ÀKỌSÍLẸ̀ · ÌGBÌMỌ̀ Ẹ̀RỌ AI
Ẹ sọ fún ẹ̀rọ AI ẹni tí ó jẹ́. Ìdájọ́ rẹ̀ nípa ìdí kò fi bẹ́ẹ̀ yí padà.
Oṣù Kẹwàá 2026
Àwọn yàrá ẹ̀rọ èdè lórí True Causes ń fún ẹ̀rọ kọ̀ọ̀kan ní ipa ẹ̀dá kan: nọ́ọ̀sì tó ń gbé ilé ayálégbé, onílé tó ti fẹ̀yìn tì, olùkọ́lé kékeré kan. Èrò rẹ̀ ni pé àwọn ènìyàn ọ̀tọ̀ọ̀tọ̀ ń rí ìdí ọ̀tọ̀ọ̀tọ̀, ìgbìmọ̀ ẹ̀rọ tó ń ṣe ipa wọn náà yóò sì rí bẹ́ẹ̀. Bóyá ẹ̀rọ tí a sọ fún ẹni tí ó jẹ́ ń dáhùn bí ẹni náà jẹ́ ìbéèrè tí a mọ̀ (Argyle et al., 2023); a dán an wò lórí ìdájọ́ nípa ìdí.
Kò rí bẹ́ẹ̀, fún ṣíṣèdájọ́. Káàkiri ẹ̀rọ 21 àti ipa ẹ̀dá 14, ipa ẹ̀dá tí a fún ẹ̀rọ kan kò yí àwọn ìsopọ̀ ìdí tí ó gbà padà ní ìwọ̀n kankan tí a lè wọ̀n. Ẹ̀rọ tí ó jẹ́ ló yí i padà púpọ̀.
Ìwádìí náà
A mú ìsopọ̀ 120 láti inú yàrá àkọsílẹ̀ gbangba kan lórí bí ilé gbígbé ṣe ṣeé rà tó, tí a yàn kí àwọn ìsopọ̀ tí yàrá náà fìdí wọn múlẹ̀, tí ó kọ̀, àti tí kò lè yanjú lè wà ní iye kan náà. Ọ̀kọ̀ọ̀kan nínú ẹ̀rọ 21 dáhùn gbogbo ìsopọ̀, lẹ́ẹ̀kan gẹ́gẹ́ bí ara rẹ̀ àti ní ìgbà mẹ́rin tàbí márùn-ún gẹ́gẹ́ bí ipa ẹ̀dá ọ̀tọ̀: ipa ẹ̀dá ilé gbígbé méjìlá (ayálégbé àti onílé, onílé tó ń gbà ilé, olùṣètò ìlú, olùkọ́lé, olùṣètò ayálégbé, òṣìṣẹ́ ìkọ́lé àti àwọn mìíràn), àti ìbejì méjì, ẹni kan náà àfi òtítọ́ kan, ó ń gba ilé dípò kí ó ní in. Ẹ̀rọ méje ló ṣe ipa ẹ̀dá kọ̀ọ̀kan. Ìyẹn jẹ́ ìjókòó 119 àti ìdáhùn 14,220, gbogbo ìjókòó ló dáhùn gbogbo ìsopọ̀, nítorí náà kò sí ìdáhùn tó gbára lé òmíràn.
Ohun tó pinnu àwọn ìdáhùn
Ìsopọ̀ fúnra rẹ̀ ló ṣàlàyé nǹkan bí ìdajì gbogbo ìyàtọ̀ (52%): àwọn ẹ̀rọ fohùnṣọ̀kan púpọ̀ lórí àwọn ìsopọ̀ tó ṣeé gbàgbọ́. Bí ẹ̀rọ fúnra rẹ̀ ṣe ka àwọn ìsopọ̀ kan ló ṣàlàyé ìdá kan nínú mẹ́rin mìíràn (24%), ipa ẹ̀dá yòówù kí ó ṣe. Ìfẹ́ gbogbogbò ẹ̀rọ kan láti sọ bẹ́ẹ̀ ni ń fi 3% kún un.
