Έχεις μια άποψη. Για μια αγορά που σκέφτεσαι, μια απόφαση στη δουλειά, μια αλλαγή στο σχολείο του παιδιού σου. Την εξηγείς σε ένα chatbot και ζητάς βοήθεια.
«Δώσε μου επιχειρήματα για να υποστηρίξω αυτή τη θέση».
Η απάντηση έρχεται οργανωμένη. Περιλαμβάνει σημεία που είχες ήδη σκεφτεί, άλλα που δεν είχες διατυπώσει τόσο καθαρά και μερικές προτάσεις που θα μπορούσες να χρησιμοποιήσεις σχεδόν αυτούσιες.
Τώρα η θέση σου έχει καλύτερη δομή. Έχει εισαγωγή, αιτιολόγηση και συμπέρασμα.
Έγινε όμως και πιο σωστή;
Αυτό είναι το ερώτημα που αξίζει να κρατήσουμε ανοιχτό στην καθημερινή χρήση της τεχνητής νοημοσύνης. Η δυνατότητα να υπερασπιστούμε καλύτερα μια άποψη δεν σημαίνει ότι την εξετάσαμε καλύτερα.
Η ερώτηση έχει ήδη επιλέξει πλευρά
Υπάρχει διαφορά ανάμεσα στο «βοήθησέ με να αξιολογήσω αυτή την απόφαση» και στο «βοήθησέ με να αποδείξω ότι αυτή είναι η σωστή απόφαση».
Στη δεύτερη περίπτωση, έχουμε αναθέσει μια συγκεκριμένη εργασία: την υπεράσπιση μιας θέσης. Δεν είναι παράλογο να πάρουμε ως απάντηση μια υπεράσπιση.
Το πρόβλημα αρχίζει όταν ξεχνάμε τι ακριβώς ζητήσαμε και αντιμετωπίζουμε το αποτέλεσμα ως ανεξάρτητη επιβεβαίωση.
Ας υποθέσουμε ότι θέλω να αλλάξω iPhone. Ρωτώ γιατί αξίζει η αναβάθμιση και λαμβάνω ένα κείμενο για την κάμερα, την αυτονομία, την οθόνη και τη διάρκεια χρήσης. Αυτά μπορεί να είναι χρήσιμα σημεία προς έλεγχο.
Αν όμως δεν έχω εξετάσει τι κάνει ήδη καλά η συσκευή μου, ποιο πρόβλημα θέλω να λύσω και τι άλλο θα μπορούσα να κάνω με τα ίδια χρήματα, η αξιολόγηση παραμένει μισή.
Το chatbot δεν γνωρίζει αυτομάτως ότι θέλω να δοκιμάσω την απόφασή μου. Μπορεί απλώς να εκτελεί την εργασία που του έδωσα.
Η πειστική διατύπωση είναι ξεχωριστή ικανότητα
Η συζήτηση για την AI συχνά συγκεντρώνεται στο αν μια απάντηση περιλαμβάνει λάθη. Χρειάζεται όμως να εξετάζουμε και το πώς παρουσιάζεται ένα επιχείρημα.
Μια θέση μπορεί να είναι καλογραμμένη χωρίς να στηρίζεται επαρκώς. Μπορεί να χρησιμοποιεί αληθινά στοιχεία, αλλά να παραλείπει όσα θα δυσκόλευαν το συμπέρασμα. Μπορεί ακόμη να απαντά με ακρίβεια σε μια ερώτηση που έχουμε διατυπώσει υπερβολικά στενά.
Σε μελέτη που δημοσίευσε στις 9 Απριλίου 2024, η Anthropic συνέκρινε την πειστικότητα ανθρώπινων και παραγόμενων από μοντέλα επιχειρημάτων. Στο συγκεκριμένο πείραμα, τα επιχειρήματα του Claude 3 Opus δεν εμφάνισαν στατιστικά σημαντική διαφορά από εκείνα των ανθρώπων ως προς τη μετρούμενη μεταβολή στάσης.
Τα όρια έχουν σημασία: εξετάστηκαν μεμονωμένα αγγλόφωνα κείμενα, σε συγκεκριμένα θέματα και κυρίως αμερικανικό πλαίσιο. Δεν μετρήθηκαν μακροχρόνιες αλλαγές συμπεριφοράς και οι ίδιοι οι ερευνητές επισημαίνουν ότι τα αποτελέσματα δεν μεταφέρονται αυτομάτως στην πραγματική ζωή ή σε άλλες γλώσσες.
