نخستینبار در Vectors of Mind منتشر شد.
خب، بیایید اندکی از بحث خردمندی فاصله بگیریم. پیش از آنکه ندای رسای آگاهی مرا با خود ببرد، واقعاً مجموعهای از مطالب روانسنجی را آماده کرده بودم. فقط نگاهبرگرداندن از آن بسیار دشوار است.
این وبلاگ را برای بررسی فرضیه واژگانی از منظر یادگیری ماشین راهاندازی کردم. مدلهای شخصیت، صفاتی را تعریف میکنند که بیش از همه دربارهشان در یک زبان سخن گفته میشود، و در عصر GPT میتوانیم این امر را بسیار بهتر اندازهگیری کنیم. مدلهای شخصیت که یا از بردارهای واژه یا از پیمایشهای سنتی به دست میآیند، به همان چند صفت محدود بازمیگردند؛ بهویژه دو عامل بزرگ: خودتنظیمی اجتماعی و پویایی. برای یادآوری این بحث، پنج عامل بزرگ، بردارهای واژهاند و عامل نخستین شخصیت را ببینید.
پنج عامل بزرگ بهطور مستقل در زبانهای بسیاری یافت شدهاند، اما مقایسه میان زبانها همیشه کیفی است. پژوهشگران پیمایشی از صفتهای شخصیتی را در زبان ترکی یا آلمانی اجرا میکنند، آن را تحلیل عاملی میکنند و تا حدی با نگاهکردن به عوامل بررسی میکنند که آیا همان عوامل هستند یا نه. از این دادهها نمیتوان برای گفتن این جمله استفاده کرد که «برونگرایی در آلمانی، در مقایسه با انگلیسی، ۱۵ درجه از وظیفهشناسی فاصله گرفته است.» برای چنین دقتی، هر دو زبان باید مبنایی مشترک داشته باشند.
اگر پرسشها را به چند زبان اجرا کنید، میتوانید آنها را از راه ۱) یافتن گروهی دوزبانه که بتوانند به هر دو زبان پاسخ دهند، یا ۲) فرضکردن اینکه ترجمه واژهها تناظر یکبهیک دارد، به هم مرتبط کنید (برای مثال، fun در انگلیسی کاملاً معادل divertido در اسپانیایی است). در حالت نخست، اثر گزینش نیرومندی وجود دارد. اگر افراد دوزبانه معمولاً تحصیلات بهتری داشته باشند چه؟ حالت دوم صرفاً درست نیست. در واقع، دلیل تحلیل عاملیِ مشترک زبانها این است که بفهمیم ساختار شخصیت چگونه ممکن است میان آنها واگرا شود. فرضکردن یکسانبودن واژهها، هدف را از میان میبرد.
پژوهش من نشان داد که میتوان ساختار شخصیت را از مدلهای زبانی در انگلیسی استخراج کرد. پرسشی طبیعی این است که وقتی زبانهای دیگری را اضافه میکنید، این ساختار چگونه تغییر میکند. با مدلهایی که بر دهها زبان آموزش دیدهاند، بررسی این موضوع نسبتاً بیدردسر میشود. میتوانید هر تعداد زبان را بر یک مبنای مشترک نگاشت کنید.
دو عامل بزرگ، بار دیگر#
من از XLM-RoBERTa برای تعیین شباهت میان صفتهای شخصیتی استفاده کردم. بهطرزی عجیب، این مدل حاصل نسلکشی در میانمار است. متا در موقعیت نامطلوبی قرار دارد: باید محتوا را در مکانهایی حذف کند که دربارهشان شناخت بسیار اندکی دارد. از نظر فنی، این همان چیزی است که «مسئله یادگیری انتقالی» نامیده میشود. آنها میخواهند یک دستهبند گفتار نفرتپراکن را در انگلیسی (یا زبانی دیگر با منابع کافی) آموزش دهند و سپس آن را بر زبانهای دیگر اعمال کنند. در دوران تاریک مدلسازی زبان (۲۰۱۸)، این روش بسیار بد عمل میکرد. گفتار عامیانه برمهای برای عبارت «بیایید همجنسگراها را جمع کنیم و بکشیم» از نظر دستهبندهای آنها شبیه «باید رنگینکمانهای کمتری وجود داشته باشد» به نظر میرسید. این، طبیعتاً، از نظارت محتوایی آنها عبور میکرد. نیویورک تایمز پیامد آن را چنین توضیح داد: نسلکشیای که در فیسبوک تحریک شد، با پستهایی از ارتش میانمار
پاسخ متا ساختن یک مدل زبانی بود که بتواند هر زبان (البته ۱۰۰ زبان) را بهتر به بردارهای واژه در یک فضای مشترک نگاشت کند. به این ترتیب، یک دستهبند گفتار نفرتپراکن که در انگلیسی آموزش دیده است، میتواند بهتر به زبانهای دیگر تعمیم یابد. (برای تنظیم دقیق آن، به برمهایِ کمتری نیاز است.) با استفاده از این مدل، واژههای شخصیتی را در چهار زبان تعبیه کردم: انگلیسی، اسپانیایی، فرانسوی و ترکی. در زیر، دو عامل نخست آمدهاند:
این عوامل برای جداکردن زبانهای مختلف به کار میروند. عامل نخست، ترکی را از زبانهای هندواروپایی متمایز میکند. در عامل دوم، زبانهای رومی در مجاورت یکدیگر قرار دارند (هرچند به ترکی نیز نزدیکاند).
