Studio scopre che i LLM mostrano bias posizionali opposti rispetto agli umani

Un nuovo studio da arXiv (inviato come arXiv:2608.12387) indaga i meccanismi alla base dei bias posizionali nei modelli linguistici di grandi dimensioni (LLM), rivelando una divergenza dal comportamento umano. La ricerca, classificata sotto Informatica > Calcolo e Linguaggio, esamina come la tempistica degli aggiornamenti delle credenze influenzi gli effetti di recency e primacy. Negli esseri umani, se un ascoltatore aggiorna le proprie credenze durante la presentazione delle prove o solo alla fine determina la presenza di questi bias. Lo studio applica questo quadro ai LLM e scopre che essi mostrano bias posizionali opposti rispetto agli umani. In particolare, questi bias sono più pronunciati nei modelli più recenti rispetto ai loro predecessori. I risultati contribuiscono a comprendere i processi di valutazione sottostanti nei LLM, che rimangono poco compresi. L'articolo è disponibile su arXiv e include riferimenti, citazioni e strumenti per ulteriori esplorazioni. Lo studio evidenzia anche il ruolo di arXivLabs, un framework per progetti collaborativi, nel supportare tale ricerca. La ricerca sottolinea la necessità di ulteriori indagini sui bias simili a quelli cognitivi dei sistemi di intelligenza artificiale.