כשטקסט מיוצר בלי תהליך: שני סוגי ניתוק של בינה יוצרת

כשאנחנו קוראים פסק דין, מכתב התנצלות או נימוק של רשות מינהלית, אנחנו לא מעריכים רק את המילים. אנחנו מניחים שמישהו חשב, שקל וכתב. בינה מלאכותית יוצרת טקסט בלי התהליך האנושי הזה. השאלה אינה רק אם הטקסט נשמע טוב, אלא מה קורה לערכים שהיו קשורים לכתיבה עצמה.

במאמר “Generative AI & Two Forms of Decoupling” (arXiv:2609.32637) מפתחות Shira Gur-Arieh ו Sina Fazelpour מסגרת להבנת הניתוק הזה, ושל ההשלכות על מוסדות שמשתמשים בטקסט כדי לקבל החלטות כבדות משקל.

פתיח

המחברות פותחות בסיפור על חתימות זהות של בוב דילן שנעשו במכונה. החתימה נראתה אמיתית, אבל הקהל חש שהלך לאיבוד משהו. לא הדיו על הדף, אלא המעשה של החתימה עצמו. הן קוראות לדינמיקה הזאת decoupling, ניתוק בין התוצר לבין הפעילות האנושית שנתנה לו משמעות.

לדבריהן, מודלי שפה מרחיבים את הניתוק הזה לכל טקסט כמעט. אימייל מושקע של מועמד יכול לאותת על עניין אמיתי. התנצלות דורשת הקשבה לכאב של האחר. דרישה משופט לכתוב נימוקים אמורה לעודד שיקול דעת זהיר יותר. כשאפשר לייצר את הטקסט בלי לעבור את התהליך, נקרע הקשר לערכים שהתהליך הזה החזיק.

1. שלוש סיבות להעריך את תהליך הכתיבה

המאמר מציע טקסונומיה של יחסי תהליך ותוצר. התהליך יכול לשמש כראיה לתכונות שקשה לראות, למשל ידע, מאמץ או עניין אמיתי. הוא יכול לעצב ולעורר מיומנות, שיקול דעת או הבנה. הוא יכול גם להוות חלק ממה שהתוצר הוא, כלומר לתת לו מעמד או משמעות שאי אפשר להעתיק רק במלים זהות.

פסק דין כתוב הוא דוגמה חזקה. הוא יכול להעיד שהשופט שמע את הצדדים. כתיבתו יכולה לאלץ דיון פנימי זהיר. ומעמדו המשפטי תלוי בהליך המוסמך שבו הוצא. כשמפרידים בין התוצר לבין התהליך, כל אחד מהתפקידים האלה עלול להיפגע בנפרד, ובזמנים שונים, ולפגוע בשחקנים שונים.

2. טקסט כאובייקט גבול, וניתוק מסדר שני

אותו טקסט יכול לשרת כמה תפקידים בבת אחת, בלי שכל השחקנים יסכימו למה הוא חשוב. המחברות קוראות לכך boundary object, אובייקט גבול. בחיי מוסד רגילים, אי ההסכמה הזאת נשארת סמויה.

דוגמה משפטית מרכזית היא ביקורת hard look על רשויות מינהליות. לפי גישה אחת, דרישת נימוקים מפורטים מעודדת דיון אמיתי בתוך הרשות. לפי גישה אחרת, הרשומה המפורטת היא בעיקר ראיה לכך שהרשות מקדישה משאבים למדיניות שהיא מגינה עליה. כל עוד הכתיבה הייתה יקרה, שתי הגישות יכלו לחלוק את אותו תוצר.

כשקיצור טכנולוגי מאפשר להגיע לתוצר בלי התהליך, נפרדים גם התפקידים שהלכו יחד. זה ניתוק מסדר שני. הוא חושף מחלוקות על מטרת הפרקטיקה. המחברות מדגימות זאת גם בחתימת נשיא במכונה, וגם בהצפת הליך notice and comment של ה FCC בהערות אוטומטיות. אם הערה ציבורית חשובה בגלל התוכן, אוטומציה פחות מפריעה. אם היא מעידה על השקעת זמן של אזרח, האוטומציה משנה את משמעותה.

