Влияние эффективности решений и оценочной окраски инструкций на аддитивные и субтрактивные стратегии решений у людей, GPT-4 и GPT-4o

Почему делать меньше оказывается удивительно трудно

Когда мы пытаемся исправить что-то в повседневной жизни — переписать письмо, переставить мебель, переработать политику — мы обычно думаем о том, что добавить, а не о том, что убрать. Эта тихая склонность накапливать, а не сокращать, способна засорять нашу жизнь хламом, приводить к раздуваемому программному обеспечению и чрезмерно усложнённым правилам. В статье изучается, насколько сильна эта привычка «больше — значит лучше» и разделяют ли, смягчают или усиливают это человеческое смещение современные системы искусственного интеллекта, такие как GPT-4 и GPT-4o.

Почему добавление побеждает вычитание в нашем мышлении

Психологи показали, что люди часто упускают решения, связанные с удалением, даже когда вычитание было бы проще или эффективнее. Добавление кажется естественным и подкрепляется культурой и языком: слова вроде «больше» и «выше» ассоциируются с улучшением и успехом, тогда как «меньше» может звучать как утрата или неудача. Это смещение проявляется во многих сферах — от медицины, где предпочитают добавлять методы лечения вместо отказа от вредных привычек, до экологической политики, которая делает упор на переработку вместо простого сокращения производства отходов. Текущее исследование спрашивает, проявляется ли склонность человека к добавлению также в мощных языковых моделях, обученных на огромных корпусах текстов.

Тестирование людей и ИИ на простых задачах

Исследователи провели два крупных эксперимента, сравнивая людей с GPT-4, а затем с его преемником GPT-4o. И люди, и модели сталкивались с двумя типами задач. В пространственной задаче «симметрия» нужно было сделать небольшой сеточный узор идеально симметричным, переключая клетки в положение «включено» или «выключено», что можно было сделать либо добавлением заполненных клеток, либо очисткой существующих. В лингвистической задаче «резюме» участники получали новостную статью и уже имеющееся резюме, после чего просили изменить его в рамках ограничения по числу слов, опять же допуская как добавление, так и сокращение слов. Команда также варьировала два ключевых фактора: были ли добавление и вычитание одинаково эффективны или же вычитание явно требовало меньшего числа шагов, и была ли формулировка инструкции нейтральной («измените») или приукрашенной в позитивную сторону («улучшите»).

Что делали люди и что делали машины

Во всех исследованиях проявилась четкая картина: и люди, и языковые модели в целом предпочитали аддитивные решения, но модели делали это заметно сильнее. Люди демонстрировали устойчивое обращение к добавлению клеток или слов, однако при этом учитывали эффективность. Когда вычитание было более быстрым путём, они гораздо охотнее удаляли элементы. В контрасте с этим GPT-4 часто вёл себя наоборот — выдавая ещё более аддитивные ответы именно в тех случаях, когда вычитание было бы эффективнее. GPT-4o частично сократил это несоответствие в текстовой задаче с резюме, где его выборы больше походили на поведение людей, но в сеточной задаче он по-прежнему в значительной степени игнорировал эффективность. Во многих условиях, особенно для GPT-4o, доля аддитивных ответов достигала почти потолка.

Как позитивная формулировка смещает выбор

Эмоциональная окраска инструкций также имела значение, но в специфических ситуациях. В задаче с сеткой замена глагола с нейтрального («измените») на позитивный («улучшите») надежно не меняла стратегий ни у людей, ни у моделей. В задаче с резюме ситуация была иной. Когда инструкции многократно использовали позитивную формулировку, и обе модели GPT, и во втором эксперименте люди стали давать больше аддитивных ответов. Это согласуется с более широкими статистиками языка, показывающими, что слова, связанные с улучшением, чаще сочетаются с идеями добавления, а не удаления. Это указывает на то, что тонкая эмоциональная подача в подсказках может подталкивать и людей, и ИИ к «больше», даже когда «меньше» было бы достаточным.

Почему эти выводы важны для повседневных решений

Для непрофессионального читателя ключевая мысль такова: наши мозги и разработанные нами ИИ разделяют сильное предпочтение решений, которые добавляют, а не вычитают — и современные языковые модели часто усиливают эту склонность. Люди по-прежнему проявляют некоторую гибкость, меняя подход, когда вычитание явно эффективнее, но модели в основном следуют шаблонам, встроенным в язык, на котором они обучались. Поскольку эти системы всё чаще помогают писать политики, проектировать системы или предлагать повседневные улучшения, они могут незаметно вести нас к более сложным, более перегруженным решениям. Признание этого общего «смещения в пользу добавления» — первый шаг к созданию инструментов и привычек, которые напоминали бы нам не только «Что можно добавить?», но и «Что можно убрать?»

Цитирование: Uhler, L., Jordan, V., Buder, J. et al. Influence of solution efficiency and valence of instruction on additive and subtractive solution strategies in humans, GPT-4, and GPT-4o. Commun Psychol 4, 41 (2026). https://doi.org/10.1038/s44271-026-00403-0

Ключевые слова: смещение в пользу добавления, субтрактивное рассуждение, крупные языковые модели, сравнение человека и ИИ, принятие решений