Ipa ẹ̀dá kò fi nǹkan kan kún un. Ìpín rẹ̀ nínú ìyàtọ̀ ìsopọ̀ tó gba bẹ́ẹ̀ ni jẹ́ 0.000; ìpín rẹ̀ nínú ìtẹ̀sí gbogbogbò sí bẹ́ẹ̀ ni, 0.002. Àdánwò tó ń gbìyànjú láti dá ipa ẹ̀dá mọ̀ láti inú ìdáhùn ìjókòó kan, nípasẹ̀ àwọn ẹ̀rọ tí kò rí i nínú wọn, kò ṣe dáadáa ju èèṣì lọ (6.1% ní ìfiwéra pẹ̀lú 7.1%). Àwọn ìjókòó kò sì yí sí ọ̀nà tí àbùdá ipa ẹ̀dá wọn ìbá sọtẹ́lẹ̀: ìbáṣepọ̀ náà jẹ́ òdo. Nígbà tí ipa ẹ̀dá kan bá yí ìdáhùn padà, lórí láàrin 1% àti 15% àwọn ìsopọ̀ gẹ́gẹ́ bí ẹ̀rọ náà, ó yí i padà láìròtẹ́lẹ̀.
Èyí bá ohun tí àwọn mìíràn rí mu. Àwọn àbùdá ipa ẹ̀dá ṣàlàyé díẹ̀ nínú ìyàtọ̀ iṣẹ́ àmì-sísàmì (Hu & Collier, 2024), ipa tí a dárúkọ nínú ìtọ́ni ètò kò sì ń yí ìdáhùn ẹ̀rọ padà déédéé (Zheng et al., 2024). Ìbéèrè ìdí ń kà sí ẹ̀rọ bí ìbéèrè nípa ayé, kì í ṣe nípa ẹni tó ń béèrè.
Ohun tí ipa ẹ̀dá yí padà: àwọn tó ń dáhùn
Ipa ẹ̀dá mú kí àwọn ẹ̀rọ máa sọ “kò lè sọ” lemọ́lemọ́ sí i, 26% ìgbà ní ìfiwéra pẹ̀lú 19% gẹ́gẹ́ bí ara wọn, kì í sì í ṣe bákan náà. Ipa ẹ̀dá ọ̀dọ́, aláìní owó púpọ̀, ayálégbé, ẹlẹ́gbẹ́ òsì àti àwọn tí kì í ṣe ará Amẹ́ríkà kọ̀ láti dáhùn sí i, títí dé ààlà 14; ipa ẹ̀dá àgbàlagbà, ẹlẹ́gbẹ́ ọ̀tún, onílé tó ń gbà ilé, olówó àti onílé kọ̀ láti dáhùn díẹ̀, títí dé ààlà 13. Àwọn ẹ̀rọ ṣe ipa ẹ̀dá tí ipò wọn kéré bí ẹni tí kò dá lójú nípa ohun tí ó mọ̀. A mọ̀ pé ìtọ́ni ipa ẹ̀dá ń gbé irú èrò àbàdí bẹ́ẹ̀ wọnú ìrònú (Gupta et al., 2024). Àwọn ẹ̀rọ kan kọ̀ púpọ̀ jù pẹ̀lú ipa ẹ̀dá: Gemini 3.5 Flash sọ “kò lè sọ” sí 59% àwọn ìsopọ̀ gẹ́gẹ́ bí ipa ẹ̀dá, kò sì sọ bẹ́ẹ̀ sí ọ̀kankan gẹ́gẹ́ bí ara rẹ̀.
