Desembaraçando Efeitos de Interação e Viés na Dinâmica de Opinião de Modelos de Linguagem Grande

Modelos de Linguagem Grande estão sendo cada vez mais utilizados para simular a dinâmica de opinião humana, no entanto, o efeito de interação genuína é frequentemente obscurecido por viés sistemático. Apresentamos uma estrutura bayesiana para desembaraçar e quantificar três desses vieses: (i) um viés de tópico em relação a opiniões anteriores nos dados de treinamento; (ii) um viés de concordância favorecendo a concordância independentemente da questão; e (iii) um viés de ancoragem em relação à posição do agente iniciador. Aplicar esta estrutura a diálogos de múltiplos passos revela que as trajetórias de opinião tendem a convergir rapidamente para um atrator compartilhado, com a influência da interação desaparecendo ao longo do tempo, e o impacto dos vieses variando entre os MLGs. Além disso, ajustamos finamente um MLG em diferentes conjuntos de declarações fortemente opinativas (incluindo desinformação) e demonstramos que o atrator de opinião muda de forma correspondente. Expondo diferenças marcantes entre os MLGs e fornecendo ferramentas quantitativas para compará-los a sujeitos humanos no futuro, nossa abordagem destaca tanto as oportunidades quanto os riscos de usar MLGs como proxies para o comportamento humano.