Слова, що описують емоції, легше уявити як точки на мапі, ніж як окремі ярлики. У новому дослідженні, про яке повідомляє Scienmag, науковці з Лабораторії нейрофізіології Національного інституту базової біології в Японії використали GPT-4, щоб відтворити «семантичний ландшафт» людських почуттів і порівняли його з оцінками людей.
Результати свідчать, що поширена мовна модель штучного інтелекту може відтворювати важливі риси того, як люди впорядковують емоційні поняття. Водночас модель не «відчуває» емоцій — вона лише відображає, як люди пов’язують емоційні слова в мові.
Як перетворили емоції на мапу
Базове запитання дослідження звучить просто: наскільки близькі «радість» і «здивування» та наскільки далекі «радість» і «смуток»? Але якщо потрібно систематично порівняти десятки слів, кількість парних порівнянь стрімко зростає. Для 99 емоційних термінів це означало б величезний обсяг оцінок і надмірне навантаження на учасників.
Щоб обійти цю проблему, японська команда запропонувала просторове завдання. На цифровій сітці одночасно з’являлися три емоційні слова, а учасник — або GPT-4 — мав розмістити їх так, щоб схожі за змістом слова опинилися ближче одне до одного, а несхожі — далі. Одна така конфігурація одразу фіксувала три відносини між словами, що дозволяло ефективно оцінювати велику семантичну структуру.
У першому експерименті дослідники зосередилися на шести базових емоціях: радість, здивування, гнів, страх, відраза та смуток. Завдання на сітці виконали 89 добровольців. GPT-4 дали аналогічну інструкцію у вигляді текстового запиту природною мовою.
Паралельно команда проаналізувала й звичайні word embeddings — математичні представлення слів у вигляді багатовимірних векторів. У такому просторі слова, що часто трапляються в подібних контекстах, розташовуються поруч. Такі моделі широко застосовують для вивчення значень, але їхня геометрія не завжди збігається з тим, як люди інтерпретують складні емоційні чи культурні поняття.
GPT-4 ближче до людей, ніж класичні вектори слів
Розташування емоційних слів, отримане від GPT-4, виявилося разюче схожим на людське. І модель, і учасники об’єднали радість і здивування в одну групу, тоді як гнів, страх, відразу і смуток утворили інший кластер. Відстані між окремими емоційними термінами в обох випадках були сильно корельовані.
Відповіді людей добре узгоджувалися між собою, що вказує: завдання вимірювало не суто особисті асоціації, а загальні семантичні зв’язки, спільні для більшості учасників.
Натомість звичайні word embeddings дали іншу картину: вони згрупували разом радість і гнів, розділивши слова так, як це не робили люди. Це підкреслює різницю між статистичною подібністю слів у текстах і багатшою концептуальною структурою, яку люди виводять із мови.
Автори наголошують: GPT-4 у цьому експерименті не розглядається як «машина, що відчуває». Модель не демонструє жодних ознак суб’єктивного емоційного досвіду. Вона, радше, використовує зв’язки між емоційними поняттями, закодовані в навчальних даних, і на їхній основі створює людоподібне розташування слів.
Коли GPT-4 просять уявити слова як об’єкти в семантичному просторі, вона спирається на безліч мовних шаблонів, асоціацій, описів і протиставлень, що містяться в людській комунікації. У цьому сенсі модель працює не як «емоційний суб’єкт», а як інструмент вимірювання структури понять, виражених мовою.
Від 6 до 99 емоційних слів
На наступному етапі дослідники розширили словник із шести до 99 емоційних термінів — масштабу, на якому традиційні опитування людей стають практично нездійсненними. GPT-4 багаторазово просили розміщувати різні трійки слів на сітці, збираючи достатньо даних для відновлення ширшої карти.
Отримана організація виявила два головні патерни, пов’язані з задоволенням (pleasure) і домінуванням (dominance). Задоволення описує, наскільки приємною чи неприємною є емоція, а домінування — чи відчуває людина контроль над ситуацією, чи, навпаки, пригнічена нею.
Розділення основних кластерів за цими осями було виразнішим у розкладках GPT-4, ніж у аналізі на основі звичайних векторних представлень слів. Це свідчить, що спеціально сформульоване завдання для мовної моделі може вловлювати зв’язки, які «розмиваються» в універсальних embedding-просторах.
Усередині великих кластерів проявився тонший рівень організації, пов’язаний із збудженням (arousal) — ступенем активації чи збудженості, що супроводжує емоцію. Слова на кшталт «захоплення» чи «лють» опинилися окремо від «спокою» чи «смутку», навіть якщо поділяли загальну приємність або неприємність.
Це вказує, що збудження не завжди є головною віссю, яка ділить увесь емоційний словник. Частіше воно виступає додатковим виміром, що впорядковує близькі за змістом емоції за рівнем активованості — від енергійних до приглушених. У експерименті з шістьма словами цю структуру було важко побачити, але вона стала помітною, коли словник розширили до десятків нюансованих термінів.
Чому різні теорії емоцій можуть не збігатися
Автори пропонують пояснення, чому теорії емоцій іноді суперечать одна одній. Дослідження з невеликою кількістю «репрезентативних» категорій фіксують лише найгрубіші контрасти — наприклад, приємне проти неприємного або позитивне проти негативного.
Коли ж словник розширюється, з’являються додаткові виміри: рівень активації, відчуття контролю, тонкі відмінності між близькими станами. Математично спостережувана структура залежить і від самого семантичного простору, і від того, які саме слова використовують для його «зондування».
Обмежений набір термінів може спроєктувати багатовимірну систему на простішу картину, тоді як ширший словник дає достатню роздільну здатність, щоб виявити приховані зв’язки між великими категоріями.
Мовні моделі як інструмент для психології
Робота вказує на потенційно практичну роль великих мовних моделей у психології та лінгвістиці. Дослідники можуть просити GPT-4 виконувати контрольовані семантичні завдання за допомогою звичайних текстових інструкцій, а потім аналізувати отримані розташування методами на кшталт багатовимірного шкалювання чи кореляційних порівнянь.
Такий підхід може бути доступнішим, ніж навчання спеціалізованих embedding-моделей, збирання великих корпусів даних або побудова складних ML-пайплайнів. Водночас потрібна ретельна валідація, адже мовні моделі відображають упередження, нерівномірне культурне представлення та інші патерни, успадковані з навчальних матеріалів.
Японська команда планує перевірити, чи виникають подібні емоційні мапи в інших мовах, зокрема японській, і як культурні відмінності можуть змінювати «відстані» між емоційними термінами.
Дослідники підкреслюють: створена мапа описує семантичну й концептуальну організацію слів про емоції, а не будову емоційного досвіду в мозку. Людина може вживати слово «смуток» у позиції, схожій на ту, яку моделі відводять цьому терміну, але біологічний, особистий і ситуаційний досвід за цим словом набагато складніший.
Попри це, результати демонструють, як ШІ може допомогти виявити приховану структуру мови. Завдяки можливості одночасно порівнювати велику кількість емоційних термінів GPT-4 виявив багаторівневу організацію, де широкі емоційні виміри співіснують із тонкими відмінностями за збудженням і контролем. Дослідження, опубліковане в журналі Scientific Reports, вказує, що майбутнє вивчення емоцій може поєднувати опитування людей із використанням мовних моделей для картографування концептуального простору почуттів.