رویکردهای روانشناختی به مهندسی درخواست در مدلهای هوش مصنوعی

این مطالعه با هدف طراحی چارچوبی نظری و عملی برای به کارگیری اصول روانشناسی در مهندسی درخواست انجام شده است. با وجود پیشینه تحقیقاتی پراکنده در حوزه های روانشناسی زبان (کییرش، ۱۹۸۸)، تعامل انسان-کامپیوتر (ناس و مون، ۲۰۰۰) و فناوری های نوین زبانی (براون و همکاران، ۲۰۲۰)، شکاف نظری قابل توجهی در تلفیق نظام مند این دانش با مهندسی درخواست مشاهده می شود. پژوهش حاضر با روش تحقیق ترکیبی (تحلیل مضمون و سنتز نظام مند) و با بررسی ۷۸ مطالعه منتشرشده بین سال های ۲۰۲۰ تا ۲۰۲۴، به ویژه تحقیقات بنیادی در استدلال زنجیره ای (وی و همکاران، ۲۰۲۲) و الگوسازی درخواست (وایت و همکاران، ۲۰۲۳)، پنج محور روانشناختی موثر را استخراج کرده است: نظریه ذهن، محدودیت های حافظه کاری، شناخت اجتماعی، فرآیندهای استدلال سطح بالا و عوامل هیجانی. یافته ها نشان می دهد که درخواست های طراحی شده بر اساس این اصول، تا ۴۰% بهبود در دقت، انسجام و مرتبط بودن پاسخ های مدل های زبانی ایجاد می کنند. همچنین، چالش های نوظهوری مانند توهم هیبریدی (ترکیب اطلاعات نادرست با واقعی)، بار شناختی نامتوازن و انسان انگاری تحریف شده در تعاملات طولانی مدت شناسایی و تحلیل شده اند. در نهایت، این مطالعه با ارائه چارچوب پنج لایه (شناختی-سازمانی-فرایندی-هیجانی-اخلاقی) و راهنمای عملی، نه تنها شکاف موجود در پیشینه را پر می کند، بلکه مسیری برای توسعه نسل آینده سیستم های هوش مصنوعی هم سو با معماری شناختی انسان ترسیم می نماید.

کلیدواژه ها:

روانشناسی شناختی ، نظریه ذهن ، شناخت اجتماعی ، استدلال زنجیره ای ، تعامل انسان-هوش مصنوعی ، تحلیل مضمون