PsychAdapter؛ هوش مصنوعی با شخصیت واقعی انسان‌ها

مقدمه؛ وقتی هوش مصنوعی شبیه «هیچ‌کس» حرف می‌زند

مدل‌های زبانی بزرگ یا Large Language Models / LLMs مانند ChatGPT، Claude، Llama و Gemma بر پایه حجم عظیمی از متن‌های انسانی آموزش دیده‌اند. این مدل‌ها می‌توانند مقاله بنویسند، پاسخ فنی بدهند، متن تبلیغاتی تولید کنند و حتی گفت‌وگوهای پیچیده را مدیریت کنند. اما یک مشکل مهم همچنان پابرجاست: خروجی بسیاری از این مدل‌ها صدایی عمومی، خنثی، بیش‌ازحد مودب، کمی مثبت و فاقد تفاوت‌های انسانی دارد.

پژوهشگران این حالت را نوعی «زبان از طرف هیچ‌کس» توصیف می‌کنند؛ زبانی که از میانگین نوشتار میلیون‌ها نفر ساخته شده، اما لزوماً شبیه هیچ انسان مشخصی نیست. در نتیجه، وقتی کاربر از یک مدل زبانی می‌خواهد مانند یک بیمار مضطرب، یک نوجوان درون‌گرا، یک فرد بسیار برون‌گرا یا فردی با نشانه‌های افسردگی صحبت کند، مدل معمولاً به کلیشه‌های زبانی تکیه می‌کند، نه به الگوهای واقعی استخراج‌شده از داده‌های انسانی.

اکنون پژوهشی منتشرشده در نشریه npj Artificial Intelligence راهکاری تازه معرفی کرده است: PsychAdapter. این فناوری یک اصلاح کوچک اما مهم در معماری مدل‌های زبانی است که به مدل اجازه می‌دهد ویژگی‌های روان‌شناختی مانند سن، جنسیت، صفات پنج‌گانه شخصیت، افسردگی و رضایت از زندگی را به‌صورت ورودی عددی دریافت کند و متنی متناسب با آن ویژگی‌ها تولید کند.

PsychAdapter چیست؟

PsychAdapter یک روش فنی برای افزودن کنترل روان‌شناختی به مدل‌های زبانی بزرگ است. برخلاف روش‌های ساده مبتنی بر پرامپت‌نویسی یا Prompt Engineering، این فناوری صرفاً به مدل نمی‌گوید «مثل یک فرد برون‌گرا بنویس». در عوض، مجموعه‌ای از امتیازهای پیوسته یا Continuous Psychological Scores را مستقیماً وارد لایه‌های پردازشی مدل می‌کند.

برای نمونه، پژوهشگر می‌تواند مقادیری مانند برون‌گرایی بالا، افسردگی متوسط، سن پایین، رضایت از زندگی کم یا روان‌رنجوری بالا را به مدل بدهد. سپس مدل زبانی متنی تولید می‌کند که با آن ترکیب روان‌شناختی هم‌خوانی دارد. این یعنی خروجی دیگر فقط یک تیپ کلی مانند «فرد افسرده» یا «فرد برون‌گرا» نیست، بلکه نماینده نقطه‌ای مشخص در یک فضای چندبعدی شخصیت و سلامت روان است.

در این پژوهش، ارزیابان متخصص تأیید کردند که زبان تولیدشده با دقت ۸۷ درصد برای ویژگی‌های شخصیتی و ۹۷ درصد برای ویژگی‌های مرتبط با سلامت روان با پروفایل‌های هدف هماهنگ بوده است. این ارقام نشان می‌دهد PsychAdapter فقط یک ایده نظری نیست، بلکه می‌تواند تفاوت‌های زبانی قابل‌شناسایی و قابل‌اندازه‌گیری ایجاد کند.

چرا پرامپت‌نویسی برای شخصیت دادن به هوش مصنوعی کافی نیست؟

بسیاری از کاربران امروز برای شخصی‌سازی خروجی مدل‌های زبانی از دستورهایی مانند «مثل یک نوجوان بنویس»، «مثل فردی مضطرب پاسخ بده» یا «متنی با لحن برون‌گرا تولید کن» استفاده می‌کنند. این روش در برخی موارد مفید است، اما محدودیت‌های جدی دارد.

