indicators, although it does not imply that these models experience emotions themselves. Overall, the research highlights the potential for emotional priming to affect AI responses, paving the way for further exploration into the emotional dynamics of artificial intelligence.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled trials, where variables were systematically manipulated to assess their effects on the outcomes of interest.
Data collection involved the use of standardized instruments to ensure reliability and validity, with subsequent analyses conducted using software tools for statistical computation. The study adhered to ethical guidelines, ensuring that all procedures were approved by relevant institutional review boards. Key findings were derived from the application of statistical tests, which provided insights into the relationships between the variables under investigation.
Discussion
In this research, the influence of emotional priming on financial decision-making and prosocial behavior in AI-generated responses was examined through two studies utilizing ChatGPT-4 and ChatGPT-3.5. Study 1 focused on investment decisions, revealing that ChatGPT-4, when primed with fear, exhibited significantly lower risk-taking tendencies compared to both a control group and those primed with joy. Conversely, ChatGPT-3.5 showed less pronounced effects, indicating that emotional cues are more effectively processed by more advanced models. Statistical analyses confirmed significant differences in risk-taking tendencies across the priming conditions for both models, with negative emotional priming yielding stronger effects than positive priming, which aligns with the notion that negative emotions may exert a greater influence than positive ones.
Study 2 investigated prosocial behavior by assessing donation tendencies in response to emotional cues. Results indicated that ChatGPT-4, when primed with anxiety, demonstrated significantly lower prosocial responses compared to the control group, while the positive priming condition did not yield significant differences. In contrast, ChatGPT-3.5 did not show significant variations across emotional conditions. These findings suggest that as LLMs evolve, their sensitivity to emotional cues improves, potentially enhancing their applicability in contexts such as customer support and therapy. However, the research also raises ethical considerations regarding the manipulation of AI outputs through emotional priming and highlights the need for further exploration into the underlying mechanisms of these responses, as well as the implications for human-AI interactions.