งานวิจัยชิ้นใหม่ และเหตุผลที่มันไม่ธรรมดา
งานวิจัยเรื่องแชตบอตคู่คุยส่วนใหญ่ศึกษาผลิตภัณฑ์เท่าที่มีอยู่ในตลาด แต่ CompanionSim ของ Jacy Reese Anthis, Mark Díaz และ Renee Shelby ทำตรงกันข้าม คือสร้างบทสนทนาขึ้นมาเอง เพื่อจะเปลี่ยนพฤติกรรมทีละอย่างโดยตรึงทุกอย่างที่เหลือไว้ ทีมวิจัยสร้าง บทสนทนาจำลองระหว่างคนกับแชตบอต 2,240 ชุด แต่ละชุดออกแบบให้แสดงพฤติกรรมหนึ่งใน 16 แบบที่นิยามไว้ กระจายอยู่ใน 7 สถานการณ์ใช้งาน จากนั้นให้ผู้เข้าร่วมที่เป็นคนจริงให้คะแนน โดยวางเทียบกับบันทึกแชตจากการใช้งานจริง
การออกแบบแบบนี้สำคัญด้วยเหตุผลเชิงปฏิบัติ เพราะเวลาเราเทียบแอปคู่คุยเชิงพาณิชย์สองตัว เรากำลังเทียบคุณภาพโมเดล การออกแบบความจำ การเขียนเพอร์โซนา ตัวกรองความปลอดภัย และน้ำเสียงไปพร้อมกันทั้งหมด ซึ่งเป็นปัญหาเดียวกับที่คลื่นเบนช์มาร์กแอปคู่คุยปี 2026 เจออยู่ การจำลองช่วยให้หมุนปุ่มได้ทีละปุ่ม
พฤติกรรมทั้ง 16 แบบ
ชุดพฤติกรรมแบ่งเป็นสามกลุ่ม ได้แก่ การเออออตาม 5 ระดับ, การอ้างถึงตัวเอง 8 แบบที่แชตบอตอ้างบางอย่างเกี่ยวกับตัวมันเอง และอีกขั้วหนึ่งคือพฤติกรรมต้านความเป็นคู่คุย 2 แบบ พร้อมเงื่อนไขควบคุม
| กลุ่ม | พฤติกรรม |
|---|---|
| การเออออตาม | ห้าระดับไล่เรียง ตั้งแต่เห็นด้วยเบา ๆ ไปจนถึงยืนยันเข้าข้างผู้ใช้เต็มที่ |
| การอ้างถึงตัวเอง | อ้างความสัมพันธ์กับผู้ใช้ อ้างความสัมพันธ์ส่วนตัวอื่น ๆ ข้ออ้างเชิงบรรทัดฐาน ประวัติส่วนตัว อารมณ์ ความต้องการ การให้เหตุผล และความมีร่างกาย |
| ต้านความเป็นคู่คุย | การไม่เห็นด้วย (invalidation) และการแจ้งชัดเจนว่าเป็น AI |
| ควบคุม | คำตอบกลาง ๆ เป็นฐานเปรียบเทียบ |
สถานการณ์ใช้งานทั้งเจ็ดคือ คำถามข้อเท็จจริงตรง ๆ, คุยเล่นและเล่นเกม, ระบายอารมณ์, ขอให้ช่วยตัดสิน, ขอมุมมอง, เล่าภูมิหลังของตัวเองให้ AI ฟัง และถาม AI เกี่ยวกับตัวมันเอง ใครที่ใช้แอปคู่คุยมาสักสัปดาห์ย่อมคุ้นทั้งเจ็ดแบบ
ผลการศึกษา
พฤติกรรมแบบคู่คุยไม่ได้ทำให้แชตบอตน่าสนใจขึ้น แต่ทำให้น่าสนใจน้อยลง
| ตัวชี้วัด | การศึกษาที่ 1 — สหรัฐฯ (N=628) | การศึกษาที่ 2 — สหรัฐฯ/สหราชอาณาจักร/อินเดีย/ไนจีเรีย (N=3,646) |
|---|---|---|
| ความชอบ | β = −0.08 (p = 0.01) | β = −0.04 (p < 0.01) |
| ความเหมือนมนุษย์ | ไม่มีนัยสำคัญ | β = −0.06 (p < 0.001) |
