සටහන් · AI ආකෘති මණ්ඩල

AI ආකෘතියකට එය කවුදැයි කියන්න. එහි හේතු විනිශ්චය කිසිසේත් පාහේ වෙනස් නොවේ.

2026 ඔක්තෝබර්

True Causes හි භාෂා ආකෘති කාමර සෑම ආකෘතියකටම චරිතයක් දෙයි: කුලියට නිවසක සිටින හෙදියක්, විශ්‍රාමික නිවාස හිමියෙක්, කුඩා ඉදිකිරීම් සංවර්ධකයෙක්. අදහස නම් විවිධ පුද්ගලයන් විවිධ හේතු දකින අතර, ඔවුන්ගේ චරිත රඟපාන ආකෘති මණ්ඩලයක් ද එසේ දකිනු ඇති බවයි. තමා කවුදැයි කියූ ආකෘතියක් එම පුද්ගලයා මෙන් පිළිතුරු දෙනවාද යන්න දන්නා ප්‍රශ්නයකි (Argyle et al., 2023); අපි එය හේතු විනිශ්චය මත පරීක්ෂා කළෙමු.

විනිශ්චය සඳහා, එසේ නොවේ. ආකෘති 21ක් සහ චරිත 14ක් පුරා, ආකෘතියකට දුන් චරිතය එය පිළිගත් හේතු සම්බන්ධ වෙනස් කළේ අපට මැනිය හැකි කිසිදු ප්‍රමාණයකින් නොවේ. එය කුමන ආකෘතියද යන්න බොහෝ දේ වෙනස් කළේය.

අධ්‍යයනය

අපි නිවාස දැරිය හැකි බව පිළිබඳ පොදු වාර්තා කාමරයකින් සම්බන්ධ 120ක් ගත්තෙමු, කාමරය සහතික කළ, ප්‍රතික්ෂේප කළ සහ තීරණය කළ නොහැකි වූ සම්බන්ධ සමානව නියෝජනය වන පරිදි තෝරා. ආකෘති 21න් එක එකක් සෑම සම්බන්ධයකටම පිළිතුරු දුන්නේය, එක් වරක් තමා ලෙසම සහ හතර-පස් වරක් වෙනත් චරිතයක් ලෙස: නිවාස චරිත දොළහක් (කුලී නිවැසියන් සහ හිමිකරුවන්, ඉඩම් හිමියෙක්, සැලසුම්කරුවෙක්, සංවර්ධකයෙක්, කුලී නිවැසියන්ගේ සංවිධායකයෙක්, ඉදිකිරීම් කම්කරුවෙක් සහ තවත් අය), සහ නිවුන් දෙදෙනෙක්, එක් කරුණක් හැර එකම පුද්ගලයා, හිමිකරුවෙකු වෙනුවට කුලී නිවැසියෙක්. සෑම චරිතයක්ම ආකෘති හතක් රඟපෑවේය. එනම් ආසන 119ක් සහ පිළිතුරු 14,220ක්, සෑම ආසනයක්ම සෑම සම්බන්ධයකටම පිළිතුරු දෙමින්, එබැවින් කිසිදු පිළිතුරක් තවත් පිළිතුරක් මත රඳා නොපැවතිණි.

පිළිතුරු තීරණය කළේ කුමක්ද

සම්බන්ධයම සියලු විචලනයෙන් අඩක් පමණ පැහැදිලි කරයි (52%): කුමන සම්බන්ධ පිළිගත හැකිදැයි ආකෘති බොහෝ දුරට එකඟ වේ. නිශ්චිත සම්බන්ධ පිළිබඳ ආකෘතියේම කියවීම තවත් හතරෙන් එකක් පැහැදිලි කරයි (24%), එය රඟපාන චරිතය කුමක් වුවත්. ඔව් කීමට ආකෘතියක ඇති සාමාන්‍ය නැඹුරුව 3%ක් එක් කරයි.

චරිතය කිසිවක් එක් නොකළේය. කුමන සම්බන්ධවලට ඔව් ලැබුණාද යන්නෙහි විචලනයෙන් එහි කොටස 0.000 විය; ඔව් දෙසට සාමාන්‍ය නැඹුරුවෙන් එහි කොටස 0.002 විය. ආසනයක පිළිතුරුවලින්, එය නොදුටු ආකෘති මඟින්, චරිතය හඳුනා ගැනීමට උත්සාහ කරන පරීක්ෂණයක් අහඹු අවස්ථාවට වඩා හොඳින් ක්‍රියා නොකළේය (7.1%ට සාපේක්ෂව 6.1%). තවද ආසන තම චරිතයේ ලක්ෂණ පුරෝකථනය කරන දිශාවට වෙනස් නොවීය: සහසම්බන්ධය ශුන්‍ය විය. චරිතයක් පිළිතුරක් වෙනස් කළ විට, ආකෘතිය අනුව සම්බන්ධවලින් 1% සිට 15% දක්වා, එය අහඹු ලෙස වෙනස් කළේය.

