Həyəcanın mərkəzi hisslərdir, lakin onları ölçmək hələ də çətindir: sorğular etibarlı məlumatlar verir, lakin ağırdır. LLM-lər provokativ bir alternativ təqdim edir: fərdlərin adından duyğular və təcrübələri ifadə edən təmsilçilər kimi fəaliyyət göstərir. Lakin bu yanaşmanın etibarlılığını sistematik olaraq qiymətləndirmək üçün çox az iş aparılıb və bu bizim töhfəimizdir. Burada, bir LLM-ni (Gemini-2.5-flash-light) fərdiləşdirmək və affektiv bir sorğuya insan cavablarını təxmin etmək üçün uzun uzunluqlu smartfon məlumatlarından istifadə edirik. 83 iştirakçıdan 17 həftəlik multimodal həssaslıq və suallar istifadə edərək, LLM-in müxtəlif vaxt aralıqlarında təsirləri, təsir növləri və fərdləri nə qədər yaxşı proqnozlaya biləcəyini qiymətləndiririk. Bizim nəticələrimiz sistematik müsbətlik tərəqqiyi ortaya qoyur: LLM insanların əslində bildirdiklərindən daha xoşbəxt olduğunu proqnozlaşdırır, eyni zamanda onların mənfi hisslərini azaldır. Bu iş insan duyğularını rəqəmsal izlərdən çıxarmaq üçün LLM-lərdən istifadə edərkən ciddi qiymətləndirmə və əhval-ruhiyyə əsaslandırmasının əhəmiyyətini vurğulayır.
İnsanlar avtomatik olaraq gündəlik hadisələri ilham və utanc kimi hissləri ilə əlaqələndirirlər1,2. Bu anlıq hisslər psixi rifahın mərkəzindədir: ətraf mühitin tələblərini əks etdirir, davranışlara rəhbərlik edir və özünü tənzimləməyə səbəb olur3,4. Bununla birlikdə, təsirləri ölçmək hələ də çətinlikdir. Tədqiqatlar etibarlı və ətraflı məlumatlar verə bilər, lakin istifadəçilərə yük düşür və real vaxtda geri bildirimi dəstəkləmir5,6,7,8,9. Digər tərəfdən, passiv smartfon algılamaları davamlı davranış siqnallarını təqdim edir, lakin bu siqnalları subyektiv təcrübəyə çevirmək çətindir10. Əvvəlki işlər, ümidverici nəticələrlə maşın öyrənmədən istifadə edərək bu kimi passiv hiss olunan məlumatlardan affektiv vəziyyətlərin proqnozlaşdırılmasını araşdırmışdır, lakin bu yanaşmalar geniş, əl ilə hazırlanmış xüsusiyyət mühəndisliyinə əsaslanır11,12.
Böyük dil modelləri (LLM) yeni bir imkan yaradır: sorğuya cavabları13 zəngin rəqəmsal izlərlə (məsələn, smartfon sensorları məlumatları) birləşdirərək LLM fərdlərin təsirini simulyasiya edə və ya nəticə verə bilər14,15. Bu qabiliyyət istifadəçilərin əhatəkar suallara əl ilə cavab vermədən hisslərini düşünməyə kömək edə bilər. Məlumatların təbii dil və kontekst məlumatları üzərində düşünməsində uğurlu olduğunu nəzərə alaraq, kifayət qədər zəngin şəxsi məlumatların insanların gündəlik həyatda necə hiss etdiklərini təxmin etmək imkanı verəcəyini düşünmək cəsarətlidir. Bununla birlikdə, LLM-lərin insan təsirlərini nə qədər yaxşı proqnozlaşdırdığını və ya bu proqnozların sistematik olaraq taraz olub olmadığını az şey məlumdur17.
Bu məqalədə, LLM-ni (Gemini-2.5-flash-lite) fərdiləşdirmək və insanın affektiv araşdırmalara cavablarını simulyasiya etmək qabiliyyətini qiymətləndirmək üçün uzun uzunmüddətli smartfon məlumatlarından istifadə edən ilk böyük miqyaslı araşdırmanı təqdim edirik (məsələn, müsbət və mənfi təsirlər cədvəli; PANAS). Biz 17 həftəlik passiv həzmlə bağlı məlumat dəstini əldə etdik (app istifadəsi, klaviatur aktivliyi və ekranda mətn daxil olmaqla) və həftəlik təsir suallarını əsas həqiqət kimi əldə etdik. Biz bu məlumat dəstini idarə olunan təcrübə dizaynında istifadə etdik, LLM-ni fərdiləşdirmək üçün istifadə olunan məlumatların həcminin və vaxt aralığını sistematik olaraq dəyişdirdik və 83 iştirakçı və 17 həftə ərzində proqnozlaşdırıcı performansın qiymətləndirilməsini təmin etdik.
Bizim nəticələrimiz göstərir ki, sadəcə olaraq daha böyük həcmlər və ya daha uzun tarixlər təqdim etmək yalnız həddən artıq qazanc əldə edir. Bunun əvəzinə, təxminat performansı təsir növləri, vaxt aralıqları və iştirakçıları arasında daha güclü dəyişir. Ən diqqəti cəlb edən hal budur ki, LLM-lər iştirakçıların həqiqətən bildirdiklərindən daha xoşbəxt olduğunu sistematik olaraq proqnozlaşdırır: xəbərdarlıq və qətiyyət kimi müsbət təsirlər şişdirilir, sinir və ya narahatlıq kimi mənfi təsirlər azaldılır və ya qaçırılır. Bu sistematik müsbətlik tərəfi həm LLM əsaslı insan simulyasiyasının həm də riskini vurğulayır: belə sistemlər təsirləri təxmin edə bilsələr də, narahatlığı aradan qaldıraraq insanların gündəlik əhval-ruhiyyə təcrübələrinin yaşanan reallığını təhrif edə bilərlər.
Bu tədqiqat böyük dil modellərində sistematik qərəzləri müəyyən edir İnsan təsirinin rəqəmsal izlərdən çıxarılması, xüsusilə iştirakçıların hesabatlarından daha xoşbəxt olduğunu proqnozlaşdırma meyli. Bu töhfə, təsiri növləri və fərdi məlumatların müxtəlif həcmləri və vaxt aralıqları üzrə proqnozlaşdırıcı performansın sistematik qiymətləndirilməsində əsaslanır.
Xülasə — davamını mənbədə oxuyun.
