یادښتونه · د ماډلونو پینلونه

یوه ماډل ته ووایئ چې څوک دی. لاملي قضاوتونه یې ډېر لږ بدلېږي.

اکتوبر 2026

په True Causes کې د ژبې د ماډلونو کوټې هر ماډل ته یو ساختګی شخصیت ورکوي: یو نرس چې په کرایه اوسېږي، یو متقاعد کور لرونکی، یو کوچنی جوړوونکی. نظر دا دی چې بېلابېل کسان بېلابېل لاملونه ویني، او د ماډلونو یو پینل چې د هغوی رول لوبوي هم به همداسې وي. دا چې آیا یو ماډل چې ورته ویل شوي څوک دی د هغه کس په څېر ځواب ورکوي، یوه پېژندل شوې پوښتنه ده (Argyle et al.، 2023)؛ موږ دا پر لاملي قضاوتونو وازموېله.

د قضاوت لپاره، نه. په 21 ماډلونو او 14 ساختګو شخصیتونو کې، هغه شخصیت چې یوه ماډل ته ورکړل شوی و، په هېڅ داسې اندازه یې دا بدل نه کړل چې موږ یې اندازه کړای شو چې کوم لاملي تړاوونه ومني. دا چې کوم ماډل و، ډېر څه یې بدل کړل.

څېړنه

موږ د کور د بیې د وړتیا په اړه له یوې د عامه ریکارډ کوټې 120 تړاوونه واخیستل، داسې وټاکل شول چې هغه تړاوونه چې کوټې تایید کړي، رد کړي او فیصله یې نه کړای شول په برابره توګه پکې وي. د 21 ماډلونو هر یوه هر تړاو ته ځواب ورکړ، یو ځل د خپل ځان په توګه او څلور یا پنځه ځله د بل شخصیت په توګه: د کور دولس شخصیتونه (کرایه‌داران او مالکان، یو د کور خاوند، یو پلان جوړوونکی، یو جوړوونکی، د کرایه‌دارانو یو تنظیم کوونکی، د ساختمان یو کارګر او نور)، او دوه غبرګوني، همغه کس پرته له یوه واقعیت، د مالکیت پر ځای کرایه. هر شخصیت اوو ماډلونو لوبولی. دا 119 څوکۍ او 14,220 ځوابونه دي، هرې څوکۍ هر تړاو ته ځواب ورکړی، نو هېڅ ځواب پر بل ولاړ نه و.

ځوابونه څه شي وټاکل

پخپله تړاو د ټول توپیر شاوخوا نیمایي تشریح کوي (52%): ماډلونه تر ډېره بریده پر دې موافق دي چې کوم تړاوونه د منلو وړ دي. د ماډل خپله لوستنه د ځانګړو تړاوونو بله څلورمه برخه (24%) تشریح کوي، هر شخصیت چې لوبوي. د ماډل عمومي لېوالتیا چې هو ووایي 3% ورزیاتوي.

شخصیت هېڅ ورزیات نه کړل. په هغه توپیر کې چې کومو تړاوونو هو ترلاسه کړ، د هغه برخه 0.000 وه؛ د هو لوري ته په عمومي تمایل کې یې برخه، 0.002. هغه ازموینه چې هڅه کوي د یوې څوکۍ له ځوابونو شخصیت وپېژني، د هغو ماډلونو په مرسته چې پکې نه و لیدل شوی، له تصادف ښه نه وه (6.1% د 7.1% په وړاندې). او څوکۍ هغه لوري ته نه دي خوځېدلې چې د هغوی د شخصیت ځانګړنو به یې وړاندوینه کوله: اړیکه صفر وه. کله چې یوه شخصیت یو ځواب بدل کړ، د ماډل له مخې د تړاوونو له 1% تر 15% پورې، په تصادفي ډول یې بدل کړ.

دا له هغه څه سره سمون لري چې نورو موندلي. د شخصیت متغیرونه د نښه کولو په دندو کې د توپیر لږه برخه تشریح کوي (Hu & Collier، 2024)، او هغه رول چې په سیسټم پرامپټ کې نومول شوی د یوه ماډل ځوابونه په ثابت ډول نه بدلوي (Zheng et al.، 2024). لاملي پوښتنه ماډل ته د نړۍ په اړه پوښتنه ښکاري، نه د پوښتونکي کس په اړه.