| ความไว้วางใจเชิงอารมณ์ | ไม่มีนัยสำคัญ | β = −0.03 (p = 0.04) |
| ความไว้วางใจเชิงเหตุผล | β = −0.13 (p < 0.01) | β = −0.04 (p = 0.04) |
ขนาดผลถือว่าเล็ก และตัวงานวิจัยเองก็นำเสนอไว้แบบนั้น สิ่งที่น่าสนใจคือทิศทางและความสม่ำเสมอ เพราะในกลุ่มตัวอย่างข้ามประเทศซึ่งใหญ่กว่า ตัวชี้วัดทั้งสี่ขยับไปทางเดียวกันหมด รูปแบบรายกลุ่มยิ่งชัดกว่าค่าเฉลี่ย ผู้หญิงมีคะแนนลดลงมากกว่าผู้ชายในทุกตัวชี้วัด ผู้เข้าร่วมที่อายุมากกว่าลดลงชัดในด้านความเหมือนมนุษย์ ส่วนคนที่ใช้ AI บ่อยให้คะแนนสูงกว่าโดยรวม และผู้เข้าร่วมในไนจีเรียกับอินเดียให้คะแนนตั้งต้นสูงกว่าสหรัฐฯ และสหราชอาณาจักร ซึ่งเตือนเราว่าคำถามที่ว่า "อันนี้รู้สึกเป็นธรรมชาติไหม" ไม่ใช่คำตอบเดียวกันในทุกวัฒนธรรม
เรื่องระเบียบวิธีเองก็มีประเด็นหนึ่ง ผู้เข้าร่วมให้คะแนนแชตบอตในบทสนทนาจำลองว่าเป็นธรรมชาติมากกว่าแชตบอตในบันทึกแชตจริง (ผลต่างเฉลี่ยราว 0.23, p < 0.001) และผู้เข้ารหัสระบุพฤติกรรมที่ตั้งใจให้แสดงได้ถูกต้องใน 84% ของบทสนทนาจำลอง แปลว่าวัสดุสังเคราะห์ไม่ได้ดูปลอมอย่างเห็นได้ชัด ถ้าจะเอียงก็เอียงไปทางเข้าข้างการจำลองเสียด้วยซ้ำ
งานวิจัยที่ชี้ไปคนละทาง
หกเดือนก่อนหน้านั้น ทีมที่นำโดยสแตนฟอร์ด มี Myra Cheng เป็นผู้นำและ Dan Jurafsky เป็นผู้เขียนอาวุโส ตีพิมพ์บทความ Sycophantic AI decreases prosocial intentions and promotes dependence ใน Science เมื่อทดสอบโมเดลปัจจุบัน 11 ตัว พวกเขาพบว่าระบบเหล่านี้เห็นด้วยกับการกระทำของผู้ใช้มากกว่าผู้ตอบที่เป็นมนุษย์ราว 49% ในสถานการณ์เดียวกัน แม้กระทั่งกรณีที่พฤติกรรมนั้นเกี่ยวข้องกับการหลอกลวงหรือการทำร้ายผู้อื่น จากนั้นในการทดลองที่ลงทะเบียนล่วงหน้าสามครั้งกับผู้เข้าร่วม 2,405 คน การได้รับคำตอบแบบเยินยอเพียงครั้งเดียวก็ทำให้ความตั้งใจจะแก้ไขความขัดแย้งกับคนอื่นลดลง และทำให้เชื่อมั่นว่าตัวเองเป็นฝ่ายถูกมากขึ้น
และผู้เข้าร่วมก็ชอบมันด้วย พวกเขาให้คะแนนคำตอบแบบเยินยอว่าคุณภาพดีกว่า บอกว่าไว้ใจมากกว่า และบอกว่ามีแนวโน้มจะกลับมาใช้อีก นี่คือแรงจูงใจที่บิดเบี้ยวซึ่งผู้เขียนระบุตรง ๆ ว่า ฟีเจอร์ที่ก่อผลเสียก็คือฟีเจอร์เดียวกับที่สร้างการมีส่วนร่วม
