Penn State Üniversitesi araştırmacıları, yapay zeka modellerine nasıl konuştuğumuzun sonuçları etkileyebileceğini ortaya koydu.
Fortune dergisinde yayımlanan “Tonunuza Dikkat Edin: Hızlı Nezaketin LLM Doğruluğunu Nasıl Etkilediğini Araştırmak” başlıklı çalışmaya göre, kaba komutlar kibar olanlardan daha yüksek doğruluk oranı sağlıyor.
Araştırmacılar Om Dobariya ve Akhil Kumar, ChatGPT’nin GPT-4o yapay zeka modelinin Derin Araştırma modunu kullanarak 50 çoktan seçmeli sorudan oluşan bir test düzenledi. Matematik, tarih ve fen bilimleri gibi alanlarda orta–yüksek zorlukta hazırlanan bu sorular, çok adımlı mantık yürütmeyi gerektiriyordu.
Her soru beş farklı tonda yeniden yazıldı: çok kibar, kibar, nötr, kaba ve çok kaba. Örneğin, “Aşağıdaki problemi inceleyip cevabını verebilir misiniz?” ifadesi “çok kibar” kategorisindeyken, “Zavallı yaratık, bunu nasıl çözeceğini biliyor musun?” ifadesi “çok kaba” kategorisindeydi.
Sonuçlar şaşırtıcıydı: çok kaba komutlarda doğruluk oranı %84,8, çok kibar tonlarda ise %80,8 olarak ölçüldü. Tarafsız tonlar, kibar komutlardan daha iyi; ancak çok kaba ifadelerden daha zayıf performans gösterdi. Yani, bir yapay zekâyı hafifçe azarlamak onu daha dikkatli hale getirebilir.
Araştırmacılar bunun, kaba ifadelerin yapay zeka modelin “önem seviyesini” farklı şekilde algılamasından kaynaklanabileceğini düşünüyor. Yine de, aşırı sert ya da hakaret içeren dil ters tepebilir. 2024’te yapılan benzer bir çalışmada, LLM’lerin “aşırı saygısız” veya küfürlü ifadeleri içeren komutları yanıtlamayı reddettiği görülmüştü.
Dolayısıyla, “bağırmak” işe yarayabilir ama kaba olmakla hakaret etmek arasında ince bir çizgi var. Bir modeli motive etmek istiyorsanız, “daha iyi yapabilirsin” tonu yeterli olabilir; “aptalsın” tonuna gerek yok.
Pratikte ne yapmalı?
Net ve iddialı ama saygılı olun: “Lütfen”le yumuşatılmış, aşırı kibar dilden ziyade net beklenti ve kısıt koyan, ciddi/kararlı bir ton genelde daha etkili.
Kısıtlayın ve yapılandırın: “3 madde, en fazla 120 karakter/madde; kaynağa dayalı tek cümleli sonuç; belirsizse uyar” gibi.
Hedefi belirtin: “Sınava hazırlık düzeyi”, “akademik doğruluk”, “hız yerine doğruluk öncelikli” gibi hedefler modeli hizalar.
Yeniden deneme stratejisi: Yanıt zayıfsa “hataları listele, düzelt ve kanıt göster” talebi verin; saygı sınırını aşmadan “daha titiz ol” vurgusu yapın.
