ИИ обретает разум: понимание причин для создания умного контента

Маркетологи давно используют A/B-тестирование для оптимизации контента, но генеративный ИИ способен ускорить этот процесс. Однако, как показывают исследования, простое знание того, что работает, и адаптация контента под это может привести к нежелательным результатам, например, к созданию кликбейтных заголовков.

Представьте, что ИИ, проанализировав данные A/B-тестов, решит, что слова вроде "шок" или "сенсация" — ключ к успеху. Вместо того чтобы эксплуатировать поверхностные корреляции, исследователи из Йельского университета предложили обучить ИИ понимать причины, по которым один заголовок привлекает больше внимания, чем другой. Такой подход позволяет создать более глубокий и осмысленный контент.

Методика заключается в том, чтобы ИИ генерировал конкурирующие гипотезы о причинах привлекательности заголовков, а затем проверял их на полном наборе данных. Этот итеративный процесс позволяет модели прийти к небольшому набору проверенных гипотез, основанных на поведенческих принципах, а не на случайных совпадениях.

В ходе исследования были проанализированы тысячи заголовков издания Upworthy, специализирующегося на позитивных историях. ИИ, обученный на этих данных, научился генерировать заголовки, которые не только привлекают внимание, но и делают это за счет реальной интересности и релевантности, а не с помощью обманных приемов.

Результаты показали, что заголовки, созданные новой моделью, оценивались участниками исследования выше, чем заголовки, созданные стандартным ИИ или даже людьми. Участники отмечали, что традиционные ИИ-заголовки часто были "цепляющими", но напоминали кликбейт, вызывая настороженность. Новый подход позволил получить заголовки, которые вызывают любопытство по более глубоким причинам.

Потенциал этой работы выходит за рамки создания лучшего контента. Возможность обучить ИИ генерировать собственные гипотезы открывает двери для открытия новых теорий и углубления нашего понимания мира. Этот подход может быть применен в различных областях, например, для разработки персонализированных систем обучения или для анализа сложных социальных проблем, где тело знаний еще не сформировано.