குறிப்புகள் · மாதிரிப் பேனல்கள்

ஒரு மொழி மாதிரியிடம் அது யார் என்று சொல்லுங்கள். அதன் காரணத் தீர்ப்புகள் அரிதாகவே மாறுகின்றன.

அக்டோபர் 2026

True Causes இல் உள்ள மொழி மாதிரிகளின் அறைகள் ஒவ்வொரு மாதிரிக்கும் ஒரு பாத்திரத்தைத் தருகின்றன: வாடகை வீட்டில் வசிக்கும் ஒரு செவிலியர், ஓய்வுபெற்ற வீட்டு உரிமையாளர், ஒரு சிறு கட்டுமான நிறுவனர். வெவ்வேறு மக்கள் வெவ்வேறு காரணங்களைக் காண்கிறார்கள், அவர்களாக நடிக்கும் மாதிரிகளின் பேனலும் அப்படியே காணும் என்பது எண்ணம். தான் யார் என்று சொல்லப்பட்ட மாதிரி அந்த நபரைப் போலப் பதிலளிக்கிறதா என்பது அறியப்பட்ட கேள்வி (Argyle et al., 2023); அதைக் காரணத் தீர்ப்புகளில் சோதித்தோம்.

மதிப்பிடுவதில் அப்படி இல்லை. 21 மாதிரிகள், 14 பாத்திரங்கள் முழுவதும், ஒரு மாதிரிக்குத் தரப்பட்ட பாத்திரம் அது ஏற்ற காரண இணைப்புகளை நாங்கள் அளக்கக்கூடிய எந்த அளவிலும் மாற்றவில்லை. எந்த மாதிரி என்பது பெருமளவு மாற்றியது.

ஆய்வு

வீட்டுவசதி கட்டுப்படியாகும் தன்மை பற்றிய ஒரு பொதுப் பதிவு அறையிலிருந்து 120 இணைப்புகளை எடுத்தோம்; அறை உறுதிசெய்தவை, நிராகரித்தவை, முடிவுசெய்ய முடியாதவை சமமாக இடம்பெறும்படி தேர்ந்தெடுத்தோம். 21 மாதிரிகள் ஒவ்வொன்றும் ஒவ்வோர் இணைப்புக்கும் பதிலளித்தன, ஒருமுறை தானாகவும் நான்கு அல்லது ஐந்து முறை வெவ்வேறு பாத்திரங்களாகவும்: பன்னிரண்டு வீட்டுவசதிப் பாத்திரங்கள் (வாடகைதாரர்கள், உரிமையாளர்கள், ஒரு நில உரிமையாளர், ஒரு திட்டமிடுநர், ஒரு கட்டுமான நிறுவனர், ஒரு குடியிருப்போர் சங்க ஒருங்கமைப்பாளர், ஒரு கட்டுமானத் தொழிலாளி போன்றோர்), இரண்டு இரட்டையர் — ஒரே ஒரு விவரத்தில் தவிர ஒரே நபர்: சொந்த வீட்டுக்குப் பதிலாக வாடகை. ஒவ்வொரு பாத்திரத்தையும் ஏழு மாதிரிகள் ஏற்றன. அது 119 இடங்களும் 14,220 பதில்களும்; ஒவ்வோர் இடமும் ஒவ்வோர் இணைப்புக்கும் பதிலளித்தது, எனவே எந்தப் பதிலும் இன்னொன்றைச் சார்ந்திருக்கவில்லை.

பதில்களைத் தீர்மானித்தது எது

மொத்த மாறுபாட்டில் சுமார் பாதியை (52%) இணைப்பே விளக்குகிறது: எந்த இணைப்புகள் நம்பத்தக்கவை என்பதில் மாதிரிகள் பெருமளவு ஒத்துப்போகின்றன. குறிப்பிட்ட இணைப்புகளை மாதிரி தானே படிக்கும் விதம் இன்னொரு கால் பங்கை (24%) விளக்குகிறது, அது எந்தப் பாத்திரத்தை ஏற்றாலும். ஆம் என்று சொல்லும் ஒரு மாதிரியின் பொதுப் போக்கு 3% சேர்க்கிறது.