මෙය අන් අය සොයාගත් දේට ගැළපේ. චරිත විචල්‍යයන් විවරණ කාර්යවල විචලනයෙන් පැහැදිලි කරන්නේ ස්වල්පයකි (Hu & Collier, 2024), පද්ධති විධානයක නම් කළ භූමිකාව ආකෘතියක පිළිතුරු ස්ථාවර ලෙස වෙනස් නොකරයි (Zheng et al., 2024). හේතු පිළිබඳ ප්‍රශ්නයක් ආකෘතියකට කියවෙන්නේ අසන පුද්ගලයා ගැන නොව ලෝකය ගැන ප්‍රශ්නයක් ලෙසය.

චරිත වෙනස් කළ දේ: පිළිතුරු දෙන්නේ කවුද

චරිත ආකෘතිවලට “කිව නොහැක” යනුවෙන් නිතර කීමට සැලැස්වීය, තමා ලෙස 19%ට සාපේක්ෂව 26%ක වාරවලදී, සහ ඒකාකාරව නොවේ. තරුණ, අඩු ආදායම්, කුලී නිවැසි, වාමාංශික සහ එක්සත් ජනපදයෙන් පිටත චරිත ලකුණු 14ක් දක්වා වැඩියෙන් වැළකුණි; වයස්ගත, දක්ෂිණාංශික, ඉඩම් හිමි, ඉහළ ආදායම් සහ හිමිකරු චරිත ලකුණු 13ක් දක්වා අඩුවෙන් වැළකුණි. ආකෘති අඩු තත්ත්වයේ චරිත රඟපෑවේ තමන් දන්නා දේ ගැන අඩු විශ්වාසයකින් යුතුවය. චරිත විධාන එවැනි ඒකාකෘති තර්කනයට ගෙන යන බව දන්නා කරුණකි (Gupta et al., 2024). සමහර ආකෘති චරිතයක් සමඟ බොහෝ වැඩියෙන් ප්‍රතික්ෂේප කළේය: Gemini 3.5 Flash චරිතයක් ලෙස සම්බන්ධවලින් 59%කට “කිව නොහැක” කී අතර තමා ලෙස කිසිවකට නොකීවේය.

හොඳින් විනිශ්චය කරන්නේ කුමන ආකෘතිද

ප්‍රස්ථාර සෑම ආකෘතියක්ම එය කොතරම් වාර ගණනක් ඔව් කියනවාද (හරහට) සහ එහි පිළිතුරු කොතරම් තොරතුරු සපයනවාද (ඉහළට) යන්න අනුව තබයි. තොරතුරු සපයන බව නිවැරදි පිළිතුරු නොදැන, ආකෘති එකිනෙකා සමඟ එකඟ වන ආකාරයෙන් ඇස්තමේන්තු කෙරේ (Dawid & Skene, 1979): 1 යනු සම්පූර්ණයෙන්ම ස්ථාවර විනිශ්චයකරුවෙකි, 0 යනු කිසිදු සංඥාවක් නොදරන පිළිතුරකි. එය මනින්නේ නිවැරදි බව නොව, මණ්ඩලය සමස්තයක් ලෙස සොයාගන්නා දේ සමඟ එකඟතාවයි, එබැවින් දුර්වල ඒවා සමඟ එකඟ නොවන ශක්තිමත් ආකෘතියකට එය ලැබිය යුතු ප්‍රමාණයට වඩා අඩු ලකුණු ලැබිය හැක.

බොහෝ ආකෘති වෙන්කර හඳුනා ගනී: ඒවා සම්බන්ධවලින් හතරෙන් එකක සිට තුනෙන් දෙකක් දක්වා ඔව් කියන අතර, ඒවායේ පිළිතුරු සංඥා දරයි. Claude Sonnet 5.5 සහ DeepSeek V4 Flash මණ්ඩලය සමඟ වැඩියෙන්ම එකඟ වේ. Gemma 3 4B සහ Command R7B වැනි කුඩා ආකෘති අඩුවෙන් දරයි. ප්‍රකාශ විනිශ්චය කිරීමට නොව දත්ත උකහා ගැනීමට ගොඩනැඟූ ආකෘතියක් වන Schematron, සියල්ලටම පාහේ “කිව නොහැක” කී අතර, එය පිළිතුරු දුන් දේ කිසිදු සංඥාවක් පාහේ නොදරයි.

