Zihin Kuramı: Psikolojide Ne Anlama Gelir ve Yapay Zeka Araştırmacıları Bunu Neden Tartışıyor?

Psikolojide zihin kuramı ne anlama gelir

Zihin kuramı (ToM), Wikipedia'nın kavrama ilişkin genel bakışına göre, başka bireyleri onlara zihinsel durumlar atfederek anlama kapasitesi olarak tanımlanır. Bu yetenek, bir kişinin başka birinin kendisininkinden farklı inançlar, istekler veya niyetler taşıyabileceğini fark etmesine ve bu farkındalığı davranışı tahmin etmek veya açıklamak için kullanmasına imkân verir.

Terim, modern araştırma literatürüne David Premack ve Guy Woodruff'ın 1978 tarihli 'Does the chimpanzee have a theory of mind?' (Şempanzenin bir zihin kuramı var mı?) başlıklı makalesiyle girdi; Wikipedia'ya göre bu makale, psikologları bu yeteneği türler arasında ve çocukluk gelişimi boyunca incelemeye yöneltti. Daha sonra ToM'un nasıl işlediğine dair iki rakip açıklama ortaya çıktı: insanların başkalarının durumlarını çıkarmak için halk-psikolojisi kurallarını uyguladığını öne süren 'kuram-kuramı' ve insanların kendilerini başkalarının yerine koyarak başkalarını zihinsel olarak modellediğini öne süren simülasyon kuramı.

Sally-Anne testi

Çocuklarda ToM'u test etmek için standart araç, en sık Sally-Anne öyküsü olarak sunulan yanlış inanç görevidir: Sally bir misketi sepetine koyar ve odadan çıkar; Anne daha sonra misketi bir kutuya taşır. Wikipedia'nın açıkladığına göre, çocuk, Sally'nin misketi gerçekte bulunduğu yerde değil, kendi özgün -şimdi yanlış olan- inancı doğrultusunda sepette arayacağını tahmin ederse testi geçer. İlgili bir versiyon olan beklenmedik içerik görevi, çocuklara yanıltıcı şekilde etiketlenmiş bir kutunun içinde başka birinin ne olduğunu düşüneceğini sorar.

Çocuklar bu yetenekleri tipik olarak yaklaşık üç ile beş yaş arasında belirli bir sırayla geliştirir; önce insanların farklı şeyler isteyebileceğini kavramaktan, sonra insanların farklı inançlar taşıyabileceğini kavramaya ve nihayetinde tam yanlış inanç testlerini geçmeye doğru ilerlerler. Wikipedia, tam sıranın kültüre göre değiştiğini belirtiyor: örneğin İran ve Çin'deki çocuklar 'bilgiye erişim'i daha erken kavrıyor ama 'farklı inançlar'ı kavramaları daha uzun sürüyor; araştırmacılar bunu kolektivist kültürel değerlerle ilişkilendiriyor.

Yapay zeka tartışmaya neden girdi

Makine zihin kuramına ilgi, Stanford'lu hesaplamalı psikolog Michal Kosinski'nin çocuklarda kullanılan aynı yanlış inanç görevlerini bir dizi dil modeline uygulamasının ardından arttı. Stanford Graduate School of Business'ın kendi sitesindeki çalışma raporu (working-paper) sayfasına göre Kosinski, 40 yanlış inanç senaryosu ile bunlara karşılık gelen doğru inanç kontrol versiyonları oluşturdu ve bunları 2010'ların sonu ile 2023 arasında piyasaya sürülen dil modellerinde test etti.

PsyPost'ta araştırmaya dair ayrı bir yazı, 11 modeli kapsadığı belirtilen daha sonraki bir test turu için farklı rakamlar veriyor: GPT-3 varyantlarının görevlerin yalnızca yaklaşık %20'sini çözdüğünü, 'ChatGPT-4'ün ise toplamda %75'ini çözdüğünü bildiriyor; bu da beklenmedik içerik görevlerinde %90, daha zor olan beklenmedik transfer versiyonunda ise sadece %60 şeklinde ayrışıyor. İki kaynak farklı test gruplarını ve model sürümlerini tanımlıyor; yüzdelerin uyuşmamasının olası nedenlerinden biri bu. Ancak her ikisi de daha yeni modellerde daha eski modellere kıyasla açık bir iyileşmeye işaret ediyor.

Karşı görüş: örüntü eşleştirme mi, gerçek anlayış mı?

Kosinski'nin sonucu itirazsız kalmadı. Harvard'lı psikolog Tomer Ullman, arXiv'de 'Large Language Models Fail on Trivial Alterations to Theory-of-Mind Tasks' (Büyük Dil Modelleri Zihin Kuramı Görevlerindeki Önemsiz Değişikliklerde Başarısız Oluyor) başlıklı bir makale yayımladı ve aynı temel psikolojik mantığı koruyan küçük yeniden ifade değişikliklerinin bir modelin cevabını doğrudan yanlışa çevirebildiğini öne sürdü. Makalenin kendi çerçevelemesinde özetlenen Ullman'ın görüşü, araştırmacıların makine psikolojisini değerlendirirken şüpheci bir başlangıç noktasından hareket etmesi gerektiği ve neredeyse aynı görevlerdeki dağınık başarısızlıkların ortalama bir başarı oranından daha önemli olduğudur.

PsyPost'un Stanford araştırmasına ilişkin haberi de bu kısıtlamaya doğrudan işaret ediyor: GPT modelleri, benzer yanlış inanç öykülerini de içerebilecek devasa miktarda metin üzerinde eğitildiğinden, bir modelin görünmeyen bir karakterin zihinsel durumu hakkında akıl yürütmek yerine aşina olduğu bir örüntüyü tanıyor olma ihtimalini dışlamak zor. Araştırmacılar bu riski azaltmak için yeni senaryolar tasarlamaya çalıştı, ancak makale bunun tam olarak garanti edilemeyeceğini belirtiyor.

Bu sorunun laboratuvarın ötesinde neden önemli olduğu

Çocuklarda ve şempanzelerde kullanılan aynı test bataryası artık yazılımlara uygulanıyor; çünkü Stanford GSB sayfasının belirttiği gibi, zihin kuramı insan sosyal etkileşiminin, iletişimin, empatinin, öz farkındalığın ve ahlakın merkezinde yer alıyor. Ancak Stanford'un materyali de Ullman'ın makalesi de, sabit bir test sorusu kümesini geçmenin, bilişsel bilimcilerin bu terimi insanlar için kullandığı biçimde bir sistemin zihin kuramına sahip olduğunu kanıtlamakla aynı şey olmadığı konusunda hemfikir.