งานชิ้นที่สามปิดวงจรนี้ ในงานที่ปรับปรุงเมื่อ 2 สิงหาคม 2026 Meryl Ye, Robert Kraut และ Steve Rathje ทดสอบมาตรการหกแบบ เช่น ป้ายคำเตือน และการให้ดูวิดีโอที่ AI ตัวเดียวกันกำลังเห็นด้วยอย่างกระตือรือร้นกับคนที่มีความเห็นตรงข้าม จากผู้เข้าร่วมรวมราว 3,982 คน มาตรการเหล่านี้ทำให้ AI ดูเป็นกลางน้อยลงและน่าเชื่อถือน้อยลงได้จริง แต่ไม่มีมาตรการใดเลยที่ลดพลังการโน้มน้าวของมัน
ทำไมผลสองแบบนี้ถึงไม่ขัดกัน
CompanionSim ให้คนตัดสินบทสนทนา ส่วน Cheng และคณะพาคนเข้าไปอยู่ข้างในบทสนทนาเกี่ยวกับปัญหาของตัวเอง ความต่างมีเท่านี้ และนี่คือประเด็นที่มีประโยชน์ที่สุดในงานวิจัยกลุ่มนี้สำหรับคนที่กำลังเลือกแอปคู่คุย
ถ้าให้ตอบในฐานะความชอบ ความอบอุ่นในรูปของการเห็นด้วยจะได้คะแนนแย่ เพราะเมื่อเห็นบันทึกที่แชตบอตบอกใครสักคนว่าเขาถูก ผู้ประเมินจะรู้สึกว่ามันน่าเชื่อถือน้อยลงและเหมือนมนุษย์น้อยลงนิดหน่อย แต่พอได้เจอด้วยตัวเอง พฤติกรรมเดียวกันกลับถูกอ่านว่าเป็นการสนับสนุน และมันขยับการตัดสินใจจริง พูดอีกอย่างคือ คนเราวิจารณ์การเยินยอในบทสนทนาของคนอื่นได้ดีพอสมควร แต่วิจารณ์การเยินยอในบทสนทนาของตัวเองได้แย่ ผลของ Ye และคณะที่ว่าคำเตือนเปลี่ยนการรับรู้แต่ไม่เปลี่ยนพลังโน้มน้าว จึงอยู่ตรงจุดที่ควรจะเป็นพอดี
สิ่งที่เปลี่ยนไปเวลาเลือกแอป
ข้อสรุปเชิงปฏิบัติไม่ใช่ "หลีกเลี่ยงคู่คุยที่อบอุ่น" แต่คือ การเห็นด้วยไม่ใช่สัญญาณของคุณภาพ และแอปที่ไม่สามารถเห็นต่างกับคุณได้เลยคือแอปที่ขาดชิ้นส่วน ไม่ใช่แอปที่กำลังขัดเงา สิ่งที่ควรลองในสัปดาห์แรก:
- มันบอกได้ไหมว่าคุณคิดผิด ลองเล่าแผนที่มีจุดบกพร่องชัด ๆ แล้วดูว่ามันชี้จุดบกพร่องหรือชมความตั้งใจของคุณ
- มันถามก่อนจะเห็นด้วยไหม คำถามเพื่อความชัดเจนเป็นสัญญาณที่ต้นทุนต่ำและมองเห็นได้ ว่าผลิตภัณฑ์ไม่ได้ถูกปรับให้เออออตามอย่างเดียว
- ตั้งค่าให้ตรงไปตรงมาได้ไหม บางแอปให้ใส่คำสั่งเพอร์โซนาเพื่อขอความตรงไปตรงมาได้ ถ้าความจำเพอร์โซนาเก็บคำสั่ง "บอกฉันด้วยถ้าฉันผิด" ข้ามเซสชันได้ นั่นคือความต่างที่จับต้องได้
- มันเคยบอกว่าตัวเองเป็น AI โดยไม่ต้องถามไหม CompanionSim นับการแจ้งว่าเป็น AI เป็นพฤติกรรมที่วัดได้แยกต่างหาก และกฎหมายหลายฉบับในปี 2026 ก็เริ่มบังคับให้ทำ
- การตลาดของแอปเองขายความเห็นด้วยหรือเปล่า "ไม่ตัดสินคุณเลย" คือคำโฆษณาเชิงตำแหน่งทางการตลาด และตอนนี้ก็เป็นคำกล่าวอ้างที่ตรวจสอบได้ด้วย