• پرامپت معمولاً شخصیت را به‌صورت دسته‌ای و کلی تعریف می‌کند، نه پیوسته و چندبعدی.
• مدل ممکن است به کلیشه‌های فرهنگی یا زبانی درباره یک گروه متوسل شود.
• کنترل هم‌زمان چند ویژگی مانند سن، افسردگی، برون‌گرایی و توافق‌پذیری دشوار است.
• خروجی پرامپت لزوماً بر پایه داده‌های روان‌شناختی معتبر نیست.
• پایداری شخصیت در طول گفت‌وگو ممکن است کاهش یابد.

PsychAdapter این مشکل را از مسیر معماری مدل حل می‌کند. در این روش، ویژگی‌های روان‌شناختی نه به‌عنوان توصیف متنی، بلکه به‌عنوان سیگنال عددی وارد مدل می‌شوند. این سیگنال در لایه‌های مختلف شبکه عصبی اثر می‌گذارد و تولید متن را در هر مرحله شکل می‌دهد.

PsychAdapter چگونه کار می‌کند؟

برای آموزش PsychAdapter، پژوهشگران از حدود ۵۰۰ هزار توییت و ۷۰۰ هزار پست وبلاگی عمومی استفاده کردند. هر نوشته با کمک مدل‌های یادگیری ماشینی یا Machine Learning Models از نظر ویژگی‌هایی مانند برون‌گرایی، افسردگی و سن امتیازدهی شد.

نکته مهم این است که این امتیازدهی مستقیماً از خود مدل زبانی بزرگ به دست نیامده است. مدل‌های امتیازدهنده بر پایه پژوهش‌هایی ساخته شده‌اند که در آن‌ها ویژگی‌های افراد از طریق پرسش‌نامه‌های روان‌شناختی سنجیده شده و سپس زبان آن‌ها تحلیل شده است. بنابراین الگوهای زبانی مربوط به افسردگی، رضایت از زندگی، درون‌گرایی یا برون‌گرایی از داده‌های واقعی انسانی استخراج شده‌اند، نه از حدس یک LLM درباره اینکه «یک فرد افسرده چگونه حرف می‌زند».

پس از ایجاد مجموعه‌داده‌ای که در آن هر متن با یک پروفایل روان‌شناختی همراه است، پژوهشگران معماری مدل زبانی را تغییر دادند. این تغییر می‌تواند روی مدل‌های متن‌باز یا Open-weight Models مانند Gemma3 گوگل، Llama3 متا یا GPT-۲ شرکت OpenAI اعمال شود. در این معماری، امتیازهای روان‌شناختی به لایه‌های پردازشی مدل تزریق می‌شوند تا خروجی نهایی با ویژگی‌های هدف هم‌سو شود.

به زبان ساده، اگر به مدل مقادیری مانند برون‌گرایی = +۳، روان‌رنجوری = -۲ و سن = +۱ داده شود، مدل متنی تولید می‌کند که با همین ترکیب سازگار باشد. این فرایند امکان کنترل دقیق‌تر و هم‌زمان چند ویژگی را فراهم می‌کند؛ چیزی که با پرامپت‌های معمولی به‌سختی قابل دستیابی است.

نمونه‌های کاربردی؛ از آموزش درمانگران تا محتوای شخصی‌سازی‌شده

۱. شبیه‌سازی بیمار برای آموزش بالینی

یکی از مهم‌ترین کاربردهای PsychAdapter در حوزه سلامت روان است. آموزش مشاوران، درمانگران، نیروهای خط بحران و متخصصان سلامت روان نیازمند تمرین با سناریوهای واقعی است. اما استفاده از بیماران واقعی برای تمرین همیشه ممکن، ایمن یا اخلاقی نیست.