பாத்திரம் எதையும் சேர்க்கவில்லை. எந்த இணைப்புகள் ஆம் பெற்றன என்பதன் மாறுபாட்டில் அதன் பங்கு 0.000; ஆம் நோக்கிய பொதுச் சாய்வில் அதன் பங்கு 0.002. ஓர் இடத்தின் பதில்களிலிருந்து பாத்திரத்தை அடையாளம் காண முயலும் ஒரு சோதனை, அது காணப்படாத மாதிரிகளில், தற்செயலைவிடச் சிறப்பாகச் செய்யவில்லை (7.1% க்கு எதிராக 6.1%). இடங்கள் தம் பாத்திரத்தின் பண்புகள் கணிக்கும் திசையிலும் நகரவில்லை: தொடர்பு பூஜ்ஜியம். ஒரு பாத்திரம் ஒரு பதிலை மாற்றியபோது — மாதிரியைப் பொறுத்து 1% முதல் 15% இணைப்புகளில் — அது சீரற்ற முறையில் மாற்றியது.

மற்றவர்கள் கண்டதுடன் இது பொருந்துகிறது. குறிப்பீட்டுப் பணிகளின் மாறுபாட்டில் பாத்திர மாறிகள் சிறிதளவே விளக்குகின்றன (Hu & Collier, 2024); system prompt இல் பெயரிடப்படும் பணி ஒரு மாதிரியின் பதில்களைச் சீராக மாற்றுவதில்லை (Zheng et al., 2024). காரணக் கேள்வி ஒரு மாதிரிக்குக் கேட்பவரைப் பற்றியதாக அல்ல, உலகைப் பற்றிய கேள்வியாகப் படுகிறது.

பாத்திரங்கள் மாற்றியது: யார் பதிலளிக்கிறார்கள்

பாத்திரங்கள் மாதிரிகளை அடிக்கடி “சொல்ல முடியாது” என்று சொல்ல வைத்தன: தானாக இருக்கும்போது 19% க்கு எதிராக 26% நேரம், அதுவும் சீராக அல்ல. இளைய, குறைந்த வருமான, வாடகை, இடதுசாரிச் சாய்வு, அமெரிக்கா அல்லாத பாத்திரங்கள் 14 புள்ளிகள் வரை அதிகம் தவிர்த்தன; மூத்த, வலதுசாரிச் சாய்வு, நில உரிமையாளர், அதிக வருமான, உரிமையாளர் பாத்திரங்கள் 13 புள்ளிகள் வரை குறைவாகத் தவிர்த்தன. மாதிரிகள் தாழ்ந்த நிலைப் பாத்திரங்களைத் தாம் அறிந்ததில் குறைவான உறுதியுடையவர்களாக நடித்தன. பாத்திரத் தூண்டுதல்கள் இத்தகைய வார்ப்புருக்களைச் சிந்தனைக்குள் கொண்டுசெல்வது அறியப்பட்டது (Gupta et al., 2024). சில மாதிரிகள் பாத்திரத்துடன் மிக அதிகமாக மறுத்தன: Gemini 3.5 Flash பாத்திரமாக 59% இணைப்புகளுக்கு “சொல்ல முடியாது” என்றது, தானாக ஒன்றுக்கும் இல்லை.