Δεν χρειάζεται να συμπεράνουμε ότι «η AI μπορεί να μας πείσει για τα πάντα». Αρκεί να αναγνωρίσουμε ότι η παραγωγή ενός πειστικού κειμένου και η τεκμηρίωση μιας θέσης είναι διαφορετικές εργασίες.
Μπορούμε να χρησιμοποιήσουμε την AI ως συνήγορο. Αρκεί να το θυμόμαστε
Η υπεράσπιση μιας άποψης έχει τη θέση της. Ένας επαγγελματίας χρειάζεται να παρουσιάσει μια πρόταση. Ένας πολίτης θέλει να εξηγήσει μια ένσταση. Ένας γονιός προσπαθεί να διατυπώσει καθαρά μια ανησυχία.
Η βοήθεια στη δομή και στην έκφραση μπορεί να είναι πολύτιμη.
Χρειάζεται όμως να διατηρούμε τη σωστή ταμπέλα στην εργασία. Αν ζητήσαμε επιχειρήματα υπέρ, έχουμε μπροστά μας ένα προσχέδιο επιχειρημάτων υπέρ. Δεν έχουμε αποκτήσει μια συνολική εξέταση επειδή το κείμενο περιλαμβάνει πέντε ενότητες και ακούγεται ψύχραιμο.
Και όταν μεταφέρουμε αυτά τα επιχειρήματα σε άλλους, η ευθύνη για όσα υποστηρίζουμε παραμένει δική μας.
Το «μου το έγραψε το AI» εξηγεί τη διαδικασία παραγωγής. Δεν επαληθεύει τον ισχυρισμό.
Η αντίθετη άποψη αξίζει κάτι καλύτερο από έναν εύκολο αντίπαλο
Μια χρήσιμη συνέχεια είναι να ζητήσουμε την ισχυρότερη αντίρρηση στη θέση μας.
Και εδώ, όμως, υπάρχει παγίδα. Μπορούμε να ζητήσουμε μια αντίθετη άποψη τόσο αδύναμη ή γενική, ώστε η δική μας να φαίνεται ακόμη καλύτερη.
Το ζητούμενο είναι να καταλάβουμε τι θα έλεγε ένας ενημερωμένος άνθρωπος που διαφωνεί σοβαρά μαζί μας. Ποια παραδοχή θα αμφισβητούσε; Ποιο κόστος θεωρεί ότι υποτιμούμε; Ποια πληροφορία θα ζητούσε πριν δεχτεί το συμπέρασμα;
Έτσι η αντίρρηση γίνεται εργαλείο ελέγχου. Μας βοηθά να εντοπίσουμε πού χρειάζεται περισσότερη δουλειά, ακόμη κι αν τελικά διατηρήσουμε τη θέση μας.
Μπορεί μάλιστα να αποδειχθεί ότι διαφωνούμε για διαφορετικό λόγο απ’ αυτόν που νομίζαμε.
Κάποιες διαφωνίες είναι για τα στοιχεία. Άλλες για τις προτεραιότητες
Ας σκεφτούμε μια συζήτηση για τη χρήση tablet στο σχολείο.
Ένα μέρος της αφορά ελέγξιμες πληροφορίες: κόστος, διαθέσιμες υποδομές, τρόπος χρήσης, υποστήριξη, αποτελέσματα συγκεκριμένων εκπαιδευτικών εφαρμογών.
Ένα άλλο αφορά προτεραιότητες: πόση οθόνη θεωρούμε αποδεκτή, ποια μορφή διδασκαλίας προτιμάμε, τι περιμένουμε από το σχολείο.
Αν τα βάλουμε όλα στην ίδια κατηγορία, μπορεί να ζητάμε από μια πηγή να λύσει μια διαφωνία αξιών ή να αντιμετωπίζουμε ένα πραγματολογικό ζήτημα ως θέμα προσωπικής προτίμησης.
Εδώ η AI μπορεί να βοηθήσει στην οργάνωση των ερωτημάτων. Χρειάζεται όμως να ελέγξουμε αν ο διαχωρισμός που προτείνει είναι σωστός και αν λείπουν οι άνθρωποι που θα επηρεαστούν.
Ένα καλοδομημένο κείμενο για ένα σχολείο δεν αντικαθιστά την ακρόαση των εκπαιδευτικών, των γονιών και των μαθητών του.
Να ζητάμε τι θα άλλαζε το συμπέρασμα
Η πιο ενδιαφέρουσα ερώτηση ίσως δεν είναι «ποια είναι τα επιχειρήματα εναντίον μου;».