شخصیتونو څه بدل کړل: څوک ځواب ورکوي

شخصیتونو ماډلونه دې ته اړ کړل چې ډېر ځله «نه شم ویلای» ووایي، د خپل ځان په توګه د 19% په وړاندې د 26% وخت، او نه په برابره توګه. ځوانو، ټیټ عاید لرونکو، کرایه‌دارو، کیڼ اړخو او غیرامریکايي شخصیتونو ډېر ډډه وکړه، تر 14 ټکو پورې؛ زړو، ښي اړخو، د کور خاوندانو، لوړ عاید لرونکو او مالکانو شخصیتونو لږ ډډه وکړه، تر 13 ټکو پورې. ماډلونو ټیټ دریځه شخصیتونه داسې لوبول لکه په خپله پوهه چې لږ ډاډه وي. پېژندل شوې ده چې د شخصیت پرامپټونه دا ډول کلیشې استدلال ته وړي (Gupta et al.، 2024). ځینو ماډلونو د شخصیت سره ډېر زیات انکار وکړ: Gemini 3.5 Flash د شخصیت په توګه 59% تړاوونو ته «نه شم ویلای» وویل او د خپل ځان په توګه یو ته هم نه.

کوم ماډلونه ښه قضاوت کوي

چارټونه هر ماډل د دې له مخې ځای پر ځای کوي چې څومره ځله هو وايي (افقي) او ځوابونه یې څومره معلوماتي دي (عمودي). معلوماتي والی پرته له دې چې سم ځوابونه معلوم وي اټکل کېږي، له دې چې ماډلونه څنګه له یو بل سره موافق دي (Dawid & Skene، 1979): 1 یو بشپړ ثابت قاضي دی، 0 هغه ځواب چې هېڅ نښه نه لري. دا له هغه څه سره موافقه اندازه کوي چې ټول پینل یې مومي، نه سموالی، نو یو پیاوړی ماډل چې له کمزورو سره موافق نه وي کېدای شي تر خپل حق ټیټه نمره واخلي.

ډېری ماډلونه توپیر کوي: د تړاوونو له څلورمې برخې تر دوو پر درېیمو پورې ته هو وايي، او ځوابونه یې نښه لري. Claude Sonnet 5.5 او DeepSeek V4 Flash له پینل سره تر ټولو ډېر موافق دي. کوچني ماډلونه لکه Gemma 3 4B او Command R7B لږه نښه لري. Schematron، هغه ماډل چې د معلوماتو د راایستلو لپاره جوړ شوی نه د ادعاوو د قضاوت لپاره، تقریباً هر څه ته «نه شم ویلای» وویل، او هغه څه چې ځواب یې ورکړ تقریباً هېڅ نښه نه لري.

آیا ماډلونه خپل نظرونه لري؟

که شخصیتونه ځوابونو ته بڼه نه ورکوي، ښايي ماډلونه پخپله د ستونزې بېلې نظریې ولري، یو تنظیم ګرموي، بل سوداګریز اټکل. د توپیر څلورمه برخه دا وه چې ماډلونو همغه تړاو بېل لوستی، نو موږ د دې توپیر لوري ولټول: یو ماډل چې هر ماډل او هر تړاو په یو څو اړخونو کې ځای پر ځای کوي، د ماډلونو د خپل ځان په توګه له ځوابونو. یو اړخ یوازې هغه وخت حسابېږي چې ثابت وي، یعنې که د تړاوونو پر دوو نیمایو په جلا توګه برابر شي، ماډلونه تقریباً په همغو ځایونو کې ږدي.

یو اړخ ثابت و، او نظریه نه وه. په یوه سر کې هغه تړاوونه وو چې ډېر لږ معنا لري، لکه «د بهرنیو پانګوالو له خوا اخیستل شوې لوکس اپارتمانونه» چې «امریکا په کال کې له 600,000 تر 1.2 میلیونو کډوالو ورزیاتوي» ته رسېږي، چې کمزورو ماډلونو منلي وو. په بل سر کې یو منسجم مېکانېزم و، د اوسېدونکو رایې او د اوسنیو خاوندانو ګټې چې عرضه محدوده ساتي، چې پیاوړو ماډلونو ټولو منلی و. دا اړخ دا دی چې یو ماډل څومره ښه قضاوت کوي: پیاوړي ماډلونه سره نږدې دي، او هر کمزوری ماډل په خپل ډول ترې لرې کېږي.

د یوولسو پیاوړو ماډلونو په منځ کې، چې د څېړنې پر 120 تړاوونو برابر شول، هېڅ شی ثابت نه و. تړاوونه ډېر لږ وو. کله چې د کوټې پر ټولو 870 تړاوونو برابر شول، چې همغو یوولسو ماډلونو د خپل ځان په توګه ځواب ورکړی و، یو توپیر راښکاره شو، او ثابت دی: د تړاوونو پر دوو نیمایو په جلا توګه برابر شوي، ماډلونه تقریباً په همغو ځایونو کې لوېږي (0.89).

