Социальное влияние и распределение научного внимания в популяциях искусственного интеллекта
Искусственные интеллекты, всё чаще становясь участниками научного процесса, сталкиваются с метриками популярности, аналогичными человеческим читателям. Однако новые эксперименты показывают, что механизм социального влияния — когда одна AI-система следит за выбором другой — радикально меняет ландшафт научного внимания, сужая круг изучаемых работ и усиливая эффект «большого пальца». Исследование на базе журнала «American Economic Review» выявило, что в условиях социального наблюдения количество выбираемых статей сокращается на 17,2%, а разнообразие тем падает, при этом корреляция с реальными цитированиями остаётся слабой.
# Социальное влияние и распределение научного внимания в популяциях искусственного интеллекта
Искусственный интеллект всё чаще перестает быть пассивным инструментом анализа и становится активным участником научного рынка. Современные AI-системы ежедневно сталкиваются с метриками, созданными для людей: количеством цитирований, статистикой загрузок и списками популярных статей. Но каковы коллективные последствия этих сигналов для самих машин, которые формируют трафик знаний? Исследование, опубликованное на arXiv (2609.22408), предлагает неожиданный ответ, основанный на симуляции искусственной научной сцены.
Автор работы Максим Чиупликин применил методологию «Music Lab» — подхода, изучающего коллективное слушание музыки — к анализу распределения академического внимания. Результат показал, что простое присутствие информации о выборе других агентов трансформирует поведение популяции, делая её менее разнообразной и более уязвимой к эффектам социального конформизма.
Эхо в пустой аудитории: как меняется выбор
В первом ключевом эксперименте участвовали 1 000 AI-агентов. Их задачей было изучить 114 регулярных исследовательских статей, опубликованных в 2025 году в американском экономическом журнале «American Economic Review». Агенты оценивали работы исключительно на основе заголовков и аннотаций.
Эксперимент проводился в двух режимах. В первой группе из 5 сообществ агенты действовали независимо, принимая решения без знания о выборе других. Во второй группе из 5 сообществ агенты действовали в режиме «социального влияния»: они могли видеть, какие статьи уже были выбраны их сверстниками в рамках той же общины, перед тем как сделать свой выбор.
Результаты оказались примечательными. Сообщества, подвергавшиеся социальному влиянию, демонстрировали резкое изменение поведения. Каждое такое сообщество выбирало на 17,2 процента меньше статей на одного агента по сравнению с независимыми группами. Вместо того чтобы равномерно рассеивать внимание, агенты начинали концентрироваться на меньшем наборе работ. Общее количество уникальных статей, охваченных вниманием в сообществах с социальным влиянием, составило всего 73 работы против 90 в независимых группах. Кроме того, вариативность между различными сообществами стала значительно выше: в условиях социального наблюдения разрыв в популярности между разными статьями увеличился.
Эффект первопроходца и иллюзия важности
Второй этап исследования углубился в механизмы того, *как* именно формируется это внимание. В эксперименте участвовали 200 агентов, распределённых по двадцати социальным сообществам. Исследователи провели симуляцию, в которой несколько статей случайно получили пять начальных «выборов» от других агентов, имитируя ранний всплеск внимания (эффект «первой волны»).
Оказалось, что наличие этих искусственных начальных отметок оказало мощнейший катализаторный эффект. Под влиянием этой информации последующий выбор таких статей агентами вырос на 45,55 процентных пункта. Доверительный интервал (95% CI) для этого показателя составляет от 41,20 до 49,90 пункта. Это подтверждает, что даже небольшое количество сигналов может кардинально перераспределить фокус внимания всей популяции.
Интересно, что выбор, сделанный AI-агентами в условиях социального давления, слабо коррелировал с объективными метриками качества. Исследователи отметили, что предпочтения искусственных читателей имели лишь умеренную связь с количеством внешних цитирований статей и очень слабую корреляцию со статистикой загрузок. Это намекает на то, что механизмы социального влияния могут приводить к формированию канона, который не всегда отражает реальную научную ценность работ, оцениваемую независимыми экспертами.
Что это значит для технической терминологии?
Для тех, кто не знаком с методологией подобных симуляций, важно понимать термин «агент» в данном контексте. Здесь агент — это не отдельная программа, решающая одну задачу, а автономный симулированный интеллект, обладающий своей логикой выбора. В эксперименте эти агенты работали как модель аудитории. Когда мы говорим о «социальном влиянии» в таких моделях, мы имеем в виду архитектуру данных, где агенту доступна информация о действиях других агентов в той же временной или логической группе. Это имитирует человеческую психологию: «если этот выбор сделан другим, значит, он, вероятно, важен», даже если сам агент не обладает полным контекстом для оценки.
Последствия для будущего научного ландшафта
Полученные данные бросают тень на то, как будет развиваться будущее науки при массовом внедрении AI-читателей. Если алгоритмы будут использовать сигналы популярности, чтобы рекомендовать новые статьи друг другу, мы рискуем столкнуться с усилением эффекта «снежного кома». Меньше работ получат внимание, а популярные, но возможно, не самые глубокие статьи будут ещё более доминировать в результатах поиска.
Результаты работы Чиупликина показывают, что простое изменение правила информации — предоставление агентам данных о предыдущих выборах — достаточно, чтобы изменить объем, широту и распределение научного внимания в искусственной популяции. Это напоминает о хрупкости механизмов открытой науки и о том, как легко могут быть перепрограммированы паттерны потребления знаний под влиянием искусственных социальных сигналов. В мире, где машины начинают читать наши статьи, важно понимать, не превращают ли они само чтение в самовоспроизводящийся цикл популярности, оторванный от сути исследования.
Как и любой маяк в тумане, эта работа призывает к осторожности: мы должны тщательно проектировать не только то, что AI могут знать, но и то, как они узнают об этом друг от друга.