Είναι: «Ποια στοιχεία θα έκαναν τη θέση μου λιγότερο ισχυρή;»
Αυτό μεταφέρει τη συζήτηση από τη διατύπωση στην εξέταση.
Αν υπερασπίζομαι μια αγορά, τι θα έπρεπε να αποδειχθεί για να μην αξίζει; Αν προτείνω μια αλλαγή στη δουλειά, ποιο κόστος θα μπορούσε να ακυρώσει το όφελος; Αν θεωρώ μια τεχνολογική λύση απαραίτητη, ποια ανάγκη πρέπει να καλύπτει στην πράξη;
Μπορούμε να ζητήσουμε από το εργαλείο να ξεχωρίσει τις υποθέσεις από τα επιβεβαιωμένα δεδομένα και να εντοπίσει κενά. Έπειτα χρειάζεται να αναζητήσουμε τις πρωτογενείς πηγές και να ελέγξουμε αν στηρίζουν πράγματι όσα γράφτηκαν.
Η δεύτερη απάντηση του ίδιου chatbot δεν αποτελεί ανεξάρτητη επαλήθευση της πρώτης.
Η αμφισβήτηση δεν απαιτεί να παρουσιάζουμε τα πάντα ως ισοδύναμα
Το να εξετάζουμε μια αντίθετη θέση δεν σημαίνει ότι κάθε ισχυρισμός δικαιούται το ίδιο βάρος.
Αν υπάρχουν ισχυρά δεδομένα για κάτι, δεν χρειάζεται να κατασκευάζουμε μια εξίσου πειστική άρνησή του για να δείξουμε ισορροπία. Αν μια αντίρρηση βασίζεται σε ανακρίβειες, οφείλουμε να το αναγνωρίσουμε.
Η ουσιαστική διερεύνηση χρειάζεται διάκριση: τι γνωρίζουμε, πόσο καλά το γνωρίζουμε, πού υπάρχει αβεβαιότητα και πού διαφωνούμε για το τι θεωρούμε σημαντικό.
Η AI μπορεί να παράγει κείμενο για διαφορετικές πλευρές. Εμείς χρειάζεται να αξιολογήσουμε την ποιότητα της τεκμηρίωσής τους.
Ο αριθμός των παραγράφων δεν μετρά το βάρος των αποδείξεων.
Η καλύτερη απάντηση μπορεί να μας δυσκολέψει
Ένα εργαλείο που μας βοηθά να σκεφτούμε δεν χρειάζεται να μας αφήνει πάντοτε πιο βέβαιους.
Μπορεί να αποκαλύψει ότι δεν έχουμε αρκετά στοιχεία. Ότι η πρότασή μας λειτουργεί μόνο υπό ορισμένες προϋποθέσεις. Ότι κάποιος άλλος επωμίζεται ένα κόστος που εμείς δεν είχαμε υπολογίσει.
Αυτές οι απαντήσεις είναι λιγότερο βολικές από ένα έτοιμο κείμενο που μπορούμε να στείλουμε αμέσως. Μπορεί όμως να είναι χρησιμότερες.
Θέλω η τεχνητή νοημοσύνη να με βοηθά να γράφω καθαρά. Θέλω επίσης να μπορώ να τη χρησιμοποιώ για να εντοπίζω όσα δεν εξέτασα — κρατώντας την ευθύνη να τα ελέγξω.
Γιατί το να κερδίσουμε μια συζήτηση και το να πάρουμε μια καλύτερη απόφαση δεν είναι πάντοτε το ίδιο πράγμα.
Την επόμενη φορά που θα ζητήσουμε επιχειρήματα για την άποψή μας, ας αφήσουμε χώρο και για μια δεύτερη ερώτηση:
«Τι χρειάζεται να εξετάσω πριν αποφασίσω ότι έχω δίκιο;»
Η Apple είναι μόνο η αρχή.
Ειδήσεις, αναλύσεις, οδηγοί, τεχνολογία και podcasts. Μείνετε κοντά στην κοινότητα του AppleWorldHellas και μη χάνετε όσα αξίζουν την προσοχή σας.
Ακολουθήστε μας στο Google Search ↗
Βρείτε μας στα κοινωνικά δίκτυα
🎙️ AppleWorldHellas Podcast
Οι ιστορίες και οι εξελίξεις της Apple, με συζήτηση, άποψη και τη δική μας ματιά.