ආකෘතිවලට තමන්ගේම මත තිබේද?

චරිත පිළිතුරු හැඩගස්වන්නේ නැත්නම්, සමහර විට ආකෘතිවලටම ගැටලුව පිළිබඳ වෙනස් න්‍යායන් තිබිය හැක, එකක් නියාමනයට දොස් පවරයි, තවත් එකක් සමපේක්ෂණයට. විචලනයෙන් හතරෙන් එකක් වූයේ ආකෘති එකම සම්බන්ධය වෙනස් ලෙස කියවීමයි, එබැවින් අපි එම වෙනසේ දිශා සෙව්වෙමු: ආකෘතිවල තමා ලෙසම දුන් පිළිතුරුවලින්, සෑම ආකෘතියක්ම සහ සෑම සම්බන්ධයක්ම මාන කිහිපයක් මත තබන ආකෘතියක්. මානයක් ගණන් වන්නේ එය ස්ථාවර නම් පමණි, එනම් සම්බන්ධවල භාග දෙකක් මත එය වෙන වෙනම ගැළපූ විට ආකෘති බොහෝ දුරට එකම ස්ථානවල තබයි නම්.

එක් මානයක් ස්ථාවර වූ අතර, එය න්‍යායක් නොවීය. එක් කෙළවරක තිබුණේ කිසිසේත් අර්ථවත් නොවන සම්බන්ධ ය, “විදේශීය ආයෝජකයන් මිලදී ගත් සුඛෝපභෝගී මහල් නිවාස” “ඇමරිකාවට වසරකට සංක්‍රමණිකයන් 600,000 සිට මිලියන 1.2 දක්වා එක් වේ” යන්නට තුඩු දීම වැනි, දුර්වල ආකෘති පිළිගත් ඒවා. අනෙක් කෙළවරේ තිබුණේ එක් සුසංගත යාන්ත්‍රණයකි, පදිංචිකරුවන්ගේ ඡන්ද සහ දැනට සිටින අයගේ අවශ්‍යතා සැපයුම සීමිතව තබාගැනීම, ශක්තිමත් ආකෘති සියල්ල පිළිගත් එක. මානය යනු ආකෘතියක් කොතරම් හොඳින් විනිශ්චය කරනවාද යන්නයි: ශක්තිමත් ආකෘති එකිනෙකට සමීපව සිටින අතර, සෑම දුර්වල ආකෘතියක්ම තමන්ගේම ආකාරයකින් ඒවායින් ඉවත් වේ.

ශක්තිමත් ආකෘති එකොළහ අතර, අධ්‍යයනයේ සම්බන්ධ 120 මත ගැළපූ විට, කිසිවක් ස්ථාවර නොවීය. සම්බන්ධ ප්‍රමාණය මදි විය. එම ආකෘති එකොළහම තමා ලෙසම පිළිතුරු දුන්, කාමරයේ සම්බන්ධ 870ම මත ගැළපූ විට, වෙනසක් පෙනුණු අතර, එය ස්ථාවරය: සම්බන්ධවල භාග දෙකක් මත වෙන වෙනම ගැළපූ විට, ආකෘති පාහේ එකම ස්ථානවලට වැටේ (0.89).

එක් කෙළවරක, ආකෘති මිනිසුන්ගේ අවශ්‍යතාවල සිට දේශපාලන තීරණ දක්වා සම්බන්ධ පිළිගනී: ඉහළ යන මිල ගණන්වල නිවාස හිමියන්ගේ ලාභය රජයක සැපයුම්-විරෝධී වෙනස්කම්වලට තුඩු දීම, පදිංචිකරුවන්ගේ ඡන්ද Proposition 13 වෙත තුඩු දීම. Gemini 3.5 Flash, Claude Sonnet 5.5, Nex සහ DeepSeek එහි සිටියි. අනෙක් කෙළවරේ, ආකෘති බාධකවල සිට සැපයුම් යාන්ත්‍රණය දක්වා සම්බන්ධ පිළිගනී: නියාමනය, දැනට සිටින අයගේ අවශ්‍යතා, අඩු වියදම් මහල් නිවාස ප්‍රතික්ෂේප කරන සභා සහ දේපළ අයිතිවාසිකම්, එක එකක් “වැඩි නිවාස ඒකක මිල අඩු කරයි” යන්නට තුඩු දෙමින්. Mistral Small, Ministral 8B, Laguna සහ Qwen එහි සිටියි. දළ වශයෙන්, එක් පැත්තක් නිවාස පැහැදිලි කරන්නේ දේශපාලනිකව ලාභ ලබන්නේ කවුද යන්නෙනි, අනෙක සැපයුම අවහිර කරන්නේ කුමක්ද යන්නෙනි. එම කියවීම අපගේය, එක් එක් කෙළවරේ සම්බන්ධවලින්. දෙවන මානය GPT-OSS ආකෘති දෙකම එක් කෙළවරක තබන නමුත්, එහි සම්බන්ධ අපට නම් කළ හැකි කිසිදු තේමාවක් බෙදා නොගනී.

