Awalnya diterbitkan oleh Vectors of Mind.
Baiklah, mari kita mengambil jeda sejenak dari soal kesapientan. Sebenarnya, saya sudah menyiapkan cukup banyak materi psikometri sebelum terseret oleh panggilan nyaring kesadaran. Memang sangat sulit untuk tidak memedulikannya.
Saya memulai blog ini untuk mengeksplorasi Hipotesis Leksikal dari perspektif pembelajaran mesin. Model kepribadian mendefinisikan ciri-ciri yang paling banyak diperbincangkan dalam suatu bahasa, dan pada era GPT kita dapat mengukurnya dengan jauh lebih baik. Model kepribadian yang diturunkan baik dari vektor kata maupun dari survei tradisional selalu menghasilkan beberapa ciri yang sama, terutama Dua Besar: regulasi diri sosial dan dinamisme. Sebagai penyegaran, lihat The Big Five are Word Vectors dan The Primary Factor of Personality.
Lima Besar telah ditemukan secara independen dalam banyak bahasa, tetapi perbandingan antarbahasa selalu bersifat kualitatif. Para peneliti menyelenggarakan survei adjektiva kepribadian dalam bahasa Turki atau Jerman, melakukan analisis faktor, lalu kurang lebih mengamati faktor-faktor tersebut untuk melihat apakah semuanya sama. Data ini tidak dapat digunakan untuk mengatakan, “Ekstraversi bergeser 15 derajat menjauhi Conscientiousness dalam bahasa Jerman dibandingkan dengan bahasa Inggris.” Agar dapat setepat itu, kedua bahasa tersebut harus berbagi suatu basis.
Jika Anda mengajukan pertanyaan dalam beberapa bahasa, Anda dapat menghubungkannya dengan cara 1) menemukan kohort dwibahasa yang dapat menjawab dalam kedua bahasa, atau 2) mengasumsikan bahwa terjemahan kata-kata bersifat 1:1 (misalnya, fun sepenuhnya ekuivalen dengan divertido dalam bahasa Spanyol). Dalam kasus pertama, terdapat efek seleksi yang kuat. Bagaimana jika orang dwibahasa cenderung berpendidikan lebih baik? Kasus kedua memang tidak benar. Bahkan, alasan untuk memfaktorkan bahasa secara bersama-sama adalah untuk memahami bagaimana struktur kepribadian dapat menyimpang di antara bahasa-bahasa tersebut. Mengasumsikan bahwa kata-katanya sama justru menggagalkan tujuannya.
Penelitian saya menunjukkan bahwa Anda dapat mengekstraksi struktur kepribadian dari model bahasa dalam bahasa Inggris. Pertanyaan alamiahnya adalah bagaimana struktur tersebut berubah ketika bahasa-bahasa lain ditambahkan. Dengan model yang dilatih pada puluhan bahasa, hal ini menjadi cukup mudah untuk dieksplorasi. Anda dapat memetakan sejumlah bahasa apa pun ke basis yang sama.