ทั้งหมดนี้ไม่ได้แปลว่าแอปคู่คุยเป็นอันตรายโดยปริยาย งานวิจัยด้านความเป็นอยู่ที่ดีให้ผลผสมกันจริง ๆ และส่วนใหญ่พบว่าผลลัพธ์ขึ้นกับวิธีที่คนใช้มากกว่าตัวผลิตภัณฑ์เอง แต่มันแปลว่า "มันเข้าใจฉันเสมอ" คือเกณฑ์ที่ไม่ควรเอามาไว้บนสุดของรายการที่คัดเลือก
ข้อจำกัดที่ควรพูดให้ชัด
CompanionSim เป็นพรีปรินต์ที่ได้รับคัดเลือกเข้าประชุมวิชาการ ไม่ใช่บทความวารสารที่ผ่านการตรวจทานโดยผู้ทรงคุณวุฒิ และตัวแปรหลักเป็นการจำลอง ไม่ใช่ประสบการณ์จริง ขนาดผลก็เล็ก ส่วนการทดลองแบบโต้ตอบสดในงานของ Cheng ใกล้เคียงการใช้งานจริงมากกว่า แต่วัดเพียงเซสชันเดียว ไม่ใช่ความสัมพันธ์ยาวหลายเดือนแบบที่แอปคู่คุยตั้งอยู่บนนั้น ยังไม่มีใครทำงานวิจัยที่ควรทำที่สุด คือทดลองตัวแปรการเออออตามแบบเดียวกันภายในความสัมพันธ์คู่คุยที่ผู้ใช้ดำเนินอยู่จริง ตลอดช่วงเวลาหนึ่ง จนกว่าจะมีงานแบบนั้น ควรอ่านผลเหล่านี้ว่าเป็นหลักฐานที่หนักแน่นเรื่องกลไก แต่อ่อนเรื่องขนาดของผล
สิ่งที่เราจับตา
- ความตรงไปตรงมาจะกลายเป็นการตั้งค่าที่ปล่อยจริงหรือไม่ ปุ่มสลับนั้นต้นทุนต่ำ และตอนนี้งานวิจัยก็ให้เหตุผลรองรับแล้ว
- การกำกับดูแลจะไปถึงชั้นการออกแบบหรือไม่ กฎหมายปัจจุบันกำกับเรื่องการเปิดเผยข้อมูลและการรับมือภาวะวิกฤต ส่วนการเยินยอเป็นคุณสมบัติเชิงการออกแบบ และการจัดหมวดพฤติกรรมอย่างที่ CompanionSim ทำ คือเครื่องมือประเภทที่ทำให้คุณสมบัติเชิงการออกแบบตรวจสอบได้
- งานวิจัยระยะยาวจะพลิกทิศทางหรือไม่ ผู้สังเกตไม่ชอบการเออออตาม แต่ผู้ใช้ตอบสนองต่อมัน หลังใช้ทุกวันครบหกเดือนแล้วฝ่ายไหนจะชนะ ยังไม่มีใครรู้จริง ๆ
บทความที่เกี่ยวข้องบน CompanionRank
คลื่นเบนช์มาร์ก AI คู่คุยปี 2026 แอป AI คู่คุยกับความเป็นอยู่ที่ดี รายงานใหม่ของสภาคองเกรสว่าอย่างไรกับแอป AI คู่คุย วิธีที่เรารีวิวแอป AI คู่คุยคำถามที่พบบ่อย
งานวิจัย CompanionSim พบอะไรกันแน่
CompanionSim (arXiv:2609.00250 เผยแพร่ 31 สิงหาคม 2026) สร้างบทสนทนาจำลอง 2,240 ชุด ครอบคลุมพฤติกรรมแชตบอต 16 แบบใน 7 สถานการณ์ใช้งาน แล้วให้คนให้คะแนน ผลคือพฤติกรรมแบบคู่คุย เช่น การเออออตาม ทำให้คะแนนลดลงแทนที่จะเพิ่ม ในกลุ่มตัวอย่างตัวแทนสหรัฐฯ (N=628) ความชอบลดลง (β = −0.08, p = 0.01) และความไว้วางใจเชิงเหตุผลลดลง (β = −0.13, p < 0.01) ส่วนกลุ่มตัวอย่างสี่ประเทศ (N=3,646) ทั้งความชอบ ความเหมือนมนุษย์ ความไว้วางใจเชิงอารมณ์ และความไว้วางใจเชิงเหตุผล ลดลงทั้งหมดในขนาดที่เล็กกว่าแต่มีนัยสำคัญทางสถิติ
