Desde a difusão do ChatGPT, um dos principais temas discutidos nas redes sociais é a etiqueta ao interagir com o chatbot. Enquanto alguns optam por expressar gentileza, usando “por favor” e “obrigado”, outros preferem uma abordagem mais direta ao formular perguntas. No entanto, um recente artigo divulgado por pesquisadores da Microsoft destacou que os modelos de Inteligência Artificial (IA) generativa tendem a apresentar desempenho superior quando tratados de maneira mais humanizada.
Em outras palavras, questionar de maneira educada pode influenciar positivamente os resultados fornecidos pela IA. Adicionalmente, os pesquisadores observaram que as respostas dos modelos tornam-se ainda mais precisas quando as solicitações são feitas com urgência ou são consideradas de grande importância. Ao indicar a relevância da resposta, como destacando sua importância para o desenvolvimento profissional, os chatbots oferecem respostas mais abrangentes e refinadas.
A educação pode ter um efeito “manipulador” sobre o chatbot, conforme apontado pela cientista do Instituto Allen para IA, Nouha Dziri. Em uma entrevista ao TechCrunch, Nouha explicou que solicitações educadas ativam partes do modelo que não são acionadas por solicitações diretas e menos emocionais.
“Quanto mais dados textuais eles absorvem durante o treinamento, mais eficazes se tornam. Portanto, ‘ser mais gentil’ implica expressar solicitações de maneira alinhada com o padrão de conformidade no qual os modelos foram treinados, o que aumenta a probabilidade de obter as saídas desejadas”, esclareceu Dziri.
No entanto, a cientista enfatiza que ser educado com a IA não assegura que o modelo produza respostas idênticas às de um humano. Além disso, exagerar na cortesia ao solicitar uma resposta do assistente de IA pode acarretar problemas, pois o modelo pode gerar resultados que vão além das normas de comportamento da IA, incluindo a produção de linguagem ofensiva e divulgação de informações pessoais identificáveis. Nouha concluiu afirmando que essas solicitações podem explorar lacunas na segurança do treinamento do modelo, mas onde a capacidade do modelo de seguir instruções se destaca.
