DOI: https://doi.org/10.1145/3765895
تاريخ النشر: 2025-09-03
المؤلف: Ala Yankouskaya وآخرون
الموضوع الرئيسي: وسائل التواصل الاجتماعي والسياسة
نظرة عامة
تقدم البحث مقياس الاعتماد على نماذج اللغة الكبيرة (LLM-D12)، وهو استبيان مكون من 12 عنصرًا تم تطويره حديثًا لتقييم الاعتماد على نماذج اللغة الكبيرة (LLMs). مع الاعتراف بالقيود التي تواجه الأدوات الحالية التي تتكيف بشكل أساسي مع أعراض الإدمان السلوكي الكلاسيكية، يقترح المؤلفون نهجًا أكثر دقة يلتقط تعقيدات التفاعل بين LLM والإنسان. تم التحقق من صحة المقياس من خلال تحليلات العوامل الاستكشافية والتأكيدية على عينة من 526 مشاركًا في المملكة المتحدة، مما يكشف عن هيكل ذو عاملين: الاعتماد الوظيفي، الذي يقيس الاعتماد على LLMs في اتخاذ القرارات والمهام المعرفية، والاعتماد العلاقي، الذي يقيم إدراك LLMs ككيانات ذات معنى اجتماعي.
يظهر مقياس LLM-D12 اتساقًا داخليًا ممتازًا وصلاحية تمييزية، مما يؤكد أساسه المفاهيمي والطبيعة المتميزة لمقاييسه الفرعية. تشير النتائج إلى أن الاعتماد على LLMs لا يشير بالضرورة إلى خلل؛ بل يعكس مستويات متفاوتة من الاعتماد التي قد تصبح مشكلة في سياقات معينة. مع تزايد دمج LLMs في جوانب مختلفة من الحياة، يوفر LLM-D12 إطارًا قويًا للبحث المستقبلي حول التأثيرات النفسية لهذه التكنولوجيا، بينما يساهم أيضًا في تصميم الذكاء الاصطناعي المسؤول ومبادرات محو الأمية الرقمية التي تهدف إلى معالجة الاعتماد المفرط المحتمل.
مقدمة
تناقش مقدمة ورقة البحث النمو السريع ودمج نماذج اللغة الكبيرة (LLMs) في جوانب مختلفة من الحياة، مع توقع أن ينمو سوق LLM العالمي من 6.5 مليار دولار أمريكي في 2024 إلى أكثر من 140 مليار دولار أمريكي بحلول 2033. يُعزى هذا الاعتماد الواسع إلى كفاءة LLMs ووظيفتها، مما يعزز الإنتاجية واتخاذ القرار. ومع ذلك، يحذر المؤلفون من أن هذه الفوائد قد تؤدي إلى الاعتماد النفسي، الذي يتميز بالاعتماد المعتاد على LLMs الذي يقلل من الاستقلالية والتفكير النقدي. يتم تسليط الضوء على ظاهرة تحميل الإدراك، حيث يقوم المستخدمون بتفويض المهام المعرفية إلى LLMs، كعامل رئيسي يساهم في هذا الاعتماد.
تستكشف الورقة أيضًا السمات الفريدة لـ LLMs، مثل قدرتها على محاكاة الحضور العاطفي وتعزيز الأنثروبومorphism، مما يمكن أن يعمق ارتباط المستخدمين واعتمادهم. قد لا تلتقط الأطر الحالية لفهم الإدمان السلوكي تمامًا الفروق الدقيقة في اعتماد LLM، الذي ينطوي على أبعاد وظيفية ووجودية. يقترح المؤلفون نموذجًا متعدد الأبعاد يتضمن مفاهيم نفسية مثل الخصوصية الذاتية، والتدفق، والتفاعل الباراسوشي لفهم تفاعل المستخدمين مع LLMs بشكل أفضل. تهدف الدراسة إلى تطوير أدوات قياس تعكس الجوانب الوظيفية والعاطفية للاعتماد على LLM، مع الاعتراف بإمكانية الاستخدام التكيفي بينما تعالج أيضًا المخاطر المرتبطة بتقليل الانخراط النقدي والاتصال الاجتماعي.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح بشكل منهجي النتائج، مع تسليط الضوء على الاتجاهات والأنماط المهمة التي لوحظت في البيانات. غالبًا ما تكون النتائج مصحوبة بتحليلات إحصائية ذات صلة، والتي قد تشمل قيم p، وفترات الثقة، أو أحجام التأثير، لدعم الادعاءات المقدمة.
بالإضافة إلى ذلك، قد يتم استخدام تمثيلات رسومية مثل المخططات أو الجداول لتوضيح النتائج بشكل أكثر وضوحًا، مما يسمح بتفسير أسهل للبيانات المعقدة. يختتم القسم بمناقشة تداعيات هذه النتائج، وربطها بأسئلة البحث المطروحة في المقدمة واقتراح طرق محتملة لمزيد من التحقيق. بشكل عام، توفر النتائج فهمًا أساسيًا لمساهمات الدراسة في هذا المجال.