எந்த மாதிரிகள் நன்றாக மதிப்பிடுகின்றன

வரைபடங்கள் ஒவ்வொரு மாதிரியையும், அது எவ்வளவு அடிக்கடி ஆம் என்கிறது (குறுக்காக), அதன் பதில்கள் எவ்வளவு தகவல் தருகின்றன (மேலே) என்பதை வைத்து அமைக்கின்றன. சரியான பதில்கள் தெரியாமலேயே, மாதிரிகள் ஒன்றோடொன்று எப்படி ஒத்துப்போகின்றன என்பதிலிருந்து தகவல்தன்மை மதிப்பிடப்படுகிறது (Dawid & Skene, 1979): 1 முழுச் சீரான நீதிபதி, 0 எந்தச் சமிக்ஞையும் இல்லாத பதில். இது சரியானதை அல்ல, பேனல் முழுவதும் காண்பதுடனான ஒத்திசைவை அளக்கிறது; எனவே பலவீனமானவற்றுடன் முரண்படும் வலுவான மாதிரி தகுதியைவிடக் குறைவாக மதிப்பெண் பெறலாம்.

பெரும்பாலான மாதிரிகள் பிரித்தறிகின்றன: கால் பங்கு முதல் மூன்றில் இரண்டு பங்கு இணைப்புகளுக்கு ஆம் என்கின்றன, அவற்றின் பதில்கள் சமிக்ஞை தருகின்றன. Claude Sonnet 5.5, DeepSeek V4 Flash ஆகியவை பேனலுடன் அதிகம் ஒத்துப்போகின்றன. Gemma 3 4B, Command R7B போன்ற சிறிய மாதிரிகள் குறைவாகத் தருகின்றன. கூற்றுகளை மதிப்பிட அல்ல, தரவைப் பிரித்தெடுக்கக் கட்டப்பட்ட Schematron கிட்டத்தட்ட எல்லாவற்றுக்கும் “சொல்ல முடியாது” என்றது; அது பதிலளித்தவையும் கிட்டத்தட்ட எந்தச் சமிக்ஞையும் தரவில்லை.

மாதிரிகளுக்குச் சொந்தப் பார்வைகள் உண்டா?

பாத்திரங்கள் பதில்களை வடிவமைக்கவில்லை என்றால், ஒருவேளை மாதிரிகளே பிரச்சினை பற்றி வெவ்வேறு கோட்பாடுகளைக் கொண்டிருக்கலாம்: ஒன்று ஒழுங்குமுறையைக் குற்றம் சாட்ட, இன்னொன்று ஊக வணிகத்தை. மாறுபாட்டில் கால் பங்கு, மாதிரிகள் ஒரே இணைப்பை வேறுவிதமாகப் படித்ததால் வந்தது; எனவே அந்த வேறுபாட்டின் திசைகளைத் தேடினோம்: மாதிரிகள் தாமாகத் தந்த பதில்களிலிருந்து, ஒவ்வொரு மாதிரியையும் ஒவ்வோர் இணைப்பையும் சில பரிமாணங்களில் அமைக்கும் ஒரு மாதிரியுரு. ஒரு பரிமாணம் நிலையானதாக இருந்தால் மட்டுமே கணக்கில் வரும், அதாவது இணைப்புகளின் இரண்டு பாதிகளில் தனித்தனியாகப் பொருத்தும்போது மாதிரிகள் கிட்டத்தட்ட அதே இடங்களில் அமைந்தால்.

ஒரு பரிமாணம் நிலையாக இருந்தது, அது ஒரு கோட்பாடு அல்ல. ஒரு முனையில் அரிதாகவே பொருள் தரும் இணைப்புகள் இருந்தன — “வெளிநாட்டு முதலீட்டாளர்கள் வாங்கும் ஆடம்பர அடுக்ககங்கள்” “அமெரிக்கா ஆண்டுக்கு 6 லட்சம் முதல் 12 லட்சம் குடியேறிகளைச் சேர்க்கிறது” என்பதற்கு இட்டுச்செல்வது போல — அவற்றைப் பலவீனமான மாதிரிகள் ஏற்றன. மறுமுனையில் ஓர் ஒத்திசைவான இயக்கமுறை இருந்தது — குடியிருப்போரின் வாக்குகளும் ஏற்கெனவே இருப்பவர்களின் நலன்களும் வழங்கலைக் கட்டுப்படுத்துவது — வலுவான மாதிரிகள் அனைத்தும் அதை ஏற்றன. அந்தப் பரிமாணம், ஒரு மாதிரி எவ்வளவு நன்றாக மதிப்பிடுகிறது என்பதே: வலுவான மாதிரிகள் நெருக்கமாக அமர்கின்றன, ஒவ்வொரு பலவீனமான மாதிரியும் தன் வழியில் அவற்றிலிருந்து விலகுகிறது.