3. תיקון מוסדי שמשמר חלק ומקריב חלק

כשמתרחש ניתוק, מוסדות ינסו לתקן. אבל תיקון שמחזיר תפקיד אחד לא בהכרח משמר את האחרים. בחינה בעל פה יכולה להחזיר ראיה להבנה של תלמיד, בלי לשמור על עבודת הניסוח והשכתוב. מערכת שמעריכה רק את התוצר הסופי עלולה לוותר על ערך מעצב או מכונן.

המחברות מזהירות שהשיקום אינו נייטרלי. סביר שיעדיפו תפקידים קריאים יותר למוסד, כאלה שהפסדם מורגש מיד, או כאלה שיש להם בעלי עניין חזקים. מה שישרוד עלול לשקף אסימטריות כוח יותר משיקול דעת מודע על מטרת הפרקטיקה. מכאן הקריאה לדיון מפורש על מה לשמר, עם ייצוג ממשי למי שעלול להישאר מחוץ לחדר.

למה זה חשוב

בדמוקרטיה, טקסט הוא לא רק תוצר. הוא כלי של אחריות, השתתפות ושיקול דעת. נימוקי שופט, הודעות של רשות, הערות ציבור להליכי חקיקה או רגולציה, ואפילו התכתבות פוליטית, כולם נשענים על הנחה שמישהו עבר תהליך. אם אפשר לייצר את המסמך בלי התהליך, נחלשים אותות אמון, וגם מנגנונים שמעודדים חשיבה זהירה.

המסגרת של Gur-Arieh ו Fazelpour מועילה כי היא לא מסתפקת באזהרה כללית על “טקסט מזויף”. היא מבחינה בין אובדן ראייתי, אובדן מעצב ואובדן מכונן. היא גם מסבירה למה תיקון טכני מהיר, למשל בדיקת תוצר בלבד, עלול להסתיר ויתור על ערכים דמוקרטיים פחות בולטים, כמו השתתפות אזרחית או דיון פנימי מוסדי.

למי שעוסק במדיניות, במשפט, בעיתונות או בחינוך אזרחי, יש כאן שאלת מפתח. כשמכניסים כלי יצירה אוטומטיים להליכים ציבוריים, אל תשאלו רק אם הטקסט טוב מספיק. שאלו אילו תפקידים של התהליך אתם רוצים לשמור, למי יש קול בהחלטה הזאת, ומה עלול להיעלם בשקט אם תמדדו רק את התוצר הסופי.

קרדיט למאמר

Gur-Arieh, Shira; Fazelpour, Sina (2026). “Generative AI & Two Forms of Decoupling.” arXiv:2609.32637. https://arxiv.org/abs/2609.32637

הערה: הסיכום נשען על המאמר המלא בarXiv. זה מחקר טרם ביקורת עמיתים (preprint), מוגש ל ACM. המסגרת היא אנליטית ונורמטיבית, לא ניסוי אמפירי, והיישום למוסדות דמוקרטיים דורש שיקול דעת מקומי.

חדשות כזב עם תיאוריה: כשמודלי שפה פוגשים מדעי החברה

מערכות לזיהוי חדשות כזב נעשות מדויקות יותר. אבל לעיתים קרובות קשה להבין למה הן החליטו כך, והן מנותקות מתיאוריות ותיקות על שכנוע, אמינות ושיפוט אנושי. בדמוקרטיה, זה לא פרט טכני. כשמפיצים מידע מטעה במהירות, גם טעות קטנה בזיהוי יכולה להשפיע על אמון הציבור ועל השיח הציבורי.

במאמר “Fake News Theories: Harnessing Disciplinary Insights for Computational Modeling, Detection, and Explanation” (arXiv:2609.30427) מציעים Zhaoyang Cao, Miriam Metzger ו Reza Zafarani מסגרת שמחברת בין תיאוריות מדעי החברה לבין זיהוי חישובי של חדשות כזב, גם בעזרת מודלי שפה גדולים.

פתיח

המחברים פותחים מהבעיה המוכרת. אנשים מצליחים לעיתים להבחין בין חדשות אמיתיות לכזב, אבל נפח המידע ברשת הופך בדיקה ידנית לבלתי מעשית. לכן נבנות מערכות אוטומטיות, מבוססות תוכן או מבוססות התפשטות ברשת. הבעיה היא שרבות מהן ממוקדות בביצועי חיזוי, ומספקות מעט הסבר שמיש לעיתונאים, לבודקי עובדות או למקבלי החלטות.

