این مقاله دربارهی نقش مدلهای زبانی بزرگ (LLMها) در تولید و تفسیر دانش علمی است و مشخصاً روی این سؤال تمرکز دارد که در LLMها «fact» (واقعیت) و «interpretation» (تفسیر) چگونه ظاهر میشوند.
هدف مقاله، تحلیل میزان بروز این دو دسته در LLMها است.
پیشنیاز فهم مقاله:
مقاله پیشنیاز صریحی برای خواننده فهرست نکرده، اما از مبانی نظریاش معلوم است که بهتر است با این مفاهیم آشنا باشید:
سازهگرایی اجتماعی (social constructivism)
تفکر/استدلال مرتبط با AI
الگوهای اخلاقی در هوش مصنوعی
تفسیر متن در سیستمهای LLM
یعنی اگر با مباحث فلسفه علم، تفسیر متن، و مبانی نظری AI آشنا باشید، مقاله راحتتر فهمیده میشود.
جمعبندی ساده:
نتیجهی اصلی مقاله این است که LLMها میتوانند:
تفسیرگر نظر شخصی
تفسیرگر گفتوگوی بینفردی
تفسیرگر حقایق علمی و دادههای موردی
اما در عین حال چند ضعف مهم هم دارند:
در تولید محتوا دربارهی پدیدههای نادر یا کممطالعهشده مشکل دارند
گاهی ارجاعات و منابع کتابشناختی نادرست یا جعلی میسازند
حتی در بعضی کارهای ساده هم خطا میکنند