பதினொரு வலுவான மாதிரிகளிடையே, ஆய்வின் 120 இணைப்புகளில் பொருத்தியபோது, எதுவும் நிலையாக இல்லை. இணைப்புகள் மிகக் குறைவு. அதே பதினொரு மாதிரிகள் தாமாகப் பதிலளித்த அறையின் 870 இணைப்புகள் அனைத்திலும் பொருத்தியபோது, ஒரு வேறுபாடு தோன்றியது, அது நிலையானது: இணைப்புகளின் இரண்டு பாதிகளில் தனித்தனியாகப் பொருத்தும்போது மாதிரிகள் கிட்டத்தட்ட அதே இடங்களில் அமைகின்றன (0.89).

ஒரு முனையில், மக்களின் நலன்களிலிருந்து அரசியல் முடிவுகளுக்கான இணைப்புகளை மாதிரிகள் ஏற்கின்றன: விலை ஏற்றத்தில் வீட்டு உரிமையாளர்களின் ஆதாயம் அரசின் வழங்கல் எதிர்ப்பு மாற்றங்களுக்கு இட்டுச்செல்வது, குடியிருப்போரின் வாக்குகள் Proposition 13 க்கு இட்டுச்செல்வது. Gemini 3.5 Flash, Claude Sonnet 5.5, Nex, DeepSeek அங்கே அமர்கின்றன. மறுமுனையில், தடைகளிலிருந்து வழங்கல் இயக்கமுறைக்கான இணைப்புகளை மாதிரிகள் ஏற்கின்றன: ஒழுங்குமுறை, ஏற்கெனவே இருப்பவர்களின் நலன்கள், குறைந்த விலை அடுக்ககங்களை மறுக்கும் உள்ளாட்சிகள், சொத்துரிமைகள் ஒவ்வொன்றும் “அதிக வீடுகள் விலையைக் குறைக்கின்றன” என்பதற்கு இட்டுச்செல்வது. Mistral Small, Ministral 8B, Laguna, Qwen அங்கே அமர்கின்றன. தோராயமாக, ஒரு பக்கம் வீட்டுவசதியை அரசியல் ரீதியாக யார் ஆதாயம் பெறுகிறார்கள் என்பதால் விளக்குகிறது, மறுபக்கம் வழங்கலைத் தடுப்பது எது என்பதால். அந்தப் படிப்பு எங்களுடையது, ஒவ்வொரு முனையிலுமுள்ள இணைப்புகளிலிருந்து. இரண்டாம் பரிமாணம் இரண்டு GPT-OSS மாதிரிகளையும் ஒரு முனையில் வைக்கிறது, ஆனால் அதன் இணைப்புகள் நாங்கள் பெயரிடக்கூடிய பொதுக் கருப்பொருள் எதையும் பகிரவில்லை.

மாறுபாடும் ஒத்துப்போகிறது. பதினொரு வலுவான மாதிரிகளிடையே, அதில் 68% ஐ இணைப்பே விளக்குகிறது — 21 மாதிரிகளுடன் 52% க்கு எதிராக — மாதிரி சார்ந்த படிப்புகள் 24% இலிருந்து 8% க்குக் குறைகின்றன: வெவ்வேறு படிப்புகள் போலத் தெரிந்தவற்றில் சுமார் மூன்றில் இரண்டு பங்கு பலவீனமான மாதிரிகளிடமிருந்து வந்தது. மீதி சிறியது, ஆனால் அது மேலே உள்ள சீரான வேறுபாடு.