Àwọn ẹ̀rọ tó ń ṣèdájọ́ dáadáa
Àwọn àwòrán ìṣirò ń gbé ẹ̀rọ kọ̀ọ̀kan sí ipò gẹ́gẹ́ bí ó ṣe ń sọ bẹ́ẹ̀ ni lemọ́lemọ́ tó (ní ìbú) àti bí ìdáhùn rẹ̀ ṣe ní ìmọ̀ nínú tó (ní òkè). A ń ṣírò ìwọ̀n ìmọ̀ láìmọ àwọn ìdáhùn tó tọ́, láti inú bí àwọn ẹ̀rọ ṣe fohùnṣọ̀kan pẹ̀lú ara wọn (Dawid & Skene, 1979): 1 jẹ́ adájọ́ tó dúró ṣinṣin pátápátá, 0 jẹ́ ìdáhùn tí kò gbé àmì kankan. Ó ń wọn ìfohùnṣọ̀kan pẹ̀lú ohun tí gbogbo ìgbìmọ̀ rí, kì í ṣe òtítọ́, nítorí náà ẹ̀rọ tó lágbára tí kò fohùnṣọ̀kan pẹ̀lú àwọn aláìlágbára lè gba máàkì tó kéré ju ohun tó yẹ ẹ́ lọ.
Ọ̀pọ̀ jùlọ ẹ̀rọ ló ń ṣe ìyàtọ̀: wọ́n ń sọ bẹ́ẹ̀ ni sí láàrin ìdá kan nínú mẹ́rin àti ìdá méjì nínú mẹ́ta àwọn ìsopọ̀, ìdáhùn wọn sì ní àmì. Claude Sonnet 5.5 àti DeepSeek V4 Flash fohùnṣọ̀kan jùlọ pẹ̀lú ìgbìmọ̀. Àwọn ẹ̀rọ kékeré bíi Gemma 3 4B àti Command R7B ní díẹ̀. Schematron, ẹ̀rọ tí a kọ́ fún yíyọ dátà jáde dípò ṣíṣèdájọ́ kókó, sọ “kò lè sọ” sí fẹ́rẹ̀ẹ́ gbogbo nǹkan, ohun tí ó dáhùn kò sì fẹ́rẹ̀ẹ́ ní àmì kankan.
Ṣé àwọn ẹ̀rọ ní èrò tiwọn?
Bí ipa ẹ̀dá kò bá ṣe àwọn ìdáhùn, bóyá àwọn ẹ̀rọ fúnra wọn ní àlàyé ọ̀tọ̀ọ̀tọ̀ nípa ìṣòro náà, ọ̀kan ń dá òfin ìjọba lẹ́bi, òmíràn ń dá òwò àròkàn lẹ́bi. Ìdá kan nínú mẹ́rin ìyàtọ̀ náà ni àwọn ẹ̀rọ tó ń ka ìsopọ̀ kan náà lọ́nà ọ̀tọ̀ọ̀tọ̀, nítorí náà a wá ọ̀nà tí ìyàtọ̀ yẹn ń lọ: àwòṣe ìṣirò tó ń gbé ẹ̀rọ kọ̀ọ̀kan àti ìsopọ̀ kọ̀ọ̀kan sí orí ìhà díẹ̀, láti inú ìdáhùn àwọn ẹ̀rọ gẹ́gẹ́ bí ara wọn. Ìhà kan ń kà kìkì bí ó bá dúró ṣinṣin, ìyẹn ni, bí ṣíṣe é lọ́tọ̀ lórí ìdajì méjì àwọn ìsopọ̀ bá gbé àwọn ẹ̀rọ sí ibi kan náà fẹ́rẹ̀ẹ́.
Ìhà kan ló dúró ṣinṣin, kì í sì í ṣe àlàyé ìmọ̀. Ní òpin kan ni àwọn ìsopọ̀ tí kò fi bẹ́ẹ̀ ní ìtumọ̀ wà, bíi “ilé olówó ńlá tí àwọn olùdókòwò òkèèrè rà” tó ń yọrí sí “Amẹ́ríkà ń gba àṣíkiri 600,000 sí mílíọ̀nù 1.2 lọ́dún”, èyí tí àwọn ẹ̀rọ aláìlágbára gbà. Ní òpin kejì ni ìlànà kan tó bára mu wà, ìbò àwọn olùgbé àti àǹfààní àwọn tó ti wà nípò tó ń dín ìpèsè ilé kù, èyí tí gbogbo àwọn ẹ̀rọ tó lágbára gbà. Ìhà náà ni bí ẹ̀rọ kan ṣe ń ṣèdájọ́ dáadáa tó: àwọn ẹ̀rọ tó lágbára wà nítòsí ara wọn, ẹ̀rọ aláìlágbára kọ̀ọ̀kan sì yapa kúrò lọ́dọ̀ wọn lọ́nà tirẹ̀.
