Gli Embedding AI Non Riescono a Catturare la Somiglianza Preferenziale per il Processo Decisionale Collettivo

Un nuovo preprint su arXiv (2605.08360) rivela un difetto fondamentale nell'uso di embedding testuali standard per il processo decisionale collettivo basato sull'IA. L'articolo sostiene che, sebbene l'IA moderna possa aggregare opinioni testuali in forma libera invece di voti fissi, gli embedding pronti all'uso misurano la somiglianza semantica, non la somiglianza preferenziale necessaria per problemi di localizzazione di strutture e clustering equo. La somiglianza preferenziale richiede che l'accordo di un partecipante con un testo sia inversamente proporzionale alla sua distanza da esso. Gli autori formalizzano questo come un problema di invarianza: gli embedding codificano sia segnali rilevanti per le preferenze (posizione, valori) che sfumature semantiche, ma falliscono quando la correlazione tra somiglianza semantica e preferenziale si rompe. Lo studio propone che gli embedding standard ereditano solo un segnale di preferenza grossolano attraverso la correlazione, che è insufficiente per un'accurata aggregazione delle preferenze.