Un nuevo estudio de Yale y la Universidad de Chicago ha encontrado que los modelos de lenguaje grandes (LLMs) difieren de los investigadores humanos en el rango, no en la calidad, de las ideas de investigación que generan.

La investigación analizó 11,683 artículos publicados y utilizó el mismo conjunto de trabajo previo como base tanto para LLMs como para humanos para crear nuevas ideas de investigación. Los investigadores compararon las motivaciones y métodos sugeridos por los LLMs con los encontrados en artículos escritos por humanos.

Mientras que las ideas humanas cubrieron un amplio conjunto de patrones de investigación —como explicaciones de mecanismos, pruebas de fallos y desarrollo de sistemas— los LLMs se enfocaron en vincular piezas separadas de trabajo previo.

Los datos mostraron que el 12.1% de las ideas humanas se centró principalmente en conectar investigaciones previas, pero las ideas generadas por LLMs tomaron este enfoque entre el 47.1% y el 64.2% del tiempo. Los pasos de razonamiento adicionales no redujeron esta tendencia.

Fuente: [@aipost](https://t.me/aipost). Imagen: Yale/University of Chicago.