📄 معروضة نسخة «بسيط» — «متقدم» غير جاهزة بعد. أضفه إلى المفضّلة للمساعدة في تسريعها. اطلب التحليل الكامل

في كل مرة تتردد فيها قبل خطوة محفوفة بالمخاطر — سواء استثمار المال في الأسهم أم الانتظار — يدور في رأسك حوار داخلي. عادةً يحاول العلماء إعادة بناء مسار هذا الحوار من الاختيار النهائي وحده، كما لو أن محققًا يحاول إعادة بناء محادثة بين شخصين بالنظر إلى صورة لمكان اللقاء. غالبًا ما تكون هذه الصورة ناقصة: فالأفعال المتطابقة قد تنبع من أفكار مختلفة تمامًا.

اقترح مؤلفو الدراسة تسجيل الحوار نفسه. طُلب من المشاركين التعبير عن أفكارهم بصوت عالٍ أثناء لعبة تتطلب الاختيار بين ربح مضمون ويانصيب محفوف بالمخاطر. ثم أُعطيت هذه التسجيلات مع الاختيارات إلى برنامج يبحث عن أفضل تفسير للسلوك. أذهلت النتيجة: النماذج التي دُرِّبت على هذا "النص الحرفي" أصبحت أكثر دقة بشكل ملحوظ في التنبؤ بقرارات الأشخاص في أمثلة جديدة. علاوة على ذلك، بالنسبة لـ 69% من المشاركين، تغيرت بنية النموذج نفسها. بدون تلميحات، بنى البرنامج نموذجًا من نوع "المقارنة الصريحة" — كما لو كان الشخص يضع الخيارات على كفتي ميزان ويرى أيها يرجح. أما مع البيانات اللفظية، تحول النموذج إلى "المنفعة المتكاملة" — كما لو كانت جميع الإيجابيات والسلبيات تنصهر في إحساس موحد بالجدوى، ويولد القرار من هذا الانصهار.

إذن، الكلمات المنطوقة في لحظة التردد ليست مجرد ضجيج. إنها تحمل بصمة الطريقة التي نصل بها إلى القرار، وهذه البصمة يمكن فك شفرتها. هذا النهج لا يعد بنماذج أكثر دقة فحسب، بل أيضًا بإمكانية الاطلاع على آليات التفكير التي لا تظهر من الأفعال وحدها.

الملخص الأصلي

كما كتبه المؤلفون، بالإنجليزية arXiv:2605.05091

Computational cognitive models discovered using large language models have so far relied solely on behavioral data. However, it is well-known that models produced from the behavioral trajectory alone are typically under-determined. In this work, we explore the use of Think Aloud traces as an additional form of data constraint during automated model discovery. When applied to the domain of risky decision-making, we find that the models discovered with think-aloud achieve significantly improved predictive performance on held-out data. Additionally, we find that the discovered models belong to different structural classes than those discovered from behavior alone for the majority of participants (69.4\%), specifically, it shifts from Explicit comparator towards Integrated utility. These results suggest that process-level language data not only improve model fit, but also systematically reshape the structure of the discovered cognitive models, enabling the identification of mechanisms that are not recoverable from behavior alone.