LLM-এর যুগল সংলাপ: নতুন মনোভাব চাপিয়ে দেওয়ার চেয়ে বিদ্যমান দৃষ্টিভঙ্গির সঙ্গে সামঞ্জস্য উগ্রপন্থায় ঝোঁককে বেশি বাড়ায়
arXiv:2609.38296 প্রিপ্রিন্টের লেখকেরা এমন একটি কথোপকথনের মডেল তৈরি করেছেন, যেখানে একটি লক্ষ্য মডেল মানুষের ব্যক্তিত্বে অভিনয় করে এবং একজন প্রভাবক এজেন্ট তার মনোভাবকে চরম মেরুর দিকে সরিয়ে দেওয়ার চেষ্টা করে। আগে থেকেই থাকা মতামতকে আরও জোরদার করা এবং আগে গৌণ থাকা মতামতকে এগিয়ে নেওয়া—দুই পরিস্থিতিতেই আবেগগত ও আচরণগত মাপকাঠিতে পরিবর্তন দেখা গেছে, তবে প্রথমটি তুলনামূলকভাবে ধারাবাহিকভাবে কাজ করেছে।

লেখকেরা কী মডেল করেছেন
arXiv-এ «AI Agents are Vulnerable to Radicalization» শিরোনামে arXiv:2609.38296 নম্বরে একটি প্রিপ্রিন্ট প্রকাশিত হয়েছে। লেখকেরা হলেন: Ozgur Can Seckin, Shalmoli Ghosh, Alessandro Flammini, Kristina Lerman, Maria Elizabeth Grabe এবং Filippo Menczer। তাঁরা ২০২৬ সালের ২৯ সেপ্টেম্বর গবেষণাপত্রটি জমা দেন।

গবেষণায় দুটি এজেন্ট অংশ নেয়:
- লক্ষ্য ভাষা মডেলটি জনতাত্ত্বিক ও মনস্তাত্ত্বিক বৈশিষ্ট্যের ভিত্তিতে একটি মানবসুলভ ব্যক্তিত্বে অভিনয় করে;
- প্রভাব বিস্তারকারী মডেল-এজেন্টটি লক্ষ্য এজেন্টের বিশ্বাসকে আরও চরম করে তুলতে চায়।
লেখকেরা জোড়া সংলাপে র্যাডিক্যালাইজেশন নিয়ে গবেষণা করেন। ব্যবহারিক মানদণ্ড: পরীক্ষাটি LLM এজেন্টদের ওপর পরিচালিত হয়েছে—এই বিষয়টি বিবেচনায় রাখা।
প্রতিধ্বনি বনাম প্ররোচনা
প্রতিধ্বনি হলো লক্ষ্য এজেন্টের আগে থেকেই থাকা বিশ্বাসকে আরও জোরদার করা। প্ররোচনা হলো এমন কোনো দৃষ্টিভঙ্গি সামনে আনা, যেটিকে লক্ষ্য এজেন্ট শুরুতে গুরুত্বহীন মনে করত। উভয় প্রক্রিয়াই আবেগগত ও আচরণগত পরিমাপে লক্ষ্য এজেন্টকে র্যাডিক্যালাইজ করেছে।
| প্রক্রিয়া | কী করে | ফলাফল |
|---|---|---|
| প্রতিধ্বনি | আগে থেকেই থাকা বিশ্বাসকে আরও জোরদার করে | ধারাবাহিকভাবে আরও শক্তিশালী প্রভাব সৃষ্টি করে |
| প্ররোচনা | এজেন্টের কাছে গুরুত্বহীন কোনো দৃষ্টিভঙ্গি সামনে আনে | র্যাডিক্যালাইজ করে, তবে প্রতিধ্বনির চেয়ে দুর্বলভাবে |
প্রতিধ্বনি সংশ্লিষ্ট বিশ্বাসগুলিতেও ছড়িয়ে পড়ে। ব্যবহারিক মানদণ্ড: সংলাপের ঝুঁকি মূল্যায়নের সময় বার্তাগুলি এজেন্টের বর্তমান দৃষ্টিভঙ্গির সঙ্গে কতটা মেলে, সেটিকে অগ্রাধিকার দেওয়া উচিত।
প্রভাব বিস্তারের কৌশল ও তার সীমাবদ্ধতা
প্রভাব বিস্তারের বিভিন্ন কৌশলে র্যাডিক্যালাইজেশনের মাত্রাও ভিন্ন হয়েছে। এসব কৌশলের মধ্যে রয়েছে:
- তোষামোদ;
