Думают ли великие умы одинаково? Исследование человеко-ИИ взаимодополнения в вопросно-ответной системе с помощью CAIMIRA

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

October 9, 2024

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

cs.AI

Аннотация

Недавние достижения в области крупных языковых моделей (LLM) привели к утверждениям о том, что искусственный интеллект превосходит человека в обработке естественного языка (NLP) в задачах, таких как понимание текста и рассуждения. В данной работе исследуются эти утверждения путем представления CAIMIRA, новой концепции, основанной на теории ответов на элементы (IRT), которая позволяет количественно оценивать и сравнивать способности решения проблем агентов вопросно-ответной системы (QA): людей и систем искусственного интеллекта. Проведя анализ более 300 000 ответов от ~70 систем искусственного интеллекта и 155 человек на тысячах викторин, CAIMIRA выявляет отличные образцы мастерства в областях знаний и навыков рассуждения. Люди превосходят системы искусственного интеллекта в знаниево обоснованном абдуктивном и концептуальном рассуждении, в то время как передовые LLM, такие как GPT-4 и LLaMA, показывают более высокую производительность в целевом поиске информации и рассуждениях на основе фактов, особенно когда пробелы в информации четко определены и могут быть устранены с помощью сопоставления шаблонов или извлечения данных. Эти результаты подчеркивают необходимость того, чтобы будущие задачи QA фокусировались не только на вопросы, которые вызывают высшие виды рассуждений и научное мышление, но и требовали тонкой лингвистической интерпретации и применения знаний в различных контекстах, способствуя развитию искусственного интеллекта, который лучше эмулирует или дополняет когнитивные способности человека в решении проблем в реальном мире.

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.