مدل جدید هوش مصنوعی «سای‌پراکسی» میلیاردها متن آنلاین را به بینش‌های روان‌شناختی تبدیل می‌کند

هر روز، میلیاردها نفر جزئیات زندگی خود را به صورت آنلاین ثبت می‌کنند. آنها در شبکه‌های اجتماعی به‌روزرسانی‌هایی ارسال می‌کنند، نظرات دقیق محصولات را می‌نویسند، اظهارنظرهای صریح در مورد محل کار خود می‌گذارند و نگرانی‌های صمیمی سلامتی را در پورتال‌های بیماران به اشتراک می‌گذارند. در مجموع، این ردپای دیجیتال گسترده، یک نگاه بی‌سابقه و در لحظه به نحوه مدیریت زندگی روزمره، پردازش احساسات پیچیده و واکنش به رویدادهای جهانی توسط بشریت ارائه می‌دهد. برای دانشمندان علوم اجتماعی، این جریان ثابت از متن بدون ساختار، گنجینه‌ای از داده‌های رفتاری است که هر روش سنتی مشاهده‌ای را کوچک می‌شمارد و پنجره‌ای به روان جمعی انسان می‌گشاید.[4][5]

برای نسل‌ها، نظرسنجی‌های ساختاریافته ابزار اصلی محققان برای مطالعه رفتار انسان بوده‌اند. اما عصر دیجیتال چشم‌انداز داده‌ها را کاملاً دگرگون کرده است. محققان اکنون تخمین می‌زنند که تقریباً یک میلیون برابر بیشتر از پاسخ‌های نظرسنجی موجود برای تحلیل، متن به صورت ارگانیک و طبیعی به صورت آنلاین تولید می‌شود. این نابرابری عظیم به این معنی است که اتکا صرف به نظرسنجی‌ها، بخش بزرگی از بیان انسانی را کاملاً بررسی نشده باقی می‌گذارد و نیاز به روش‌های محاسباتی جدید برای پر کردن این شکاف را تقویت می‌کند.[1]

برای بهره‌برداری از این حجم عظیم زبان، محققان دانشگاه کلرادو بولدر «سای‌پراکسی» (PsyProxy) را توسعه داده‌اند؛ رده جدیدی از مدل‌های هوش مصنوعی که برای تبدیل زبان نوشتاری به مفاهیم روان‌شناختی قابل اندازه‌گیری طراحی شده است. این سیستم که توسط کای لارسن، استاد سیستم‌های اطلاعاتی در دانشکده کسب‌وکار لیدز، هدایت می‌شود، نوید می‌دهد که مقیاس و سرعت تحقیقات رفتاری را با تبدیل کلمات روزمره به نقاط داده‌ای کمی‌سازی شده که می‌توانند در میان جمعیت‌های عظیم تحلیل شوند، به شدت افزایش دهد.[1]

از لحاظ تاریخی، ابزارهای پردازش زبان طبیعی از نظر عمق روان‌شناختی محدود بوده‌اند. بسیاری از سیستم‌های قدیمی بر تحلیل ساده احساسات تکیه می‌کنند، که صرفاً یک متن را به عنوان مثبت، منفی یا خنثی علامت‌گذاری می‌کند. در حالی که این رویکرد دوتایی برای نظارت اولیه برند یا ردیابی حال و هوای عمومی مفید است، تحلیل احساسات در ثبت حالات پیچیده عاطفی، شناختی و اجتماعی که واقعاً رفتار انسان را هدایت می‌کنند، کاملاً ناکام می‌ماند.[3][4]

علاوه بر این، با قدرتمندتر شدن سیستم‌های هوش مصنوعی، به طور متناقضی تفسیر آنها دشوارتر شده است. یک مدل یادگیری عمیق مدرن ممکن است بر اساس میلیون‌ها سند متنی، ریزش مشتری یا روند سلامت عمومی را با دقت پیش‌بینی کند، اما به عنوان یک «جعبه سیاه» مبهم عمل می‌کند. این امر محققان را کاملاً ناتوان از توضیح دقیق اینکه چرا این پیش‌بینی انجام شده است، می‌سازد و ضرورت علمی درک مکانیسم زیربنایی را از بین می‌برد.[1][3]

سای‌پراکسی به طور خاص برای حل این مشکل قابلیت تفسیر ساخته شده است. این ابزار به جای اینکه صرفاً یک پیش‌بینی نهایی ارائه دهد، متن خام را بر روی متغیرهای جانشین (پراکسی) شفاف و قابل تفسیر نگاشت می‌کند. با تجزیه زبان به سیگنال‌های روان‌شناختی خاص، به محققان اجازه می‌دهد تا دقیقاً ببینند کدام سازه‌ها یک نتیجه را هدایت می‌کنند، و عملاً «قدرت چرایی» را به جامعه علمی بازمی‌گرداند و تضمین می‌کند که بینش‌های مبتنی بر هوش مصنوعی در رفتار قابل توضیح انسانی ریشه دارند.[1][2]