විචලනය එකඟ වේ. ශක්තිමත් ආකෘති එකොළහ අතර, ආකෘති 21ම සමඟ 52%ට සාපේක්ෂව, සම්බන්ධයම එයින් 68%ක් පැහැදිලි කරන අතර, ආකෘතියට විශේෂිත කියවීම් 24% සිට 8% දක්වා අඩු වේ: වෙනස් කියවීම් සේ පෙනුණු දෙයින් තුනෙන් දෙකක් පමණ පැමිණියේ දුර්වල ආකෘතිවලිනි. ඉතිරිය කුඩාය, නමුත් එය ඉහත ස්ථාවර වෙනසයි.

True Causes සඳහා මෙහි අර්ථය

AI ආකෘති මණ්ඩලයක් පටු මත පරාසයක් සමඟ විනිශ්චය ලබා දෙයි. චරිත කිසිදු දෘෂ්ටිකෝණයක් එක් නොකරයි. දක්ෂ ආකෘති බොහෝ සම්බන්ධ ගැන එකඟ වන අතර, ඉතිරිය ගැන දේශපාලන සහ සැපයුම් පැහැදිලි කිරීම් අතර රේඛාවක් දිගේ ස්ථාවර ලෙස වෙනස් වේ. එය පරාසයකි, නමුත් පටු එකකි, ආකෘති පුහුණු කළ ආකාරයෙන් තීරණය වූ: විවිධ අත්දැකීම් ඇති මිනිසුන් ගෙනෙන මත පරාසය නොවේ. සාකච්ඡා සාරාංශ කරන ආකෘති පිළිබඳ පර්යේෂණ එම දිශාවටම යොමු කරයි: ආකෘති 18ක් පුරා සාරාංශ සුළුතර ස්ථාවර අඩුවෙන් නියෝජනය කරයි (Zhu et al., 2025), සම්මුතිය සොයා ගැනීමට ලියූ ප්‍රකාශවලට ඒවායේ අන්තර්ගතයට වඩා ඒවායේ ස්වරය මඟින් එකඟතාව දිනා ගත හැක (Tsai et al., 2024). True Causes හි AI ආකෘතියක් කාමරයක් වෙනුවෙන් කතා නොකරයි. එය තනි සම්බන්ධ ලියයි හෝ විනිශ්චය කරයි, සෑම විනිශ්චයක්ම ගණන් කෙරේ, බෙදීමක් සිතියමේ බෙදීමක් ලෙසම රැඳේ.

මණ්ඩලයක් තෝරා ගැනීම පළමුව ගුණාත්මකභාවය ගැන, ඉන්පසු සමතුලිතතාව ගැනය. ආකෘති අතර විශාලතම වෙනස ඒවා කොතරම් හොඳින් විනිශ්චය කරනවාද යන්නයි, එබැවින් මණ්ඩලයක් දුර්වල ඒවා ඉවත් කර, දක්ෂ ආකෘතිවලින් සමන්විත විය යුතුය. දක්ෂ ආකෘති අතර, පවුල් වෙනස් දිශාවලට නැඹුරු වේ, එබැවින් මණ්ඩලයක් කිහිපයකින් ගත යුතු අතර, කිසිදු පවුලක් ඉතිරි ඒවාට වඩා වැඩි නොවිය යුතුය.

ආසන දීමට පෙර ආකෘති පරීක්ෂා කළ යුතුය. සියල්ලට ඔව්, සියල්ලට නැත හෝ සියල්ලට “කිව නොහැක” කියන ආකෘතියක් එය විනිශ්චය කරන සෑම යුගලයකටම ඝෝෂාව එක් කරයි. දන්නා සම්බන්ධ මත කෙටි ක්‍රමාංකනයක් ඒවා සොයා ගනී.

