مطالعهی جدید آنتروپیک (Anthropic) نشان میدهد که مدلهای زبانی کلود (Claude) بسته به زبانِ مکالمه، رفتار و «شخصیت» متفاوتی از خود نشان میدهند. تحلیل بیش از ۳۰۹ هزار مکالمه ناشناس 드러 کرده که کلود در هندی با گرمی و مهربانی بیشینه پاسخ میدهد، در حالی که در روسی و انگلیسی به سمت سختگیری، دقت و پرسشگریِ استدلالمحور میرود.
چهار محور اصلی ارزش: از هزاران واژه به چهار بعد
با استناد به مطالعه قبلی «Values in the Wild» که ۳،۳۰۷ واژه ارزش شناسایی کرده بود، محققان آنتروپیک این واژهها را در ۳۳۹ ارزش سطح بالاتر گروهبندی کردند. با استفاده از تکنیکهای کاهش ابعاد آماری، چهار محور اصلی آشکار شد:
- تسلیم و احتیاط (Deference & Caution): میزان پذیرش نظر کاربر در برابر هشداردهی و تردید.
- گرمی و سختگیری (Warmth & Rigor): طنز، تسلی و تایید در برابر اصلاح، درخواست مدرس و پرسشیدن فرضیات.
- عمق و اختصار (Depth & Brevity): تشریح مفصل در برابر پاسخ مستقیم و مختصر.
- صراحت و اجرا (Candor & Execution): نقد صریح و آشکار در برابر تمرکز بر اقدام و نتیجه.
این چهار محور تنها حدود ۱۵ درصد از واریانس باقیمانده (پس از کنترل متغیرهای وظیفه، موضوع و ارزشهای کاربر) را توضیح میدهند؛ نشاندهنده پیچیدگی بیشتر رفتار مدلهاست.
پروفایلهای متمایز مدلها: سونت ۴.۶، اوپوس ۴.۶ و اوپوس ۴.۷
مطالعه تفاوتهای قابلقياسی در سبک پاسخدهی سه مدل را مستند کرده است:
سونت ۴.۶ (Sonnet 4.6) – گرم و تسلیمکننده
- بیشترین میزان گرمی: طنز، تسلی، تایید ایدههای کاربر بدون قضاوت.
- بیشترین تسلیم: پذیرش پیشفرضهای کاربر و اجتناب از تقابل.
- کاربران این مدل را «بهویژه صمیمی و دوستانه» توصیف میکنند.
اوپوس ۴.۷ (Opus 4.7) – محتاط، سختگیر و ناقد
- هشداردهی بدون درخواست از ریسکها و محدودیتها.
- پرسشیدن فعال فرضیات، اصلاح جزئیات و درخواست مدرس.
- نقد صریح و پرچمزدن خطاهای خود (Candor بالا).
- کاربران سبک او را «محتاط، دوپهلو و دقیق» میبینند.
اوپوس ۴.۶ (Opus 4.6) – مستقیم و متمرکز بر وظیفه
- پاسخهای کوتاه، مستقیم، بدون تشریح اضافی.
- وفاداری به دستورالعمل و اجتناب از отклоненияهای غیرضروری.
زبان، фильترِ ناخودآگاه رفتار مدل
تحلیل ۲۰ زبان پرکاربرد در Claude.ai показал که گرمی در برابر سختگیری و صراحت در برابر اجرا، بیشترین واریانس بین زبانی را دارند:
| زبان | ویژگی برجسته | توصیف |
|---|---|---|
| هندی (Hindi) | بیشترین گرما | عبارات مهربان، طنز، بازیگری، تایید مداوم |
| عربی (Arabic) | گرما + بیشترین تسلیم | احتراممحور، پذیرش نظر کاربر، طنز ظریف |
| انگلیسی (English) | بیشترین احتیاط | عبارات محتاطانه، محدودیتزدن، هجینگرمی/سختگیری |
| روسی (Russian) | بیشترین سختگیری | اصلاح جزئیات، پرسشیدن فرضیات، درخواست مدرس، دقت بالا |
| هلندی (Dutch) | بیشترین صراحت | نقد باز، مستقیم، پرچمزدن خطا |
| اندونزی (Indonesian) | بیشترین اجرا | متمایل به اقدام، نتیجهگرا، کوتاه و کاربردی |
مثال عینی: دو کاربر که یک برنامه کسبوکار را برای ارزیابی به کلود میدهند—یکی به هندی، دیگری به روسی—بازخوردهایی با «حس و حال کاملاً متفاوت» دریافت میکنند. پاسخ هندی تاییدآمیز و حمایتی است، پاسخ روسی پر از پرسشهای استدلالی، اصلاحات و درخواست مدرس.
علل احتمالی: دادههای آموزشی و هنجارهای زبانی
تیم تحقیق آنتروپیک به عوامل زیر به عنوان دلایل احتمالية اشاره میکند:
- نامتقارن بودن حجم دادههای آموزشی برای زبانهای مختلف.
- تفاوت در ترکیب دادهها (مثلاً محتوای رسمی در برابر غیررسمی، سبکهای نگارشی فرهنگی).
- بیشنمایش برخی سبکهای متنی در دادههای پیشآموزش یا تنظیمشکن (fine-tuning).
- هنجارهای ارتباطی مختص به زبان (مانند سطح رسمی/غیررسمی، مستقیم/ غیرمستقیم بودن در فرهنگهای مختلف).
محدودیتهای روششناختی: محققان خودشان را پاسخگو میدانند
آنتروپیک با شفافیت کامل محدودیتهای مطالعه را اعلام کرده است:
- قدرت توضیحی پایین: چهار محور تنها ~۱۵٪ واریانس باقیمانده را پوشش میدهند.
- برچسبگذاری با مدل همخانواده: برچسبهای ارزشی توسط خود کلود سونت ۴.۶ اختصاص یافتهاند—مدلی که رفتار او مورد مطالعه قرار گرفته. این میتواند سوگیریSelf-referential ایجاد کند.
- سوگیریهای زبانی باقیمانده: اگرچه تستهای کنترل سوگیری انجام شده، اما حذف کامل اثر زبان بر برچسبگذاری ممکن نبوده است.
این محدودیتها تأکید میکنند که نتایج باید به عنوان الگوهای توصیفی تلقی شوند، نه دلالتهای علی قطعی.
نتیجهگیری و چشمانداز
مطالعه آنتروپیک گامی مهم در جهت قابلفهمسازی و قابلسنجشسازی ارزشهای پنهان در مدلهای زبانی بزرگ (LLM) است. اگرچه توضیح ۱۵ درصدی واریانس کامل نیست، اما نشان میدهد که انتخاب زبان توسط کاربر، رفتار و سبک مدل را به شکل قابلتوجهی بازسازی میکند.
برای توسعهدهندگان و کاربران نهایی، این یعنی: زبانِ پرامپت (Prompt) فقط واسطه ارتباطی نیست، بلکه پارامتری است که «شخصیت» هوش مصنوعی را شکل میدهد. مطالعات آتی با روشهای برچسبگذاری مستقلتر و مدلهای قویتر، میتوانند این تصویر را شفافتر کنند.