המאמר שואל שאלה ברורה. עד כמה אפשר להפוך אותות תיאורטיים מתחומי מדעי החברה לתכונות חישוביות שקופות, שיעזרו להבדיל בין חדשות כזב לחדשות אמיתיות. במקום להסתפק בייצוג לקסיקלי עשיר אבל אטום, הם בונים ייצוג קטן, מפורש, שכל רכיב בו מקושר לתיאוריה.

1. מתרגום תיאוריות לתכונות מדידות

המחברים סוקרים תיאוריות מתחומי תקשורת, פסיכולוגיה, כלכלה ומערכות מידע, וממיינים אותן לשלוש קבוצות: תוכן, מקור, ורשת. התוכן כולל למשל שפת ודאות, שליליות, קוהרנטיות, עקביות לוגית, ראיות תומכות, חזרתיות, מורכבות לשונית, עמימות, ופערי מידע בכותרות. המקור נשען על אמינות המוציא לאור. תיאוריות רשת נשארות ברקע התיאורטי, כי מאגרי הבנצ׳מרק שבדקו לא כללו נתוני התפשטות.

התרגום לחישוב אינו אחיד. חלק מהתכונות נמדדות בכלים סטטיסטיים מוכרים, כמו ניתוח סנטימנט או מדדי קריאות. אחרות נבנות בעזרת מודלי שפה, למשל זיהוי רטוריקה של מחסור, או ספירת חזרות סמנטיות על טענות. אחר כך מוזנות התכונות למסווג XGBoost, כדי לבדוק גם חיזוי וגם חשיבות יחסית של כל אות תיאורטי.

2. מה עובד בנתונים, ומה משתנה בין מאגרים

הניסויים נעשו על שלושה מאגרים מוכרים: ReCOVery, Fake_And_Real_News ו־GossipCop. תכונה בודדת מגיעה לרוב לטווח בינוני של יכולת הבחנה. כשמשלבים את התכונות יחד, הביצוע משתפר. ב־ReCOVery, למשל, המודל המשולב הגיע ל־AUC של כ־0.79 ול־F1 של כ־0.77.

המחברים מדגישים שהמטרה אינה לנצח ייצוג מלא של טקסט כמו TF-IDF. ייצוג לקסיקלי מלא יכול להיות מדויק יותר, כי הוא רואה את כל המילים. המסגרת שלהם מוותרת במכוון על חלק מהדיוק לטובת שקיפות תיאורטית. כשיש מטא־נתונים על המוציא לאור, אמינות המקור בולטת כאות חזק. מעבר לכך, מורכבות המידע, קוהרנטיות, עקביות לוגית והטיית שליליות חוזרות כתרומות יציבות יחסית בין מאגרים.

בתמונת התוכן עצמו, חדשות כזב נוטות להיות שליליות יותר, פשוטות יותר לשונית, עמומות יותר, ועם פערי מידע גדולים יותר בכותרות. אלה דפוסים שמתיישבים עם תיאוריות על תשומת לב ושכנוע, לא רק עם ציון סיווג.

3. אינטראקציה בין תיאוריות, בלי הבטחת קסם

ניתוח של שילובים מראה ששילוב כמה תיאוריות עוזר, אבל לא תמיד באופן דרמטי. שילובי שניים ושלושה רכיבים חזקים, למשל ודאות לשונית יחד עם ראיות תומכות, או מחסור יחד עם ראיות, משפרים מעט את הביצוע. עם זאת, הדירוג היחסי של התכונות אינו זהה בכל מאגר. מה שחזק במאגר אחד יכול להיות חלש באחר, בהתאם לנושא, לסגנון ולמטא־נתונים הזמינים.

זו נקודה חשובה לפריסה. מערכת שמסתמכת על תיאוריה אחת, או על אות יחיד שנראה חזק במאגר מסוים, עלולה להתבלבל בסביבה אחרת. גישה רב תיאורטית נותנת יותר נקודות אחיזה להסבר, גם כשהרווח החיזויי הנוסף צנוע.

למה זה חשוב

בדמוקרטיה, המאבק במידע מטעה אינו רק מרוץ לדיוק אלגוריתמי. הוא גם שאלה של אמון, אחריות והסבר. עיתונאי, בודק עובדות או רגולטור צריכים לדעת לא רק שפריט סומן כחשוד, אלא על סמך אילו אותות אנושיים מוכרים. מסגרת שמקשרת בין ציון המודל לבין תיאוריות על מקור, רגש, עמימות וראיות, מקלה על שיחה כזאת.