Dua Besar, sekali lagi#
Saya menggunakan XLM-RoBERTa untuk menetapkan kemiripan di antara adjektiva kepribadian. Anehnya, model ini merupakan hasil dari genosida di Myanmar. Meta berada dalam posisi yang tidak mengenakkan: mereka perlu menghapus konten di tempat-tempat yang hanya sedikit mereka pahami. Secara teknis, hal ini disebut sebagai masalah pembelajaran transfer. Mereka ingin melatih pengklasifikasi ujaran kebencian dalam bahasa Inggris (atau bahasa lain yang memiliki banyak sumber), lalu menerapkannya pada bahasa-bahasa lain. Pada zaman kegelapan pemodelan bahasa (2018), hal ini bekerja dengan sangat buruk. Ujaran kolokial dalam bahasa Burma untuk “mari kita kumpulkan para gay dan bunuh mereka” terbaca oleh pengklasifikasi mereka sebagai “seharusnya ada lebih sedikit pelangi”. Hal ini, tentu saja, lolos dari moderasi konten mereka. NYT menjelaskan konsekuensinya: A Genocide Incited on Facebook, With Posts From Myanmar’s Military
Tanggapan Meta adalah membangun model bahasa yang dapat memetakan bahasa apa pun (tepatnya, 100 bahasa) dengan lebih baik ke vektor kata dalam ruang bersama yang sama. Dengan demikian, pengklasifikasi ujaran kebencian yang dilatih dalam bahasa Inggris dapat diperluas dengan lebih baik ke bahasa-bahasa lain. (Lebih sedikit bahasa Burma yang diperlukan untuk melakukan fine-tuning.) Dengan menggunakan model ini, saya menyematkan kata-kata kepribadian dalam empat bahasa: Inggris, Spanyol, Prancis, dan Turki. Berikut adalah dua faktor pertama:
Faktor-faktor ini berfungsi untuk memisahkan bahasa-bahasa yang berbeda. Faktor pertama membedakan bahasa Turki dari bahasa-bahasa Indo-Eropa. Pada faktor kedua, bahasa-bahasa Roman berdekatan (meskipun juga dekat dengan bahasa Turki).
Hal ini masuk akal. Model tersebut dilatih untuk memprediksi kata berikutnya dalam sebuah kalimat, sehingga secara alamiah akan menyertakan informasi yang spesifik bagi suatu bahasa. Jika seseorang berbicara dalam bahasa Spanyol, mereka tidak sering beralih ke bahasa Turki. Harapannya, terdapat pula arah dalam ruang vektor yang berhubungan dengan informasi kepribadian.
Jika bahasa-bahasa cukup independen, Anda memerlukan setidaknya 3 dimensi untuk memisahkan 4 bahasa ke dalam kelompoknya masing-masing yang tidak saling tumpang tindih. Mari kita lihat komponen-komponen utama berikutnya.
Faktor 4 adalah faktor pertama yang tidak dipelajari untuk memisahkan bahasa-bahasa tersebut, dan faktor ini adalah Faktor Umum Kepribadian! Dalam bahasa Inggris: domineering, ruthless, compulsive dan selfish vs generous, gentle, dan thoughtful. Saya telah berpendapat bahwa faktor ini paling tepat dipahami sebagai kecenderungan untuk menjalankan Kaidah Emas. Teori Kesadaran Hawa sebenarnya merupakan hasil dari perenungan tentang apa yang akan diseleksi oleh hal ini dalam sejarah evolusi kita. Faktor 5 juga berkaitan dengan kepribadian; jika keduanya diplot bersama:
Kita mendapatkan Dua Besar! Faktor Lima (atau faktor kedua di antara faktor-faktor kepribadian) adalah Dinamisme: adventurous, imaginative, dan enthusiastic vs cautious, reserved, dan cowardly. Sungguh menakjubkan bahwa faktor ini muncul secara begitu teratur. Ada 2.500 sitasi pada makalah tentang Dua Besar, tetapi para peneliti masih tidak menyadari bahwa faktor-faktor tersebut hanyalah dua faktor pertama yang tidak dirotasi dari kepribadian umum. Keyakinan umum bahwa faktor-faktor tersebut entah bagaimana memiliki hubungan hierarkis dengan Lima Besar muncul karena para peneliti berhenti berurusan langsung dengan bahasa tidak lama setelah membuat inventori Lima Besar. Sejak saat itu, setiap upaya untuk memahami kepribadian dasar atau umum harus dilakukan dengan mengacu pada Lima Besar. Namun, kata-kata muncul lebih dahulu, dan model bahasa kini memudahkan analisis bahasa pada tingkat fundamental tersebut.