په یوه سر کې، ماډلونه هغه تړاوونه مني چې د خلکو له ګټو سیاسي پرېکړو ته ځي: د بیو په لوړېدو کې د کور د خاوندانو ګټه چې د حکومت د عرضې ضد بدلونونو ته رسېږي، د اوسېدونکو رایې چې Proposition 13 ته رسېږي. Gemini 3.5 Flash، Claude Sonnet 5.5، Nex او DeepSeek هلته دي. په بل سر کې، ماډلونه هغه تړاوونه مني چې له خنډونو د عرضې مېکانېزم ته ځي: تنظیم، د اوسنیو خاوندانو ګټې، هغه شوراګانې چې ارزانه فلیټونه ردوي او د ملکیت حقونه، هر یو «ډېر کورونه بیې کموي» ته رسېږي. Mistral Small، Ministral 8B، Laguna او Qwen هلته دي. په لنډه توګه، یو اړخ د کور ستونزه د دې له لارې تشریح کوي چې څوک سیاسي ګټه کوي، بل د دې له لارې چې څه د عرضې مخه نیسي. دا لوستنه زموږ ده، د هر سر له تړاوونو. دویم اړخ دواړه GPT-OSS ماډلونه په یوه سر کې ږدي، خو تړاوونه یې هېڅ داسې ګډه موضوع نه لري چې موږ یې نومولای شو.

توپیر سمون لري. د یوولسو پیاوړو ماډلونو په منځ کې، پخپله تړاو یې 68% تشریح کوي، د ټولو 21 ماډلونو د 52% په وړاندې، او د ماډل ځانګړې لوستنې له 24% څخه 8% ته راټیټېږي: د هغه څه شاوخوا دوه پر درېیمه برخه چې بېلې لوستنې ښکارېدې، له کمزورو ماډلونو راغلې وې. پاتې کوچنی دی، خو همدا پورته ثابت توپیر دی.

دا د True Causes لپاره څه معنا لري

د ماډلونو یو پینل قضاوت وړاندې کوي، د نظرونو د یوې تنګې لړۍ سره. شخصیتونه هېڅ لیدلوری نه ورزیاتوي. وړ ماډلونه پر ډېرو تړاوونو موافق دي، او پر پاتې یې په ثابت ډول توپیر لري، د سیاسي او عرضې تشریحاتو ترمنځ د یوې کرښې په اوږدو کې. دا یوه لړۍ ده، خو تنګه، چې د ماډلونو د روزنې له مخې ټاکل شوې: نه د هغو نظرونو لړۍ چې د بېلې تجربې خاوندان کسان به یې راوړي. پر هغو ماډلونو څېړنه چې بحثونه لنډیزوي همدې لوري ته اشاره کوي: لنډیزونه د لږکیو دریځونه کم ښيي، په 18 ماډلونو کې (Zhu et al.، 2025)، او هغه بیانونه چې د اجماع د موندلو لپاره لیکل کېږي کولای شي د خپلې منځپانګې پر ځای د خپل لهجې له لارې موافقه وګټي (Tsai et al.، 2024). په True Causes کې یو ماډل د یوې کوټې په استازیتوب خبرې نه کوي. یوازینی تړاو لیکي یا پرې قضاوت کوي، هر قضاوت شمېرل کېږي، او وېش په نقشه کې د وېش په توګه پاتې کېږي.

د پینل ټاکل لومړی د کیفیت، بیا د توازن خبره ده. د ماډلونو ترمنځ تر ټولو لوی توپیر دا دی چې څومره ښه قضاوت کوي، نو پینل باید وړ ماډلونه وي، او کمزوري ترې بهر پاتې شي. د وړ ماډلونو په منځ کې، کورنۍ بېلو لورو ته تمایل لري، نو پینل باید له څو کورنیو واخیستل شي، او هېڅ یوه کورنۍ دې تر نورو ډېره نه وي.

ماډلونه باید د کېنولو مخکې وکتل شي. هغه ماډل چې هر څه ته هو، هر څه ته نه یا هر څه ته «نه شم ویلای» وايي، هرې هغې جوړې ته شور ورزیاتوي چې قضاوت پرې کوي. پر پېژندل شویو تړاوونو یوه لنډه برابرونه یې مومي.

