¿Piensan de manera similar las mentes brillantes? Investigando la Complementariedad Humano-AI en la Respuesta a Preguntas con CAIMIRA

Do great minds think alike? Investigating Human-AI Complementarity in Question Answering with CAIMIRA

October 9, 2024

Autores: Maharshi Gor, Hal Daumé III, Tianyi Zhou, Jordan Boyd-Graber

cs.AI

Resumen

Los recientes avances de los modelos de lenguaje grandes (LLMs) han dado lugar a afirmaciones de que la IA está superando a los humanos en tareas de procesamiento de lenguaje natural (NLP) como comprensión textual y razonamiento. Este trabajo investiga estas afirmaciones al presentar CAIMIRA, un marco novedoso basado en la teoría de respuesta al ítem (IRT) que permite la evaluación cuantitativa y comparativa de las habilidades de resolución de problemas de agentes de pregunta-respuesta (QA): humanos y sistemas de IA. A través del análisis de más de 300,000 respuestas de ~70 sistemas de IA y 155 humanos en miles de preguntas de cuestionarios, CAIMIRA descubre patrones distintivos de competencia en dominios de conocimiento y habilidades de razonamiento. Los humanos superan a los sistemas de IA en razonamiento abductivo fundamentado en el conocimiento y conceptual, mientras que los LLMs de última generación como GPT-4 y LLaMA muestran un rendimiento superior en la recuperación de información específica y razonamiento basado en hechos, especialmente cuando las lagunas de información están bien definidas y pueden abordarse mediante coincidencia de patrones o recuperación de datos. Estos hallazgos resaltan la necesidad de que las futuras tareas de QA se centren en preguntas que desafíen no solo el razonamiento de orden superior y el pensamiento científico, sino que también exijan una interpretación lingüística matizada y la aplicación de conocimientos contextuales cruzados, ayudando a avanzar en el desarrollo de IA que emule o complemente mejor las habilidades cognitivas humanas en la resolución de problemas del mundo real.

English

Recent advancements of large language models (LLMs) have led to claims of AI surpassing humans in natural language processing (NLP) tasks such as textual understanding and reasoning. This work investigates these assertions by introducing CAIMIRA, a novel framework rooted in item response theory (IRT) that enables quantitative assessment and comparison of problem-solving abilities of question-answering (QA) agents: humans and AI systems. Through analysis of over 300,000 responses from ~70 AI systems and 155 humans across thousands of quiz questions, CAIMIRA uncovers distinct proficiency patterns in knowledge domains and reasoning skills. Humans outperform AI systems in knowledge-grounded abductive and conceptual reasoning, while state-of-the-art LLMs like GPT-4 and LLaMA show superior performance on targeted information retrieval and fact-based reasoning, particularly when information gaps are well-defined and addressable through pattern matching or data retrieval. These findings highlight the need for future QA tasks to focus on questions that challenge not only higher-order reasoning and scientific thinking, but also demand nuanced linguistic interpretation and cross-contextual knowledge application, helping advance AI developments that better emulate or complement human cognitive abilities in real-world problem-solving.