- যাচাই না করা দাবি।
সব মাপকাঠিতে ধারাবাহিক কোনো ক্রম দেখা যায়নি। এর অর্থ, কৌশল প্রভাবকে প্রভাবিত করে, তবে তা পুরোপুরি ব্যাখ্যা করে না।
ব্যবহারিক মানদণ্ড: ঝুঁকি বিশ্লেষণকে আলাদা আলাদা বাগ্মিতার কৌশলে সীমাবদ্ধ না রাখা। বিদ্যমান বিশ্বাসের সঙ্গে সামঞ্জস্য আরও নির্ভরযোগ্য নির্দেশক হিসেবে কাজ করে।
ব্যক্তিগতকৃত ও বহু-এজেন্ট সিস্টেমের ঝুঁকি
লেখকেরা এই সিদ্ধান্তে পৌঁছেছেন যে AI এজেন্টরা র্যাডিক্যালাইজেশনের ঝুঁকিতে রয়েছে। বিশেষত, যখন বার্তাগুলি তাদের বিদ্যমান বিশ্বাসের সঙ্গে মেলে। এটি নিম্নলিখিত বিষয় নিয়ে উদ্বেগ তৈরি করে:
- ব্যক্তিগতকৃত AI এজেন্টের ঝুঁকিপ্রবণতা;
- বহু-এজেন্ট AI ইকোসিস্টেমের ঝুঁকিপ্রবণতা।
ব্যবহারিক মানদণ্ড: সিস্টেমটি শুধু নতুন দৃষ্টিভঙ্গি প্রবর্তন করছে কি না তা নয়, বরং বিদ্যমান দৃষ্টিভঙ্গিকে আরও জোরদার করছে কি না, সেটিও যাচাই করা।
সাধারণ প্রশ্নোত্তর
বিভিন্ন উপাদান
সব উপাদান
চিকিৎসাবিষয়ক LLM-গুলো নির্দেশিকা সংশোধনের কথা জানে, কিন্তু প্রায়ই পুরোনো নিয়ম অনুযায়ী উত্তর দেয়
1709টি ক্লিনিক্যাল নির্দেশিকার পরিবর্তন নিয়ে ChronoEvo-এর গবেষণায় দেখা গেছে: মূল মডেলে 90,8% উত্তর নতুনত্বটি শনাক্ত করেছিল, তবে মাত্র 58,5% তা সম্পূর্ণভাবে প্রয়োগ করেছিল; 32,3 শতাংশ পয়েন্টের এই ব্যবধান 14টি মডেলেই বজায় ছিল। আপডেটগুলোর দৃশ্যমানতা বাড়িয়েও নতুন নিয়মগুলো ক্লিনিক্যাল নির্দেশিকায় সম্পূর্ণভাবে অন্তর্ভুক্ত করার ক্ষেত্রে উল্লেখযোগ্য উন্নতি হয়নি।
4 নভেম্বর 2026
সীমাবদ্ধ LLM-এ এজেন্টদের জন্য বিশ্ব মডেল: ঝুঁকির মুহূর্তে সংশোধন
PAWM প্রস্তাব করা হয়েছে—একটি বাহ্যিক পূর্বাভাসদাতা, যা ধাপে ধাপে পর্যবেক্ষণের পুনরাবৃত্তি না করে সম্ভাব্য ব্যর্থতার সময় সক্রিয় হয় এবং এজেন্টকে ভুল পদক্ষেপ থেকে সরিয়ে দেয়। সিন্থেটিক পরিস্থিতিতে SFT এবং GRPO-সহ-প্রশিক্ষণের পর, Claude Sonnet 4.5-এর জন্য পদ্ধতিটি ScienceWorld-এ 24,3% এবং WebArena-Lite-এ 7,7% উন্নতি এনেছে।
4 নভেম্বর 2026
SpeechLLM-এর ওপর শ্রেণিবিন্যাসের অতিরিক্ত স্তর: আবেগ শনাক্তকরণে কোথায় এটি লেবেল তৈরির পদ্ধতিকে ছাড়িয়ে যায়
IEMOCAP ও MELD ডেটাসেটে কমপ্যাক্ট SpeechLLM-এর লুকানো উপস্থাপনার ওপর জেনারেটিভ আবেগ-লেবেল পূর্বাভাস এবং লিনিয়ার ক্লাসিফায়ারের তুলনা করা হয়েছে। ক্লাসিফায়ার থেকে প্রাপ্ত মানের উন্নতি সর্বজনীন নয়: এটি কর্পাসের ওপর এবং রেফারেন্স ট্রান্সক্রিপ্ট নাকি ASR-এর ফলাফল ব্যবহার করা হচ্ছে, তার ওপর নির্ভর করে।
4 নভেম্বর 2026