مکانیسم اصلی این سیستم متکی بر نمایش متن از طریق «لنزهای» تحلیلی تخصصی است. یک لنز روان‌شناختی به عنوان یک فرهنگ لغت بسیار کالیبره شده از ابعاد عمل می‌کند. هنگامی که یک محقق مجموعه‌داده‌ای از متن را بارگذاری می‌کند، هوش مصنوعی زبان را به امتیازاتی مرتبط با سازه‌های روان‌شناختی مستند شده تبدیل می‌کند، و خروجی ماشین را به جای وزن‌های ریاضی انتزاعی، در علوم رفتاری تثبیت شده متصل می‌کند. این رویکرد تضمین می‌کند که داده‌های حاصل هم از نظر آماری دقیق و هم از نظر نظری معتبر هستند.[2]

این سیستم در حال حاضر دارای چندین لنز متمایز است که برای حوزه‌های مختلف دانشگاهی و صنعتی طراحی شده‌اند. به عنوان مثال، لنز «سلامت» ۳۵۰ بُعد متمایز از جمله پریشانی افسردگی، تداخل درد و بار درمان را اندازه‌گیری می‌کند. در همین حال، لنز «جامعه‌شناسی» شامل ۱۰۰۰ بُعد چشمگیر است که مفاهیم اجتماعی ظریفی مانند اعتماد بین فردی، برابری اقتصادی و جهت‌گیری خدمات عمومی را ثبت می‌کند. این لنزهای تخصصی به محققان اجازه می‌دهند تا تحلیل خود را با حوزه خاصی که در حال مطالعه هستند، تطبیق دهند.[2]

دونالد ادموندسون، محقق پزشکی رفتاری در دانشگاه کلمبیا که همکاری نزدیکی با لارسن دارد، اشاره می‌کند که مردم دائماً اطلاعات روان‌شناختی معناداری را با کلمات خود بیان می‌کنند. از آنجایی که این نقاط داده دیجیتال به صورت ارگانیک در محیط واقعی تولید می‌شوند، سرشار از جزئیات هستند و اغلب حاوی بینش‌های حیاتی‌ای هستند که محققان هرگز فکر نمی‌کردند مستقیماً در یک نظرسنجی ساختاریافته در مورد آنها سؤال کنند، و مسیرهای کاملاً جدیدی را برای تحقیقات علمی اکتشافی باز می‌کنند.[1]

ادموندسون سیستم جدید هوش مصنوعی را با یک مترجم بسیار تخصصی مقایسه می‌کند. مردم به طور طبیعی زندگی، مبارزات و پیروزی‌های خود را با کلمات عادی و روزمره توصیف می‌کنند. سای‌پراکسی آن روایت‌های بدون ساختار و آشفته را می‌گیرد و آنها را به مفاهیم روان‌شناختی استاندارد شده‌ای ترجمه می‌کند که محققان می‌توانند به طور دقیق در میان جمعیت‌های عظیم و متنوع اندازه‌گیری، آزمایش و مقایسه کنند. این فرآیند ترجمه، شکاف بین بیان خام انسانی و تحقیقات علمی ساختاریافته را پر می‌کند.[1]

کاربردهای بالقوه این فناوری فراتر از روان‌شناسی سنتی، چندین رشته را در بر می‌گیرد. در بخش بازاریابی، محققان می‌توانند هزاران بررسی محصول را برای اندازه‌گیری معنای برند، تلافی مصرف‌کننده و رضایت از خدمات تحلیل کنند. در امور مالی و حسابداری، این ابزار می‌تواند تماس‌های درآمد شرکت‌ها و افشاهای عمومی را برای تشخیص تغییرات ظریف در ریسک‌گریزی، شفافیت گزارش‌دهی یا تمرکز بر انتظارات بازار اسکن کند و بینش‌های عمیق‌تری در مورد رفتار شرکت‌ها به سرمایه‌گذاران و تنظیم‌کنندگان ارائه دهد.[2][3]

برای ادغام یکپارچه این قابلیت‌ها در گردش کار تحقیقاتی موجود، این پلتفرم دسترسی برنامه‌نویسی قوی ارائه می‌دهد. محققان می‌توانند متن را در برابر لنزهای منتشر شده با استفاده از یک کلاینت اختصاصی پایتون نمایش دهند و به آنها اجازه می‌دهد میلیون‌ها سند را به صورت محلی پردازش کرده و امتیازات پراکسی حاصل را مستقیماً به مدل‌های آماری و خطوط لوله داده خود وارد کنند. این انعطاف‌پذیری تضمین می‌کند که این ابزار می‌تواند توسط طیف گسترده‌ای از مؤسسات بدون نیاز به بازنگری کامل زیرساخت‌های موجودشان پذیرفته شود.[2]

