Modelet AI duken në testin Stroop, duke zbuluar kufizime të vëmendjes

Një studim i ri, i botuar në revistën PNAS Nexus dhe i diskutuar gjerësisht në Reddit, ka testuar aftësitë e dy modeleve të njohura të gjuhës së madhe – GPT‑4o dhe Claude 3.5 Sonnet – në “efektin Stroop”, një provë psikologjike që kërkon kontroll ekzekutiv të vëmendjes. Efekti Stroop përshkruan konfuzionin që ndodh kur truri duhet të emërtojë ngjyrën e bojës së një fjale, ndërsa vetë fjala përfaqëson një ngjyrë tjetër; kjo kërkon që individi të injorojë leximin automatik të fjalës dhe të përqendrohet në ngjyrën e saj.

Në testet me fjalë të përzgjedhura në grupë prej 5, 10, 20 dhe 40 elementësh, njerëzit arritën rreth 95 % saktësi, edhe në provat më të gjata. Modeli GPT‑4o filloi me 91 % saktësi në grupin e 5 fjalëve, por u rërua në 57 % për 10 fjalë, 22 % për 20 fjalë dhe vetëm 15 % për 40 fjalë. Claude 3.5 Sonnet tregoi performancë pak më të mirë – 76 % në 20 fjalë – por edhe ky model ra në 24 % në grupin më të gjatë. Këto rezultate tregojnë se, ndryshe nga njerëzit, modelet AI humbasin shpejt aftësinë për të menaxhuar konfliktin mes leximit dhe njohjes së ngjyrës.

Përkundër kritika për përdorimin e versioneve të vjetra, autorët e studimit përmendën se në shtator 2025 testuan edhe modele më të reja: GPT‑5, Claude Opus 4.1 dhe Gemini 2.5 Pro. Edhe këto arritën përmirësime të vogla, por vazhduan të shfaqin “deficite të vazhdueshme në kontrollin ekzekutiv të vëmendjes”, duke sugjeruar se kufizimet janë të thella në arkitekturën transformer‑bazuar të LLM‑ve. GPT‑5, në modalitetin “Thinking”, mund të shkruajë dhe ekzekutojë kod për të “korrigjuar” testin Stroop, por kjo është thjesht një mënyrë për të maskuar mangësitë, pa ndryshuar mënyrën e arsyetimit të modelit.

Kërkimi përfundon se për të arritur inteligjencë artificiale të përgjithshme (AGI), është e domosdoshme të përmirësohen jo vetëm kapacitetet e kujtesës, por edhe rrjetet e kontrollit ekzekutiv që mundësojnë fleksibilitet kognitiv dhe menaxhim konfliktesh vendimmarrëse. Autorët sugjerojnë se zhvillimi i ardhshëm i modeleve LLM duhet të përqendrohet në ndërtimin e sistemeve më të sofistikuara të kontrollit ekzekutiv, në vend të përmirësimit të thjeshtë të memorisë, për të arritur sjellje të drejtuara nga qëllimi dhe fleksibilitet të vërtetë kognitiv.