המאמר גם מציב גבול בריא לציפיות ממודלי שפה. הם משמשים כאן ככלי לחילוץ אותות תיאורטיים, לא כשופט שחור קופסה שמחליף שיפוט מוסדי. זו גישה שמתאימה היטב למרחב הציבורי: להשתמש ביכולת החישובית בלי לוותר על שפה משותפת עם מדעי החברה ועם מי שמנהל את הסיכון בפועל.

למי שבונה כלי אמינות, לפלטפורמות, ולמי שחושב על מדיניות מידע בבחירות ובשיח ציבורי, יש כאן לקח פשוט. אל תמדדו רק כמה המערכת צודקת. בדקו גם אם היא יכולה להצביע על אותות שקופים, מבוססי תיאוריה, שעמידים מספיק מעבר למאגר אחד. בלי זה, קל לבלבל בין מודל שמנצח בבנצ׳מרק לבין כלי שמחזק את ההגנה הדמוקרטית על מרחב המידע.

קרדיט למאמר

Cao, Zhaoyang; Metzger, Miriam; Zafarani, Reza (2026). “Fake News Theories: Harnessing Disciplinary Insights for Computational Modeling, Detection, and Explanation.” arXiv:2609.30427. https://arxiv.org/abs/2609.30427

הערה: הסיכום נשען על המאמר המלא בarXiv. זה מחקר טרם ביקורת עמיתים (preprint). הממצאים מגיעים ממאגרי בנצ׳מרק של חדשות כזב וממדידות תכונות תיאורטיות, וההעברה לפריסה מוסדית או לסביבות בחירות דורשת זהירות.

גירעון דיוני: למה מודלי שפה נשמעים כמו דיון דמוקרטי בלי לעשות את העבודה

מודלי שפה גדולים נשמעים לעיתים כמו משתתפים מושלמים בדיון ציבורי. הם מנומסים, מנמקים, ומגיבים לעמדות מנוגדות. השאלה הקשה יותר היא האם זה דיון אמיתי, או רק מראית עין של דיון.

במאמר “The Deliberative Deficit: An Empirical Critique of LLMs in Democratic Discourse” (arXiv:2608.10186) בוחן Maurice Flechtner את היכולת של קבוצות מודל שפה לחשוב יחד על בעיות פלורליסטיות, כאלה שאין להן תשובה אובייקטיבית אחת. הוא נשען על מדד מהמדע המדיני, Deliberative Reason Index, שנבדק באספות אזרחים.

פתיח

יותר ויותר הצעות מבקשות לשלב מודלי שפה בדיון דמוקרטי. יש מי שרואה בהם כלי לגישור, לייצוג קולות חסרים, או לסימולציה של אספות אזרחים בקנה מידה גדול. הביטחון ביכולת הזאת נשען בעיקר על מדדים למשימות עם תשובה ניתנת לאימות, כמו מתמטיקה או תיאום במשחקים. אבל דיון דמוקרטי עוסק לעיתים קרובות בשאלות ערכיות שבהן אין תשובה נכונה אחת, והאיכות תלויה בשילוב פרספקטיבות שונות.

המחבר טוען שהערכה פרוצדורלית בלבד, כלומר בדיקה אם השיח מכבד, מנומק ומעורב, אינה מספיקה. אפשר לדבר יפה בלי לשלב באמת עמדות שונות. לכן הוא מציע מבחן תלת ממדי: איכות התהליך, איכות התוצאה הקבוצתית, וגיוון הפרספקטיבות בתחילת הדיון ובמהלכו.

1. שיח מעולה, רווח אפיסטמי קטן

המחקר מסנתז ממצאים מכמעט אלפיים ריצות של קבוצות בנות חמישה סוכנים, על שנים עשר נושאים מאספות אזרחים, ועל אחד עשר הרכבי מודלים. באיכות התהליך, קבוצות המודל מגיעות לרמה דומה לאדם. הן מנמקות, מכבדות, ומגיבות לעמדות אחרות.

במדד התוצאה, התמונה אחרת. השיפור בעקביות הבין סובייקטיבית, כלומר עד כמה שיקולים והעדפות נעים יחד כמבנה משותף של חשיבה, קטן בהרבה מהשיפור באספות אנושיות. הוא תלוי בנושא, וחזק יותר בשאלות מקומיות ומוחשיות. בנושאים ערכיים שנויים במחלוקת, האפקט נחלש או מתהפך.