Láàrin ẹ̀rọ mọ́kànlá tó lágbára jù, tí a ṣe lórí ìsopọ̀ 120 ìwádìí náà, kò sí ohun tó dúró ṣinṣin. Ìsopọ̀ kò pọ̀ tó. Nígbà tí a ṣe é lórí gbogbo ìsopọ̀ 870 yàrá náà, tí ẹ̀rọ mọ́kànlá kan náà dáhùn gẹ́gẹ́ bí ara wọn, ìyàtọ̀ kan farahàn, ó sì dúró ṣinṣin: nígbà tí a ṣe é lọ́tọ̀ lórí ìdajì méjì àwọn ìsopọ̀, àwọn ẹ̀rọ bọ́ sí ibi kan náà fẹ́rẹ̀ẹ́ (0.89).
Ní òpin kan, àwọn ẹ̀rọ ń gba ìsopọ̀ láti inú àǹfààní àwọn ènìyàn sí ìpinnu ìṣèlú: ìpín àwọn onílé nínú iye owó tó ń gòkè tó ń yọrí sí àyípadà ìjọba tó ń dí ìpèsè ilé lọ́wọ́, ìbò àwọn olùgbé tó ń yọrí sí Proposition 13. Gemini 3.5 Flash, Claude Sonnet 5.5, Nex àti DeepSeek wà níbẹ̀. Ní òpin kejì, àwọn ẹ̀rọ ń gba ìsopọ̀ láti inú ìdènà sí ìlànà ìpèsè ilé: òfin ìjọba, àǹfààní àwọn tó ti wà nípò, ìgbìmọ̀ ìlú tó ń kọ ilé olówó pọ́ọ́kú àti ẹ̀tọ́ ohun ìní, ọ̀kọ̀ọ̀kan ń yọrí sí “ilé púpọ̀ sí i ń dín iye owó kù”. Mistral Small, Ministral 8B, Laguna àti Qwen wà níbẹ̀. Ní ṣókí, ẹ̀gbẹ́ kan ń ṣàlàyé ilé gbígbé nípa ẹni tó ń jèrè nínú ìṣèlú, èkejì nípa ohun tó ń dí ìpèsè lọ́wọ́. Kíkà yẹn jẹ́ tiwa, láti inú àwọn ìsopọ̀ ní òpin kọ̀ọ̀kan. Ìhà kejì ń gbé ẹ̀rọ GPT-OSS méjèèjì sí òpin kan, ṣùgbọ́n àwọn ìsopọ̀ rẹ̀ kò ní àkòrí kan tí a lè dárúkọ.
Ìyàtọ̀ náà fohùnṣọ̀kan. Láàrin ẹ̀rọ mọ́kànlá tó lágbára jù, ìsopọ̀ fúnra rẹ̀ ṣàlàyé 68% rẹ̀, ní ìfiwéra pẹ̀lú 52% pẹ̀lú gbogbo ẹ̀rọ 21, kíkà tí ó jẹ́ ti ẹ̀rọ kọ̀ọ̀kan sì dín kù láti 24% sí 8%: nǹkan bí ìdá méjì nínú mẹ́ta ohun tó dà bí kíkà ọ̀tọ̀ọ̀tọ̀ wá láti ọ̀dọ̀ àwọn ẹ̀rọ aláìlágbára. Ìyókù kéré, ṣùgbọ́n òun ni ìyàtọ̀ tó dúró ṣinṣin tó wà lókè.