المناقشة
تتناول قسم المناقشة في ورقة البحث الأسس النظرية وتداعيات مقياس LLM-D12، المصمم لقياس الاعتماد على نماذج اللغة الكبيرة (LLMs). يسلط الضوء على الاعتماد المعرفي والمعلوماتي الذي ينشأ من الاستخدام المنتظم لـ LLMs، والذي يمكن أن يقلل من التفكير النقدي والاحتفاظ بالمعلومات، مما يؤدي إلى تحيز الأتمتة حيث قد يقبل المستخدمون المعلومات التي تم إنشاؤها بواسطة الذكاء الاصطناعي دون تحقق. يتفاقم هذا الاعتماد بسبب التحيزات المعرفية التي تفضل الاختصارات الذهنية، مما قد يؤدي إلى سوء تفسير المعلومات وانخفاض في الوكالة الشخصية والثقة بالنفس.
بالإضافة إلى ذلك، تتناول الورقة الأبعاد العاطفية والاجتماعية للاعتماد على LLM، مشيرة إلى أن التفاعل الشبيه بالإنسان الذي توفره هذه الأنظمة يمكن أن يعزز الروابط الباراسوشية، حيث يطور المستخدمون ارتباطات عاطفية مع LLMs. يمكن أن يؤدي ذلك إلى العزلة الاجتماعية وتفضيل التفاعل مع الذكاء الاصطناعي على التفاعل البشري. كما تؤكد المناقشة على دور التخصيص والانخراط الغامر في تعزيز تجربة المستخدم، مما يمكن أن يخلق دورة مجزية تعزز الاعتماد. تشير النتائج إلى أنه بينما يمكن أن تعزز LLMs بشكل كبير الإنتاجية وكفاءة المهام، فإنها أيضًا تشكل مخاطر الاستخدام القهري والاعتماد العاطفي، مما يؤثر في النهاية على القدرات المعرفية والاجتماعية للمستخدمين.
القيود
تسلط القيود في الدراسة الحالية الضوء على عدة مجالات للبحث المستقبلي بشأن الاعتماد على نماذج اللغة الكبيرة (LLMs). من الجدير بالذكر أن النتائج تشير إلى أن اعتماد LLM يختلف عن ملفات تعريف الإدمان الرقمي التقليدية، حيث يتضمن مكونات وظيفية وعلاقات فريدة. ومع ذلك، فإن التصميم العرضي يقيد القدرة على تقييم تطور هذا الاعتماد بمرور الوقت، مما يبرز الحاجة إلى دراسات طولية لتحديد ما إذا كان الاعتماد على LLMs يستقر أو يصبح مشكلة. بالإضافة إلى ذلك، فإن استخدام عينة ملائمة يحد من تعميم النتائج، حيث قد لا تمثل المشاركون السكان الأوسع، خاصة أولئك الذين لديهم مستويات متفاوتة من التعرض لتقنيات الذكاء الاصطناعي.
يجب أن تهدف الأبحاث المستقبلية إلى الحصول على عينات أكثر تنوعًا وتمثيلًا، خاصة عبر سياقات ثقافية مختلفة، للتحقق من صحة مقياس الاعتماد على LLM (LLM-D12) واستكشاف كيفية تأثير المعايير الثقافية على علاقات التكنولوجيا. تشير التجانس الديموغرافي للدراسة الحالية، الذي يتكون بشكل أساسي من مشاركين تتراوح أعمارهم بين 18-40، أيضًا إلى أن أنماط الاعتماد قد تختلف في المراهقين وكبار السن، مما يستدعي تكييف المقياس لهذه الفئات العمرية. علاوة على ذلك، يمكن أن تعزز الأساليب النوعية من فهم تصورات المستخدمين للاعتماد، بينما يمكن أن توفر دراسة أنماط الاستخدام المختلفة رؤى أعمق حول تفاعلات المستخدمين مع LLMs والاعتماد المفرط المحتمل. بشكل عام، ستعزز هذه الاتجاهات الوضوح المفهومي وقابلية تطبيق أبحاث اعتماد LLM عبر مجموعات وسياقات متنوعة.
DOI: https://doi.org/10.1145/3765895
Publication Date: 2025-09-03
Author(s): Ala Yankouskaya et al.