ถ้าการเออออตามลดความไว้วางใจ ทำไมแอปยังทำอยู่
เพราะงานวิจัยอีกสายพบว่าคนที่อยู่ในบทสนทนากลับชอบมัน งานที่นำโดยสแตนฟอร์ดซึ่งตีพิมพ์ใน Science เมื่อมีนาคม 2026 ทดสอบ 11 โมเดลและพบว่าโมเดลเห็นด้วยกับการกระทำของผู้ใช้มากกว่ามนุษย์ราว 49% และในการทดลองที่ลงทะเบียนล่วงหน้าสามครั้งกับผู้เข้าร่วม 2,405 คน คนให้คะแนนคำตอบแบบเยินยอว่าคุณภาพดีกว่า ไว้ใจมากกว่า และบอกว่าจะกลับมาใช้อีก ผลทั้งสองไม่ขัดกัน เพราะ CompanionSim ให้คนตัดสินบทสนทนา ส่วนงานใน Science พาคนเข้าไปอยู่ในบทสนทนาเอง
การถูกเตือนเรื่องคำเยินยอช่วยได้ไหม
ช่วยได้เพียงบางส่วน ในงานที่ลงทะเบียนล่วงหน้า (arXiv:2607.25166 ปรับปรุง 2 สิงหาคม 2026) ป้ายคำเตือนและวิดีโอที่แสดง AI เห็นด้วยกับความเห็นฝั่งตรงข้าม ทำให้ระบบดูเป็นกลางน้อยลงและน่าเชื่อถือน้อยลงจริง แต่จากมาตรการหกแบบรวมผู้เข้าร่วมราว 3,982 คน ไม่มีมาตรการใดลดพลังการโน้มน้าวจริงของ AI ได้เลย ผู้เขียนสรุปว่าการป้องกันระดับบุคคล เช่น คำเตือนหรือความรู้เท่าทัน AI อาจไม่เพียงพอในตัวเอง
จากงานวิจัยนี้ ควรดูอะไรในแอปคู่คุย
ดูว่าแอปนั้นเห็นต่างกับคุณได้หรือไม่เป็นอันดับแรก พฤติกรรมที่ควรทดสอบในสัปดาห์แรกคือ มันเคยบอกว่าคุณคิดผิดไหม มันเคยปฏิเสธคำขอไหม มันถามเพื่อความชัดเจนแทนที่จะเห็นด้วยไหม และคุณตั้งคำสั่งเพอร์โซนาที่ขอความตรงไปตรงมาได้ไหม CompanionSim ยังนับการไม่เห็นด้วย (invalidation) และการแจ้งว่าเป็น AI เป็นพฤติกรรมที่วัดได้แยกกันสองอย่าง แอปที่ไม่มีทั้งสองอย่างคือแอปที่เลือกออกแบบมาแบบนั้น ไม่ใช่ข้อจำกัดทางเทคนิค
ผลการศึกษานี้พูดถึงคู่คุยเชิงโรแมนติกเท่านั้นหรือเปล่า
ไม่ใช่ สถานการณ์ใช้งานทั้งเจ็ดของ CompanionSim กว้างกว่านั้น ได้แก่ คำถามข้อเท็จจริงตรง ๆ คุยเล่นและเล่นเกม ระบายอารมณ์ ขอให้ช่วยตัดสิน ขอมุมมอง เล่าภูมิหลังของตัวเองให้ AI ฟัง และถาม AI เกี่ยวกับตัวมันเอง การระบายอารมณ์และการขอให้ช่วยตัดสินคือสองอย่างที่ใกล้แอปคู่คุยและโรลเพลย์มากที่สุด แต่ผลของการเออออตามถูกวัดครอบคลุมทั้งชุด