True Causes க்கு இதன் பொருள்

மொழி மாதிரிகளின் பேனல், குறுகிய பார்வை வரம்புடன், மதிப்பீட்டைத் தருகிறது. பாத்திரங்கள் எந்தக் கண்ணோட்டத்தையும் சேர்ப்பதில்லை. திறமையான மாதிரிகள் பெரும்பாலான இணைப்புகளில் ஒத்துப்போகின்றன, மீதியில் அரசியல் விளக்கங்களுக்கும் வழங்கல் விளக்கங்களுக்கும் இடையிலான ஒரு கோட்டில் சீராக வேறுபடுகின்றன. அது ஒரு வரம்பு, ஆனால் குறுகியது, மாதிரிகள் பயிற்றுவிக்கப்பட்ட விதத்தால் அமைந்தது: வெவ்வேறு அனுபவமுள்ள மக்கள் கொண்டுவரும் பார்வைகளின் வரம்பு அல்ல. விவாதங்களைச் சுருக்கும் மாதிரிகள் பற்றிய ஆய்வும் அதே திசையைக் காட்டுகிறது: 18 மாதிரிகளிலும் சுருக்கங்கள் சிறுபான்மை நிலைப்பாடுகளைக் குறைவாக இடம்பெறச் செய்கின்றன (Zhu et al., 2025); ஒருமித்த கருத்தைக் காண எழுதப்பட்ட கூற்றுகள் உள்ளடக்கத்தைவிட தொனியால் ஒப்புதலை வெல்லக்கூடும் (Tsai et al., 2024). True Causes இல் ஒரு மாதிரி ஓர் அறைக்காகப் பேசுவதில்லை. அது தனித்தனி இணைப்புகளை எழுதுகிறது அல்லது மதிப்பிடுகிறது, ஒவ்வொரு தீர்ப்பும் எண்ணப்படுகிறது, பிளவு வரைபடத்தில் பிளவாகவே நிற்கிறது.

பேனலைத் தேர்ந்தெடுப்பது முதலில் தரம் பற்றியது, பிறகு சமநிலை. மாதிரிகளுக்கு இடையிலான மிகப் பெரிய வேறுபாடு அவை எவ்வளவு நன்றாக மதிப்பிடுகின்றன என்பது; எனவே பேனல் திறமையான மாதிரிகளால் ஆக வேண்டும், பலவீனமானவை விலக்கப்பட வேண்டும். திறமையான மாதிரிகளிடையே குடும்பங்கள் வெவ்வேறு பக்கம் சாய்கின்றன; எனவே பேனல் பலவற்றிலிருந்து எடுக்க வேண்டும், எந்த ஒரு குடும்பமும் மற்றவற்றைவிட எண்ணிக்கையில் அதிகமாக இருக்கக் கூடாது.

அமர்த்தும் முன் மாதிரிகள் சோதிக்கப்பட வேண்டும். எல்லாவற்றுக்கும் ஆம், எல்லாவற்றுக்கும் இல்லை, அல்லது எல்லாவற்றுக்கும் “சொல்ல முடியாது” என்று சொல்லும் மாதிரி, தான் மதிப்பிடும் ஒவ்வொரு ஜோடியிலும் இரைச்சலைச் சேர்க்கிறது. அறிந்த இணைப்புகளில் ஒரு சிறு அளவுத்திருத்தம் அவற்றைக் கண்டறிகிறது.