با کمک مدل‌های زبانی دارای پروفایل روان‌شناختی، می‌توان بیمارانی مصنوعی اما واقع‌گرایانه ساخت؛ برای مثال فردی جوان با نشانه‌های افسردگی بالا، رضایت از زندگی پایین و برون‌گرایی کم. چنین شبیه‌سازی‌هایی می‌توانند به کارآموزان کمک کنند مهارت‌های گفت‌وگو، ارزیابی خطر، همدلی و پاسخ‌دهی حرفه‌ای را در محیطی کنترل‌شده تمرین کنند.

۲. تولید محتوای آموزشی متناسب با سن و سطح مخاطب

کاربرد دیگر PsychAdapter در آموزش است. محتوای آموزشی اگر با سن، سطح شناختی، انگیزه و سبک زبانی مخاطب هماهنگ نباشد، تأثیر کمتری دارد. با این فناوری می‌توان متن‌هایی تولید کرد که برای دانش‌آموزان، دانشجویان، سالمندان یا گروه‌های خاص از نظر زبانی و روان‌شناختی مناسب‌تر باشند.

برای مثال، توضیح یک مفهوم علمی برای نوجوانان کم‌حوصله با توضیح همان مفهوم برای بزرگسالان علاقه‌مند به علوم دقیق متفاوت است. PsychAdapter می‌تواند به سیستم‌های آموزش هوشمند کمک کند زبان، مثال‌ها، لحن و سطح توضیح را با ویژگی‌های مخاطب هماهنگ کنند.

۳. ساخت گروه‌های دیجیتال برای پژوهش‌های اجتماعی

در علوم اجتماعی، پژوهشگران گاهی نیاز دارند بدانند گروه‌های مختلف چگونه به یک پیام، برنامه یا سیاست واکنش نشان می‌دهند. PsychAdapter می‌تواند امکان ساخت «همگروه‌های دیجیتال» یا Digital Cohorts را فراهم کند؛ یعنی مجموعه‌ای از افراد شبیه‌سازی‌شده با پروفایل‌های متفاوت شخصیتی، سنی و روان‌شناختی.

چنین گروه‌هایی جایگزین پژوهش انسانی واقعی نیستند، اما می‌توانند برای آزمون اولیه ایده‌ها، طراحی پرسش‌نامه، بهبود پیام‌های عمومی و بررسی سناریوهای ارتباطی مفید باشند. این کاربرد به‌ویژه برای پژوهش‌هایی که هزینه بالا یا محدودیت اخلاقی دارند اهمیت دارد.

۴. تولید محتوای شخصی‌سازی‌شده در رسانه و بازاریابی مسئولانه

در حوزه رسانه، بازاریابی و تجربه کاربری، تولید محتوای شخصی‌سازی‌شده یکی از روندهای اصلی است. اما شخصی‌سازی بیش‌ازحد می‌تواند به دست‌کاری روانی، هدف‌گیری ناعادلانه یا سوءاستفاده از آسیب‌پذیری‌های کاربران منجر شود. PsychAdapter از نظر فنی می‌تواند پیام‌ها را برای پروفایل‌های روان‌شناختی خاص تنظیم کند، اما همین قابلیت نیازمند چارچوب اخلاقی سخت‌گیرانه است.

چالش اصلی فعالان این حوزه چیست؟

برای مدیران محصول، پژوهشگران هوش مصنوعی، متخصصان سلامت، تولیدکنندگان محتوا و تیم‌های آموزشی، مسئله اصلی فقط تولید متن بهتر نیست. چالش واقعی این است که چگونه می‌توان خروجی‌های هوش مصنوعی را انسانی‌تر، دقیق‌تر و مفیدتر کرد، بدون آنکه به دست‌کاری، سوگیری یا جعل هویت انسانی منجر شود.

فعالان این حوزه با چند پرسش عملی روبه‌رو هستند:

• چگونه می‌توان شخصیت مدل را قابل‌کنترل و قابل‌اندازه‌گیری کرد؟
• چگونه از کلیشه‌سازی درباره افراد افسرده، سالمندان، نوجوانان یا گروه‌های شخصیتی جلوگیری شود؟
• چگونه محتوای تولیدشده برای گروه‌های روان‌شناختی خاص شفاف و قابل‌ردیابی باشد؟
• چگونه می‌توان از این فناوری در آموزش درمان