Ohun tí èyí túmọ̀ sí fún True Causes
Ìgbìmọ̀ ẹ̀rọ AI ń fúnni ní ìdájọ́, pẹ̀lú ìbú èrò tó kéré. Ipa ẹ̀dá kò fi ojú ìwòye kankan kún un. Àwọn ẹ̀rọ tó kúnjú òṣùwọ̀n fohùnṣọ̀kan lórí ọ̀pọ̀ jùlọ ìsopọ̀, wọ́n sì yàtọ̀ déédéé lórí àwọn yòókù, ní ìlà kan láàrin àlàyé ìṣèlú àti ti ìpèsè. Ìbú kan ni, ṣùgbọ́n èyí tó kéré, tí bí a ṣe kọ́ àwọn ẹ̀rọ náà pinnu: kì í ṣe ìbú èrò tí àwọn ènìyàn tí ìrírí wọn yàtọ̀ ìbá mú wá. Ìwádìí lórí àwọn ẹ̀rọ tó ń ṣe àkópọ̀ ìjíròrò ń tọ́ka sí ọ̀nà kan náà: àwọn àkópọ̀ náà kì í fi ipò ìpín kékeré hàn tó, káàkiri ẹ̀rọ 18 (Zhu et al., 2025), àwọn gbólóhùn tí a kọ láti wá ìfohùnṣọ̀kan sì lè gba àtìlẹ́yìn nípa ohùn wọn ju àkóónú wọn lọ (Tsai et al., 2024). Lórí True Causes, ẹ̀rọ AI kì í sọ̀rọ̀ fún yàrá kan. Ó ń kọ tàbí ṣèdájọ́ ìsopọ̀ kọ̀ọ̀kan, a ń ka gbogbo ìdájọ́, ìpínyà sì ń wà lórí máàpù gẹ́gẹ́ bí ìpínyà.
Yíyan ìgbìmọ̀ jẹ́ nípa dídára ní àkọ́kọ́, lẹ́yìn náà ìdọ́gba. Ìyàtọ̀ tó tóbi jùlọ láàrin àwọn ẹ̀rọ ni bí wọ́n ṣe ń ṣèdájọ́ dáadáa tó, nítorí náà ìgbìmọ̀ yẹ kí ó jẹ́ àwọn ẹ̀rọ tó kúnjú òṣùwọ̀n, kí a sì fi àwọn aláìlágbára sílẹ̀. Láàrin àwọn ẹ̀rọ tó kúnjú òṣùwọ̀n, àwọn ìdílé wọn ń tẹ̀ sí ọ̀nà ọ̀tọ̀ọ̀tọ̀, nítorí náà ìgbìmọ̀ yẹ kí ó mú láti inú ọ̀pọ̀, kí ìdílé kankan má sì pọ̀ ju àwọn yòókù lọ.
Ó yẹ kí a yẹ àwọn ẹ̀rọ wò kí a tó fún wọn ní ìjókòó. Ẹ̀rọ tó ń sọ bẹ́ẹ̀ ni sí ohun gbogbo, rárá sí ohun gbogbo tàbí “kò lè sọ” sí ohun gbogbo ń fi ariwo kún gbogbo káàdì-méjì tí ó ṣèdájọ́. Àyẹ̀wò kúkúrú lórí àwọn ìsopọ̀ tí a mọ̀ ń rí wọn.