این منطقی است. مدل برای پیشبینی واژه بعدیِ یک جمله آموزش دیده است، بنابراین بهطور طبیعی اطلاعات ویژه هر زبان را در خود جای میدهد. اگر کسی به اسپانیایی صحبت کند، معمولاً ناگهان به ترکی تغییر زبان نمیدهد. امید این است که در فضای برداری، جهتهایی نیز وجود داشته باشند که با اطلاعات شخصیتی متناظر باشند.
اگر زبانها تا حد زیادی مستقل باشند، برای جداکردن ۴ زبان در گروههای متمایز و غیرهمپوشان، دستکم به ۳ بُعد نیاز دارید. بیایید مؤلفههای اصلی بعدی را بررسی کنیم.
عامل ۴ نخستین عاملی است که برای جداکردن زبانها آموخته نشده، و همان عامل عمومی شخصیت است! در انگلیسی: سلطهجو، بیرحم، وسواسی و خودخواه در برابر سخاوتمند، ملایم و باملاحظه. من استدلال کردهام که این عامل را باید بهترینگونه بهمنزله گرایش به زندگیکردن بر اساس قاعده زرین فهمید. نظریه حوا درباره آگاهی در واقع حاصل این پرسش بود که این امر در تاریخ تکاملی ما چه چیزی را انتخاب خواهد کرد. عامل ۵ نیز درباره شخصیت است؛ آنها را در کنار هم ترسیم کنیم:
به دو عامل بزرگ میرسیم! عامل پنج (یا دومین عامل از میان عوامل شخصیت) پویایی است: ماجراجو، خیالپرداز و پرانرژی در برابر محتاط، کمحرف و ترسو. شگفتانگیز است که این عامل تا این اندازه منظم پدیدار میشود. مقاله دو عامل بزرگ ۲٬۵۰۰ استناد دارد، و بااینحال پژوهشگران هنوز متوجه نشدهاند که اینها صرفاً نخستین دو عامل چرخشنیافته شخصیت عمومیاند. باور رایج درباره اینکه آنها بهنحوی با پنج عامل بزرگ رابطهای سلسلهمراتبی دارند، از آنجا ناشی میشود که پژوهشگران اندکی پس از ساختن سیاهههای پنج عامل بزرگ، پرداختن مستقیم به زبان را کنار گذاشتند. از آن زمان، هر تلاشی برای فهم شخصیت بنیادی یا عمومی باید با ارجاع به پنج عامل بزرگ انجام میشد. اما واژهها مقدم بودند، و اکنون مدلهای زبانی تحلیل زبان را در آن سطح بنیادین آسان کردهاند.
باید عمیقتر شویم#
افزودن روسی و فارسی همان عوامل را به دست میدهد:
با معیارهای مهندسیِ تنبلپسند من، این کار نسبتاً پرزحمت است، زیرا یافتن یک اعلان مناسب برای هر زبان را لازم دارد. برای درست انجامدادن این کار با مترجم گوگل و گویشوران بومی همکاری کردم، و میتوانید ببینید که توزیع فارسی هنوز در عامل ۴ اندکی نامنطبق است. حدس من این است که روش من، یعنی نادیدهگرفتن هر عاملی که مشترک نیست، برای این تعداد زبان بیش از حد نامرتب و پرایراد است. احتمالاً از عامل ۴ هم بهعنوان عامل عمومی شخصیت (GFP) استفاده میشود و هم برای جداکردن فارسی (البته فقط اندکی). هیچ چیزی این عوامل را خالص نگه نمیدارد؛ واقعاً خوششانسیم که توزیع تا این اندازه منظم است. انجام برخی پیشپردازشها (مانند میانگینزدایی از هر خوشه زبانی) ممکن است این مشکل را حل کند.