Primary Topic: Social Media and Politics
Overview
The research introduces the LLM Dependency Scale (LLM-D12), a newly developed 12-item questionnaire designed to assess dependency on large language models (LLMs). Recognizing the limitations of existing tools that primarily adapt classic behavioral addiction symptoms, the authors propose a more nuanced approach that captures the complexities of the LLM-human interaction. The scale was validated through exploratory and confirmatory factor analyses on a sample of 526 participants in the UK, revealing a two-factor structure: Instrumental Dependency, which measures reliance on LLMs for decision-making and cognitive tasks, and Relationship Dependency, which assesses the perception of LLMs as socially meaningful entities.
The LLM-D12 scale demonstrates excellent internal consistency and discriminant validity, confirming its conceptual foundation and the distinct nature of its subscales. The findings suggest that dependency on LLMs does not inherently indicate dysfunction; rather, it reflects varying levels of reliance that could become problematic in certain contexts. As LLMs increasingly integrate into various aspects of life, the LLM-D12 provides a robust framework for future research on the psychological impacts of this technology, while also informing responsible AI design and digital literacy initiatives aimed at addressing potential overdependence.
Introduction
The introduction of the research paper discusses the rapid growth and integration of large language models (LLMs) into various aspects of life, with the global LLM market projected to expand from USD 6.5 billion in 2024 to over USD 140 billion by 2033. This widespread adoption is attributed to LLMs’ efficiency and functionality, which enhance productivity and decision-making. However, the authors caution that these benefits may lead to psychological dependency, characterized by habitual reliance on LLMs that diminishes autonomy and critical thinking. The phenomenon of cognitive offloading, where users delegate cognitive tasks to LLMs, is highlighted as a key factor contributing to this dependency.
The paper further explores the unique attributes of LLMs, such as their ability to simulate emotional presence and foster anthropomorphism, which can deepen user attachment and dependency. Existing frameworks for understanding behavioral addiction may not fully capture the nuances of LLM dependency, which involves both functional and existential dimensions. The authors propose a multidimensional model that incorporates psychological constructs like self-specificity, flow, and parasocial interaction to better understand user engagement with LLMs. The study aims to develop measurement tools that reflect both the instrumental and emotional aspects of LLM dependency, acknowledging the potential for adaptive use while also addressing the risks associated with diminished critical engagement and social connection.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It systematically outlines the outcomes, highlighting significant trends and patterns observed in the data. The results are often accompanied by relevant statistical analyses, which may include p-values, confidence intervals, or effect sizes, to substantiate the claims made.
In addition, graphical representations such as charts or tables may be utilized to illustrate the findings more clearly, allowing for easier interpretation of complex data. The section concludes with a discussion of the implications of these results, linking them back to the research questions posed in the introduction and suggesting potential avenues for further investigation. Overall, the results provide a foundational understanding of the study’s contributions to the field.
Discussion
The discussion section of the research paper elaborates on the theoretical foundations and implications of the LLM-D12 scale, designed to measure dependency on large language models (LLMs). It highlights the cognitive and informational dependency that arises from regular use of LLMs, which can diminish critical thinking and information retention, leading to automation bias where users may accept AI-generated information without verification. This dependency is exacerbated by cognitive biases that favor mental shortcuts, potentially resulting in misinterpretation of information and a decline in personal agency and self-confidence.
Additionally, the paper addresses the emotional and social dimensions of LLM dependency, noting that the human-like interaction provided by these systems can foster parasocial bonds, where users develop emotional attachments to LLMs. This can lead to social isolation and a preference for AI interaction over human engagement. The discussion also emphasizes the role of personalization and immersive engagement in enhancing user experience, which can create a rewarding cycle that reinforces dependency. The findings suggest that while LLMs can significantly boost productivity and task efficiency, they also pose risks of compulsive usage and emotional reliance, ultimately impacting users’ cognitive and social capabilities.
Limitations
The limitations of the current study highlight several areas for future research regarding the dependency on large language models (LLMs). Notably, the findings suggest that LLM dependency diverges from traditional digital addiction profiles, incorporating unique instrumental and relational components. However, the cross-sectional design restricts the ability to assess the evolution of this dependency over time, emphasizing the need for longitudinal studies to determine whether reliance on LLMs stabilizes or becomes problematic. Additionally, the use of a convenience sample limits the generalizability of the results, as participants may not represent the broader population, particularly those with varying levels of exposure to AI technologies.
Future research should aim for more diverse and representative samples, particularly across different cultural contexts, to validate the LLM Dependency Scale (LLM-D12) and explore how cultural norms influence technology relationships. The current study’s demographic homogeneity, primarily consisting of participants aged 18-40, also suggests that patterns of dependency may differ in adolescents and older adults, warranting adaptations of the scale for these age groups. Furthermore, incorporating qualitative methods could enrich the understanding of users’ perceptions of dependency, while investigating various usage patterns could provide deeper insights into user-LLM interactions and potential overreliance. Overall, these directions will enhance the conceptual clarity and applicability of LLM dependency research across diverse populations and contexts.