شخصیتونه باید د قضاوت لپاره ونه کارول شي. ډډې او د دریځ کلیشې ورزیاتوي، او د قضاوت هېڅ تنوع نه. لیکل بېله پوښتنه ده. د ماډلونو هغه کوټه چې شخصیتونه لري بېلابېل کارتونه لیکي، خو بېلابېل ماډلونه بېل لیکي، او یو ماډل هر ځل چې وپوښتل شي بېل لیکي، نو یوازې بېلابېل کارتونه دا نه ښيي چې شخصیتونو څه کړي. ازموینه همغه ده چې دلته د قضاوت لپاره کارول شوې: همغه ماډلونه له شخصیت سره او پرته له هغه لاملونه لیکي، او هغه جلا لاملونه شمېرل کېږي چې هر یو یې تولیدوي.

د انسانانو کوټې بېلې دي. یو کس هغه څه راوړي چې لیدلي یې دي، نه د داسې چا توصیف چې ښايي لیدلي یې وي. دا څېړنه د دې په وړاندې هېڅ نه وايي؛ وايي چې هغه ماډل ته چې ویل شوي کرایه‌دار دی، د کرایه‌دار ژوند یې نه دی تېر کړی. چېرې چې موخه دا وي چې معلومه شي خلک پر څه اختلاف لري، یوازې خلک یې وړاندې کولای شي. په دې کوټو کې یو ماډل په پوښتلو کې تر ځواب ورکولو ډېر ګټور دی: د یوه کارت په اړه یوه پوښتنه، یو ځل یوه او پرته له خپل نظر (که دا رښتیا وای، تاسو به څه لیدل؟ په منځ کې څه کېږي؟)، له لیکوال سره مرسته کوي چې لامل روښانه کړي پرته له دې چې د ماډل ټکي یې په خوله کېږدي.

حدونه

یوه پوښتنه، کور؛ 120 تړاوونه؛ په هر ماډل څلور یا پنځه شخصیتونه، هر یو یو ځل ځواب ورکوي. هغه اغېزې چې تر دې ډیزاین کوچنۍ وي، نه به ښکاري. شخصیتونه د رول د توصیف په توګه لیکل شوي وو؛ د هغوی د رامنځته کولو قوي لارې، لکه له ماډل غوښتل چې د ځواب مخکې د شخصیت په څېر استدلال وکړي، ښايي نور یې هم وخوځوي، د کارټون جوړولو د خطر سره (Cheng et al.، 2023). معلوماتي والی له پینل سره موافقه اندازه کوي، نه رښتیا، او هغه ماډلونه چې د بحث د قاضیانو په توګه کارول کېږي له خلکو سره تر هغه لږ موافق دي چې هیله یې کېدای شي (Zhu et al.، 2025): هغه پینل چې له ځان سره موافق وي لا هم په همغه لوري غلط کېدای شي. د وړ ماډلونو ترمنځ توپیر یوازې له ټولو 870 تړاوونو سره راښکاره شو؛ له 120 سره نه ښکارېده، نو کوچني توپیرونه لا هم کېدای شي ونه لیدل شي، او تر کور ډېره اختلافي پوښتنه ښايي ماډلونه نور هم ووېشي.

حوالې

Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C., & Wingate, D. (2023). Out of one, many: Using language models to simulate human samples. Political Analysis, 31(3), 337–351.
Cheng, M., Piccardi, T., & Yang, D. (2023). CoMPosT: Characterizing and evaluating caricature in LLM simulations. Proceedings of EMNLP 2023.
Dawid, A. P., & Skene, A. M. (1979). Maximum likelihood estimation of observer error-rates using the EM algorithm. Journal of the Royal Statistical Society, Series C, 28(1), 20–28.
Gupta, S., Shrivastava, V., Deshpande, A., Kalyan, A., Clark, P., Sabharwal, A., & Khot, T. (2024). Bias runs deep: Implicit reasoning biases in persona-assigned LLMs. Proceedings of ICLR 2024.
Hu, T., & Collier, N. (2024). Quantifying the persona effect in LLM simulations. Proceedings of ACL 2024.
Tsai, L. L., Pentland, A., Braley, A., Chen, N., Enríquez, J. R., & Reuel, A. (2024). Generative AI for pro-democracy platforms. An MIT Exploration of Generative AI, MIT.
Zheng, M., Pei, J., Logeswaran, L., Lee, M., & Jurgens, D. (2024). When “a helpful assistant” is not really helpful: Personas in system prompts do not improve performances of large language models. In Findings of the Association for Computational Linguistics: EMNLP 2024.
Zhu, S., Yang, S., Bakker, M. A., Pentland, A., & Pei, J. (2025). Can AI truly represent your voice in deliberations? A comprehensive study of large-scale opinion aggregation with LLMs. arXiv:2510.05154.

یوه پوښتنه واخلئ ← · نور یادښتونه