با نگاه به آینده، تیم توسعه همچنین در حال آماده‌سازی برای راه‌اندازی سرور پروتکل زمینه مدل (Model Context Protocol) است. این ویژگی آتی، ابزارهای تحلیلی سیستم را مستقیماً در معرض عوامل هوش مصنوعی سازگار قرار می‌دهد و دستیاران دیجیتال خودکار را قادر می‌سازد تا ابعاد روان‌شناختی را در طول وظایف پیچیده تحلیل داده، بدون نیاز به دخالت دستی انسان در هر مرحله، به طور یکپارچه جستجو کنند. این ادغام، یک جهش قابل توجه در خودکارسازی تحقیقات رفتاری در مقیاس بزرگ است.[2]

با وجود قابلیت‌های چشمگیر، سازندگان بر اقدامات حفاظتی روش‌شناختی سختگیرانه برای جلوگیری از سوء استفاده تأکید می‌کنند. خروجی‌های سیستم به صراحت به عنوان متغیرهای جانشین مبتنی بر مدل تعریف می‌شوند، نه مشاهدات مستقیم از وضعیت درونی یک فرد. توسعه‌دهندگان هشدار می‌دهند که یک امتیاز آماری پیش‌بینی‌کننده اضطراب یا ناامیدی در یک متن، به هیچ وجه یک تشخیص بالینی معتبر برای نویسنده نیست و این ابزار هرگز نباید برای تعیین‌های پزشکی یا روان‌شناختی در مورد افراد استفاده شود.[2]

رویکردهای مبتنی بر زبان همچنین دارای سوگیری‌های ذاتی هستند که محققان باید با دقت آنها را مدیریت کنند. همانطور که پاسخ‌دهندگان نظرسنجی ممکن است پاسخ‌های خود را برای خشنود کردن محقق تنظیم کنند، مردم اغلب هویت خود را به صورت آنلاین اجرا یا مدیریت می‌کنند. مشتری‌ای که یک بررسی خشمگین ارسال می‌کند، ممکن است هرگز شرکت را تحریم نکند، به این معنی که متن یک بیان لحظه‌ای را منعکس می‌کند نه یک تغییر رفتاری دائمی. محققان باید این جنبه‌های نمایشی را هنگام تفسیر داده‌ها در نظر بگیرند.[1]

به دلیل این محدودیت‌های ذاتی، سیستم قبل از انجام هرگونه اقدام مهم بر اساس تحلیل آن، نیاز به بررسی انسانی واجد شرایط دارد. توسعه‌دهندگان صراحتاً در مورد استفاده از این ابزار به عنوان تنها مبنای یک تصمیم مهم هشدار می‌دهند و از محققان می‌خواهند که تعاریف سازه، معیارهای اعتبارسنجی و عدم قطعیت‌های شناخته شده را قبل از نتیجه‌گیری‌های گسترده‌ای که می‌تواند بر سیاست عمومی، پروتکل‌های مراقبت‌های بهداشتی یا استراتژی‌های شرکت تأثیر بگذارد، به دقت بررسی کنند.[2]

در نهایت، محققان تأکید می‌کنند که این فناوری برای جایگزینی نظرسنجی‌های سنتی در نظر گرفته نشده است. نظرسنجی‌های ساختاریافته به طور منحصر به فردی مناسب و کاملاً ضروری برای پاسخ به سؤالات بسیار خاص و هدفمند هستند که در آنها محقق دقیقاً می‌داند چه چیزی را باید اندازه‌گیری کند و به یک نمونه کنترل شده و نماینده از جمعیت نیاز دارد. این دو روش برای تکمیل یکدیگر طراحی شده‌اند و درک جامع‌تری از رفتار انسان نسبت به آنچه هر یک به تنهایی می‌توانند به دست آورند، ارائه می‌دهند.[1]

در عوض، این رده جدید هوش مصنوعی به عنوان یک ابزار مکمل قدرتمند در جعبه ابزار علمی عمل می‌کند. با گشودن سیگنال‌های روان‌شناختی پنهان در میلیاردها متن روزمره، محققان را قادر می‌سازد تا رفتار انسان را در مقیاسی بی‌سابقه مشاهده کنند و عصر جدیدی از علوم رفتاری شفاف و در مقیاس بزرگ را آغاز می‌کند که شکاف بین ارتباطات دیجیتال و بینش روان‌شناختی را پر می‌کند. این نشان‌دهنده یک تغییر اساسی در نحوه اندازه‌گیری و درک تجربه انسانی است.[1][6]