Kita harus menggali lebih dalam#
Menambahkan bahasa Rusia dan Farsi menghasilkan faktor-faktor yang sama:
Menurut standar saya sebagai insinyur yang malas, hal ini cukup menguras tenaga karena memerlukan pencarian prompt yang baik untuk setiap bahasa. Saya bekerja dengan Google Translate dan penutur asli agar hasilnya tepat, dan Anda dapat melihat bahwa distribusi Farsi masih menyimpang pada Faktor 4. Dugaan saya adalah bahwa metode saya yang mengabaikan faktor apa pun yang tidak dimiliki bersama terlalu serampangan untuk bahasa sebanyak ini. Faktor 4 kemungkinan digunakan sebagai GFP, sekaligus untuk memisahkan Farsi (meski hanya sedikit). Tidak ada yang menjaga agar faktor-faktor ini tetap murni; kita benar-benar beruntung karena distribusinya berperilaku sebaik ini. Melakukan prapemrosesan (seperti menjadikan rerata setiap klaster bahasa sama dengan nol) mungkin dapat mengatasi hal ini.
Sepengetahuan saya, ini adalah pertama kalinya beberapa bahasa difaktorkan secara bersama-sama. Hasil dengan hanya bahasa Inggris dan Spanyol pun sudah layak diterbitkan, sedangkan di sini saya berhasil mencapai enam bahasa, termasuk dua bahasa non-Indo-Eropa. Hal ini juga memberi wawasan tentang hakikat Dua Besar, salah satu konstruk yang paling populer—dan paling disalahpahami—dalam psikometri.
Kekurangan#
Saya melakukan penelitian ini dengan cara yang mungkin paling bodoh. Saya menemukan 100 kata kepribadian dalam sebuah panduan ESL, lalu menerjemahkannya ke bahasa-bahasa lain menggunakan Google Translate. Jika terdapat duplikasi, saya menghapusnya. Hal ini tidak seburuk kedengarannya. Dua faktor pertama nyaris tidak berubah dalam bahasa Inggris, baik ketika menggunakan 100 maupun 500 kata. Namun, jika ini merupakan makalah sungguhan, tentu saja Anda ingin menyusun seperangkat kata dalam setiap kosakata secara independen. Ada beberapa kekurangan lainnya:
Bahasanya tidak cukup banyak! Jika saya menerbitkan penelitian ini, saya ingin menambahkan selusin bahasa lain yang biasanya tidak dipelajari dalam ilmu kepribadian. Sebenarnya, inilah alasan saya tidak pernah sempat menerbitkannya. Itu merupakan pekerjaan yang sangat banyak dan akan membutuhkan penutur asli dari beberapa bahasa Asia.
Model multibahasa terdistorsi oleh data pelatihan. Model bahasa dilatih untuk memprediksi kata berikutnya dalam sebuah kalimat. Jika Anda melatihnya dengan banyak bahasa, model tersebut akan berusaha mentransfer sebagian pengetahuannya. Namun, bagi bahasa-bahasa yang lebih kecil, hal ini dapat lebih menyerupai pemaksaan makna mereka agar sesuai dengan analogi dalam bahasa-bahasa yang memiliki lebih banyak sumber data (bahasa Inggris, Mandarin, Rusia, dan sebagainya).
Kueri merupakan kebebasan peneliti. Metode yang saya gunakan untuk menyematkan kata adalah “Kepribadian saya dapat dideskripsikan sebagai
Model bahasa yang sudah usang. Saya melakukan penelitian ini lebih dari 2 tahun yang lalu, jauh sebelum GPT-4 dirilis. Masa-masa yang lebih sederhana.
Kesimpulan#
Seandainya saya masih berada di dunia akademik, inilah agenda penelitian saya. Tambahkan sebanyak mungkin bahasa, dan upayakan untuk memahami semua cara metode ini dapat mengalami bias. Pada akhirnya, metode ini mungkin menghasilkan model universal kepribadian yang lebih unggul daripada Lima Besar. Model tersebut akan membantu kita memahami dengan lebih baik siapa diri kita, dan bahkan mungkin dari mana kita berasal. Sebab, bahasa-lah yang kini mendefinisikan spesies kita, dan bahasa pula yang membentuk jiwa kita jauh di masa lampau. Kita secara habitual bersifat sosial karena ribuan tahun yang lalu, kegagalan mengelola reputasi berarti kematian. Model kepribadian adalah peta bahasa; model-model itu merupakan vektor dalam evolusi pikiran kita.