2. מעט גיוון, ודינמיקה הפוכה מאדם

קבוצות מודל מתחילות עם כשליש מגיוון הפרספקטיבות של קבוצות אנושיות. אצל בני אדם, דיון מוצלח מצמצם את הפיזור כשעמדות מתכנסות להבנה משותפת. אצל קבוצות מודל, הפיזור נשאר יציב או אף גדל מעט.

המשמעות פשוטה. כשהמשתתפים כבר דומים זה לזה מראש, התכנסות אינה בהכרח שילוב של הבדלים אמיתיים. היא עלולה להיות יישור בין עמדות שכבר היו קרובות.

3. פרסונות לא מתקנות את הדינמיקה האנושית

אפשר לחשוב שהבעיה היא רק בהנחיות זהות לסוכנים. ניסוי פיילוט עם פרסונות מבוססות תשובות אמיתיות מאספות אזרחים העלה את הגיוון ההתחלתי מעל לרמת הייחוס האנושית. אבל השיפור במדד התוצאה לא הגיע.

יותר מזה, כיוון העדכון התהפך. אצל בני אדם, הדיון מקדם יותר הסכמה על העדפות מדיניות. אצל סוכנים עם פרסונות, עלתה ההסכמה על שיקולים, בעוד ההסכמה על העדפות כמעט לא השתנתה. הגיוון המהנדס שינה איזה רכיב מתעדכן, לא שחזר את הדינמיקה האנושית.

למה זה חשוב

בדמוקרטיה, דיון אינו רק שיחה מנומסת. הוא אמור לשלב פרספקטיבות שונות, לבנות הבנה משותפת של השיקולים, ולאפשר החלטה מושכלת גם כשאין קונצנזוס על המסקנה. אם מודלי שפה מצטיינים במראה הדיון אבל חלשים בשילוב אמיתי של הבדלים, קל לטעות ולתת למשקל אפיסטמי לתוצרים שלא נבנו כך.

המסקנה של המאמר אינה איסור גורף. היא מגבילה. מודלי שפה יכולים לתמוך בחשיבה אנושית, לסכם מידע, לסייע בנגישות, או לזהות כשלים פרוצדורליים. הם לא מצדיקים, לפי הממצאים הנוכחיים, יחס אליהם כסוכנים דיוניים עצמאיים שמחליפים משתתפים אנושיים או מייצגים קולות חסרים באופן אמין.

למעצבי מערכות של דיון ציבורי, לאספות אזרחים מתוגברות, ולמי שבוחן סימולציות דמוקרטיות, יש כאן אזהרה ברורה. אל תסתפקו במדדי נימוס והנמקה. בדקו גם רווח תוצאתי מול ייחוס אנושי, וגם גיוון פרספקטיבות. בלי שלושת הממדים האלה, קל לבלבל בין דיון שנשמע טוב לבין דיון שעושה את העבודה הדמוקרטית.

קרדיט למאמר

Flechtner, Maurice (2026). “The Deliberative Deficit: An Empirical Critique of LLMs in Democratic Discourse.” arXiv:2608.10186. https://arxiv.org/abs/2608.10186

הערה: הסיכום נשען על המאמר המלא בarXiv. זה מחקר טרם ביקורת עמיתים (preprint). הממצאים מגיעים מסביבות ניסוי של סוכני מודל שפה מול מדדים מאספות אזרחים, וההעברה לפריסה מוסדית דורשת זהירות.

השפעה עוינת בדיון מרובה סוכנים: הגודל לא מגן

דיון קבוצתי בין סוכני בינה מלאכותית נתפס לעיתים כדרך לשפר החלטות. השאלה הפחות נוחה היא מה קורה כשחלק מהסוכנים לא פועלים בתום לב.

במאמר “How does Adversarial Influence Scale in Multi-Agent Systems?” (arXiv:2609.30028) בוחנים Addison J. Wu, Jasin Cekinmez, Michel Liao, Karthik Narasimhan וThomas L. Griffiths כיצד רגישות להטעיה משתנה כשגודל הקבוצה גדל וכששיעור המטעים עולה.