Kò yẹ kí a lo ipa ẹ̀dá fún ṣíṣèdájọ́. Wọ́n ń fi àìdáhùn àti èrò àbàdí nípa ipò kún un, wọn kò sì fi onírúurú ìdájọ́ kún un. Kíkọ̀wé jẹ́ ìbéèrè ọ̀tọ̀. Yàrá ẹ̀rọ pẹ̀lú ipa ẹ̀dá ń kọ káàdì oríṣiríṣi, ṣùgbọ́n àwọn ẹ̀rọ ọ̀tọ̀ọ̀tọ̀ ń kọ̀wé lọ́nà ọ̀tọ̀ọ̀tọ̀, ẹ̀rọ kan sì ń kọ̀wé lọ́nà ọ̀tọ̀ ní gbogbo ìgbà tí a bá bi í, nítorí náà káàdì oríṣiríṣi nìkan kò fi hàn pé ipa ẹ̀dá ṣe nǹkan kan. Àdánwò rẹ̀ ni èyí tí a lò níbí fún ṣíṣèdájọ́: àwọn ẹ̀rọ kan náà ń kọ àwọn ìdí pẹ̀lú ipa ẹ̀dá àti láìsí rẹ̀, a sì ń ka àwọn ìdí ọ̀tọ̀ọ̀tọ̀ tí ọ̀kọ̀ọ̀kan mú jáde.
Àwọn yàrá ènìyàn yàtọ̀. Ènìyàn ń mú ohun tí ó ti rí wá, kì í ṣe àpèjúwe ẹnì kan tí ó lè ti rí i. Ìwádìí yìí kò sọ nǹkan kan lòdì sí ìyẹn; ó sọ pé ẹ̀rọ tí a sọ fún pé ayálégbé ni kò tíì gbé ìgbé ayé ayálégbé rí. Níbi tí ohun tí a fẹ́ ni láti mọ ohun tí àwọn ènìyàn kò fohùnṣọ̀kan lé, àwọn ènìyàn nìkan ló lè pèsè rẹ̀. Nínú àwọn yàrá wọ̀nyẹn, ẹ̀rọ AI wúlò jù nínú bíbéèrè ju nínú dídáhùn: ìbéèrè nípa káàdì kan, ọ̀kan lẹ́ẹ̀kan, láìsí èrò tirẹ̀ (kí ni ẹ ó rí bí èyí bá jẹ́ òtítọ́? kí ló ń ṣẹlẹ̀ láàrin?), ń ran òǹkọ̀wé rẹ̀ lọ́wọ́ láti mú ìdí náà ṣe kedere láìfi ọ̀rọ̀ ẹ̀rọ náà sí i lẹ́nu.
Ààlà
Ìbéèrè kan, ilé gbígbé; ìsopọ̀ 120; ipa ẹ̀dá mẹ́rin tàbí márùn-ún fún ẹ̀rọ kọ̀ọ̀kan, ọ̀kọ̀ọ̀kan ń dáhùn lẹ́ẹ̀kan. Ipa tó kéré ju ohun tí ètò yìí lè rí kò ní hàn. A kọ ipa ẹ̀dá gẹ́gẹ́ bí àpèjúwe ipa; àwọn ọ̀nà tó lágbára jù láti mú wọn wá, bíi níní kí ẹ̀rọ kan ronú bí ẹ̀dá náà kí ó tó dáhùn, lè yí i padà sí i, pẹ̀lú ewu àwòrán àbùkù (Cheng et al., 2023). Ìwọ̀n ìmọ̀ ń wọn ìfohùnṣọ̀kan pẹ̀lú ìgbìmọ̀, kì í ṣe òtítọ́, àwọn ẹ̀rọ tí a lò gẹ́gẹ́ bí adájọ́ ìjíròrò sì ń fohùnṣọ̀kan pẹ̀lú ènìyàn díẹ̀ ju bí a ti lè retí lọ (Zhu et al., 2025): ìgbìmọ̀ tó fohùnṣọ̀kan pẹ̀lú ara rẹ̀ ṣì lè ṣàṣìṣe ní ọ̀nà kan náà. Ìyàtọ̀ láàrin àwọn ẹ̀rọ tó kúnjú òṣùwọ̀n farahàn kìkì pẹ̀lú gbogbo ìsopọ̀ 870; pẹ̀lú 120 kò hàn, nítorí náà àwọn ìyàtọ̀ tó kéré jù ṣì lè wà láìrí, ìbéèrè tí a ń jiyàn lé lórí ju ilé gbígbé lọ sì lè pín àwọn ẹ̀rọ yà sí i.
Àwọn ìtọ́kasí
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.