மதிப்பிடுவதற்குப் பாத்திரங்களைப் பயன்படுத்தக் கூடாது. அவை தவிர்ப்புகளையும் ஒரு நிலை வார்ப்புருவையும் சேர்க்கின்றன, தீர்ப்பில் எந்தப் பன்முகத்தையும் அல்ல. எழுதுவது தனிக் கேள்வி. பாத்திரங்களுடன் கூடிய மாதிரிகளின் அறை பல்வேறு அட்டைகளை எழுதுகிறது; ஆனால் வெவ்வேறு மாதிரிகள் வெவ்வேறு விதமாக எழுதுகின்றன, ஒரே மாதிரி ஒவ்வொரு முறை கேட்கப்படும்போதும் வேறுவிதமாக எழுதுகிறது; எனவே பல்வேறு அட்டைகள் மட்டும் பாத்திரங்கள் எதையாவது செய்தன என்று காட்டுவதில்லை. சோதனை, இங்கே மதிப்பிடுவதற்குப் பயன்பட்டதே: அதே மாதிரிகள் பாத்திரத்துடனும் இல்லாமலும் காரணங்களை எழுதுகின்றன, ஒவ்வொன்றும் உருவாக்கும் தனித்த காரணங்கள் எண்ணப்படுகின்றன.

மனிதர்களின் அறைகள் வேறு. ஒருவர் தாம் கண்டதைக் கொண்டுவருகிறார், அதைக் கண்டிருக்கக்கூடிய ஒருவரின் விவரணையை அல்ல. இந்த ஆய்வு அதற்கு எதிராக எதுவும் சொல்லவில்லை; வாடகைதாரர் என்று சொல்லப்பட்ட மாதிரி அப்படி வாழ்ந்ததில்லை என்று சொல்கிறது. மக்கள் எதில் முரண்படுகிறார்கள் என்று கண்டறிவதே நோக்கம் என்றால், மக்கள் மட்டுமே அதைத் தருகிறார்கள். அந்த அறைகளில் மாதிரி பதிலளிப்பதைவிடக் கேட்பதில் அதிகப் பயனுள்ளது: ஓர் அட்டை பற்றிய ஒரு கேள்வி, ஒவ்வொன்றாக, தனக்கென எந்தப் பார்வையும் இல்லாமல் (இது உண்மையானால் நீங்கள் என்ன பார்ப்பீர்கள்? இடையில் என்ன நடக்கிறது?), மாதிரியின் சொற்களை அவர் வாயில் வைக்காமல், காரணத்தைத் தெளிவாக்க அதன் ஆசிரியருக்கு உதவுகிறது.

வரம்புகள்

ஒரு கேள்வி, வீட்டுவசதி; 120 இணைப்புகள்; ஒரு மாதிரிக்கு நான்கு அல்லது ஐந்து பாத்திரங்கள், ஒவ்வொன்றும் ஒருமுறை பதிலளித்து. இந்த வடிவமைப்பு காணக்கூடியதைவிடச் சிறிய விளைவுகள் தெரியாது. பாத்திரங்கள் பணி விவரணைகளாக எழுதப்பட்டன; அவற்றைத் தூண்டும் வலுவான வழிகள் — பதிலளிக்கும் முன் பாத்திரத்தில் இருந்து சிந்திக்கச் சொல்வது போல — மாதிரியை மேலும் நகர்த்தலாம், கேலிச்சித்திர அபாயத்துடன் (Cheng et al., 2023). தகவல்தன்மை உண்மையை அல்ல, பேனலுடனான ஒத்திசைவை அளக்கிறது; விவாதத்தின் நீதிபதிகளாகப் பயன்படும் மாதிரிகள் எதிர்பார்ப்பதைவிட மக்களுடன் குறைவாக ஒத்துப்போகின்றன (Zhu et al., 2025): தன்னுடன் ஒத்துப்போகும் பேனல் அதே திசையில் தவறாகவும் இருக்கலாம். திறமையான மாதிரிகளுக்கு இடையிலான வேறுபாடு 870 இணைப்புகளுடன் மட்டுமே தோன்றியது; 120 உடன் அது தெரியவில்லை; எனவே சிறிய வேறுபாடுகள் இன்னும் காணப்படாமல் போகலாம், வீட்டுவசதியைவிட அதிகச் சர்ச்சைக்குரிய கேள்வி மாதிரிகளை மேலும் பிரிக்கலாம்.

குறிப்புகள்

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.

ஒரு கேள்வியை எடுத்துக்கொள்ளுங்கள் → · மேலும் குறிப்புகள்