تا آنجا که میدانم، این نخستین بار است که چند زبان بهصورت مشترک تحلیل عاملی شدهاند. همین نتایج فقط با انگلیسی و اسپانیایی نیز قابلیت انتشار داشتند، اما در اینجا به شش زبان، از جمله دو زبان غیرهندواروپایی، رسیدم. این کار همچنین درباره ماهیت دو عامل بزرگ، یعنی یکی از محبوبترین ــ و بدفهمیدهشدهترین ــ سازهها در روانسنجی، بینشهایی به دست میدهد.
کاستیها#
من این پژوهش را تقریباً به احمقانهترین شیوهٔ ممکن انجام دادم. صد واژهٔ مربوط به شخصیت را در یک راهنمای ESL پیدا کردم و سپس آنها را با استفاده از Google Translate به زبانهای دیگر ترجمه کردم. اگر واژههای تکراری وجود داشت، حذفشان کردم. اوضاع آنقدرها هم که به نظر میرسد بد نیست. دو عامل نخست در زبان انگلیسی، چه از ۱۰۰ واژه استفاده کنید و چه از ۵۰۰ واژه، تقریباً بدون تغییر باقی میمانند. اما اگر این پژوهش مقالهای واقعی بود، بدیهی است که میخواستید مجموعهای از واژهها را در هر زبان، بهطور مستقل، تدوین کنید. چند کاستی دیگر نیز وجود دارد:
زبانها کافی نیستند! اگر این پژوهش را منتشر میکردم، مایل بودم دوازده زبان دیگر را نیز اضافه کنم؛ زبانهایی که معمولاً در علم شخصیت مطالعه نمیشوند. در واقع، به همین دلیل هرگز فرصت انتشار آن را پیدا نکردم. این کار بسیار زمانبر است و به گویشوران بومی چندین زبان آسیایی نیاز دارد.
مدلهای چندزبانه که دادههای آموزشی آنها را منحرف کردهاند. مدلهای زبانی برای پیشبینی واژهٔ بعدی یک جمله آموزش میبینند. اگر آنها را با چند زبان آموزش دهید، مدل میکوشد بخشی از دانش را میان زبانها منتقل کند. بااینحال، در مورد زبانهای کوچکتر، این فرایند ممکن است بیشتر شبیه آن باشد که معانی آن زبانها بهزور به قیاسهایی در زبانهایی با منابع بهتر ــ مانند انگلیسی، چینی، روسی و غیره ــ منطبق شوند.
پرسوجوها درجهای از آزادی عمل پژوهشگر هستند. روشی که برای جاسازی واژهها به کار میبرم این است: «شخصیت من را میتوان چنین توصیف کرد:
مدل زبانی قدیمی. این کار را بیش از ۲ سال پیش انجام دادم؛ مدتها پیش از عرضهٔ GPT-4. زمانه سادهتر بود.
نتیجهگیری#
اگر هنوز در دانشگاه فعالیت میکردم، این موضوع دستور کار پژوهشی من بود: افزودن هرچه بیشتر زبانها و تلاش برای درک تمامی راههایی که این روش میتواند دچار سوگیری شود. در نهایت، این روش شاید مدلی جهانشمول از شخصیت تولید کند که از مدل پنج عامل بزرگ برتر باشد. این امر به ما کمک میکرد بهتر بفهمیم چه کسی هستیم و شاید حتی از کجا آمدهایم. زیرا اکنون این زبان است که گونهٔ ما را تعریف میکند، و در گذشتهٔ ژرف نیز این زبان بود که روان ما را شکل داد. ما بهطور عادتوار اجتماعی هستیم، زیرا هزاران سال پیش، ناتوانی در مدیریت شهرت خود به معنای مرگ بود. مدلهای شخصیت نقشههای زباناند؛ آنها بردارهایی در تکامل ذهن ما هستند.
