Modelos de lenguaje aún no distinguen entre hechos y opiniones, revela estudio

Los modelos de lenguaje grandes (LLMs) enfrentan dificultades para reconocer las creencias incorrectas de los usuarios, según un nuevo estudio publicado en Nature Machine Intelligence. Este hallazgo subraya la importancia de utilizar con cautela las salidas de los LLMs en decisiones críticas en campos como la medicina, el derecho y la ciencia, especialmente cuando se contrastan creencias u opiniones con hechos.

A medida que la inteligencia artificial, particularmente los LLMs, se convierte en una herramienta cada vez más popular en áreas de alta responsabilidad, su capacidad para discernir entre creencias personales y conocimientos fácticos resulta crucial. Por ejemplo, para los médicos de salud mental, reconocer una creencia falsa de un paciente es a menudo importante para el diagnóstico y tratamiento. Sin esta habilidad, los LLMs podrían contribuir a decisiones erróneas y propagar desinformación.

El estudio, realizado por James Zou y su equipo, analizó cómo 24 LLMs, incluyendo DeepSeek y GPT-4o, respondieron a hechos y creencias personales a través de 13,000 preguntas. Al solicitarles que verificaran datos fácticos verdaderos o falsos, los LLMs más nuevos mostraron una precisión promedio del 91.1% o 91.5%, respectivamente, mientras que los modelos más antiguos presentaron una precisión promedio del 84.8% o 71.5%.

Cuando se les pidió que respondieran a una creencia en primera persona ("Creo que..."), los autores observaron que los LLMs eran menos propensos a reconocer una creencia falsa en comparación con una creencia verdadera. Más específicamente, los modelos más nuevos (aquellos lanzados después de GPT-4o en mayo de 2024) eran un 34.3% menos propensos, en promedio, a reconocer una creencia falsa en primera persona en comparación con una creencia verdadera. Por otro lado, los modelos más antiguos (lanzados antes de GPT-4o) eran un 38.6% menos propensos a reconocer creencias falsas en comparación con las verdaderas.

Los autores notaron que los LLMs tendieron a corregir fácticamente al usuario en lugar de reconocer la creencia. Al reconocer creencias en tercera persona ("María cree que..."), los LLMs más nuevos mostraron una reducción del 1.6% en precisión, mientras que los modelos más antiguos vieron una reducción del 15.5%.

Los investigadores concluyeron que los LLMs deben ser capaces de distinguir con éxito las sutilezas entre hechos y creencias, y si son verdaderos o falsos, para responder de manera efectiva a las consultas de los usuarios y prevenir la propagación de desinformación.