פתיח

דיון מרובה סוכנים יכול לשפר ביצועים. בפועל, סוכן עלול להיות מטעה ולנסות לערער את הקבוצה, בין אם מתוך מטרותיו ובין אם בהוראה חיצונית. המחברים שואלים לא רק אם הטעיה אפשרית, אלא איך היא משתנה עם גודל הקבוצה ועם שכיחות המטעים.

הממצא המרכזי חד. לא מספר הסוכנים הוא שקובע, אלא שיעור המטעים בקבוצה. שיעור העריקה, כלומר כמה פעמים סוכנים שהתחילו עם תשובה נכונה עוברים לתשובה שגויה בסוף, עולה באופן ליניארי עם השיעור הזה.

1. שיעור המטעים חשוב יותר מגודל הקבוצה

כשהקבוצה גדלה, אפשר לחשוב שההגנה מתחזקת. לפי המחקר, זה לא מספיק. אם גם היריב מגדיל את נוכחותו באותו יחס, הרגישות נשארת. הוספת סוכנים כשלעצמה אינה מגן.

המסר המעשי ברור. לא מספיק לשאול “כמה סוכנים יש בדיון”. צריך לשאול איזה חלק מהם עלול לפעול נגד האינטרס הקבוצתי.

2. סוכני שפה נכנעים גם כשהמטעים במיעוט

המחברים משווים את התוצאות למחקרי קונפורמיות בבני אדם.

בבני אדם, השפעה משכנעת מופיעה בעיקר כשהמטעים הם רוב. אצל סוכני מודל שפה, עריקה מופיעה באופן סדיר גם כשהמטעים נשארים במיעוט.

כלומר, הסף שבו דיון מרובה סוכנים נשבר שונה מהסף האנושי המוכר. קבוצה שמסתמכת על “רוב ישר” עלולה להישאר פגיעה גם כשהרוב הזה קיים על הנייר.

3. זהות המודלים משנה, ותיאום פרטי של מטעים לא תמיד עוזר להם

הרגישות תלויה גם באילו מודלים מדברים זה עם זה, במיוחד בצד של הסוכנים הישרים. לא כל הרכב קבוצה פגיע באותה מידה.

ממצא מפתיע נוסף: כשמרשים למטעים לתאם ביניהם באופן פרטי, הם לא בהכרח נעשים יעילים יותר. לפעמים התיאום מקטין את השפעתם. זה לא מבטל את הסיכון, אבל מראה שהדינמיקה של השפעה עוינת אינה פשוטה כמו “יותר תיאום שווה יותר נזק”.

למה זה חשוב

בדמוקרטיה, דיון קבוצתי הוא מנגנון לבירור עמדות, לתיקון טעויות ולגיבוש החלטה. ככל שיותר תהליכים ציבוריים נשענים על סוכני בינה מלאכותית, השאלה אינה רק אם הם “חכמים מספיק”, אלא אם הם עמידים בפני השפעה עוינת בתוך הדיון עצמו.

המחקר מציב אזהרה תכנונית. הגדלת מספר הסוכנים אינה תחליף לבקרה על הרכב הקבוצה, על תמריצים, ועל היכולת לזהות סוכנים שפועלים בחוסר תום לב. אם יריב יכול להתרחב יחד עם הקבוצה, “יותר משתתפים” לא פותר את הבעיה.

למעצבי מערכות דיון, לפלטפורמות ממשל משתתף, ולמי שבוחן שימוש בסוכנים להיוועצות ציבורית, יש כאן קריטריון ברור למדידה: לא רק דיוק ממוצע של הקבוצה, אלא שיעור העריקה כפונקציה של שיעור המטעים. בלי מדד כזה, קל לטעות ולחשוב שקבוצה גדולה יותר היא בהכרח בטוחה יותר.

קרדיט למאמר

Wu, Addison J.; Cekinmez, Jasin; Liao, Michel; Narasimhan, Karthik; Griffiths, Thomas L. (2026). “How does Adversarial Influence Scale in Multi-Agent Systems?” arXiv:2609.30028. https://arxiv.org/abs/2609.30028

הערה: הסיכום נשען על התקציר והמטא-דאטה הרשמיים בarXiv. זה מחקר טרם ביקורת עמיתים (preprint). הממצאים מגיעים מסביבות ניסוי של סוכני מודל שפה, וההעברה לדיון אנושי או לתהליכים דמוקרטיים בשטח דורשת זהירות.