විනිශ්චය සඳහා චරිත භාවිත නොකළ යුතුය. ඒවා වැළකීම් සහ තත්ත්ව ඒකාකෘතියක් එක් කරන අතර, විනිශ්චයේ කිසිදු විවිධත්වයක් එක් නොකරයි. ලිවීම වෙනම ප්‍රශ්නයකි. චරිත සහිත ආකෘති කාමරයක් විවිධ කාඩ්පත් ලියයි, නමුත් විවිධ ආකෘති වෙනස් ලෙස ලියන අතර, එක් ආකෘතියක් ඇසූ සෑම වරකම වෙනස් ලෙස ලියයි, එබැවින් විවිධ කාඩ්පත් පමණක් චරිත කිසිවක් කළ බව නොපෙන්වයි. පරීක්ෂණය මෙහි විනිශ්චය සඳහා භාවිත කළ එකමයි: එකම ආකෘති චරිතයක් සමඟ සහ නැතිව හේතු ලියන අතර, එක් එක් අවස්ථාව නිපදවන වෙනස් හේතු ගණන් කෙරේ.

මිනිසුන්ගේ කාමර වෙනස්ය. පුද්ගලයෙකු ගෙනෙන්නේ තමන් දුටු දේ මිස එය දැකීමට ඉඩ ඇති කෙනෙකුගේ විස්තරයක් නොවේ. මේ අධ්‍යයනය ඊට එරෙහිව කිසිවක් නොකියයි; එය කියන්නේ තමා කුලී නිවැසියෙකු බව කියූ ආකෘතියක් එවැන්නෙකු ලෙස ජීවත් වී නැති බවයි. මිනිසුන් එකඟ නොවන්නේ කුමක් ගැනදැයි සොයා ගැනීම අරමුණ වන තැන, එය සපයන්නේ මිනිසුන් පමණි. එම කාමරවල AI ආකෘතියක් පිළිතුරු දීමට වඩා ප්‍රශ්න ඇසීමට ප්‍රයෝජනවත්ය: කාඩ්පතක් ගැන ප්‍රශ්නයක්, එකින් එක සහ තමන්ගේම මතයක් නොමැතිව (මෙය සත්‍ය නම් ඔබ දකින්නේ කුමක්ද? අතරමැද සිදුවන්නේ කුමක්ද?), ආකෘතියේ වචන ඔවුන්ගේ කටට නොදමා හේතුව පැහැදිලි කිරීමට කතුවරයාට උපකාර වේ.

සීමා

එක් ප්‍රශ්නයක්, නිවාස; සම්බන්ධ 120ක්; ආකෘතියකට චරිත හතරක් හෝ පහක්, එක එකක් එක් වරක් පිළිතුරු දෙමින්. මේ සැලසුමට දැකිය හැකි ප්‍රමාණයට වඩා කුඩා බලපෑම් නොපෙනෙනු ඇත. චරිත භූමිකා විස්තර ලෙස ලියා ඇත; පිළිතුරු දීමට පෙර චරිතයේ සිට තර්ක කරන ලෙස ආකෘතියකගෙන් ඉල්ලීම වැනි ඒවා ඇති කිරීමේ ශක්තිමත් ක්‍රම, උපහාසාත්මක රූපකරණයේ අවදානම සමඟ, එය තවත් ඉදිරියට ගෙන යා හැක (Cheng et al., 2023). තොරතුරු සපයන බව මනින්නේ සත්‍යය නොව මණ්ඩලය සමඟ එකඟතාවයි, සාකච්ඡාවේ විනිශ්චයකරුවන් ලෙස භාවිත කරන ආකෘති කෙනෙකු බලාපොරොත්තු වන තරම් හොඳින් මිනිසුන් සමඟ එකඟ නොවේ (Zhu et al., 2025): තමා සමඟම එකඟ වන මණ්ඩලයක් තවමත් එකම දිශාවට වැරදි විය හැක. දක්ෂ ආකෘති අතර වෙනස පෙනුණේ සම්බන්ධ 870ම සමඟ පමණි; 120 සමඟ එය අදෘශ්‍යමාන විය, එබැවින් කුඩා වෙනස්කම් තවමත් නොපෙනී යා හැකි අතර, නිවාසවලට වඩා විවාදාත්මක ප්‍රශ්නයක් ආකෘති තවත් බෙදිය හැක.

යොමු

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.

ප්‍රශ්නයක් භාරගන්න → · තවත් සටහන්