Một nghiên cứu mới cho thấy các mô hình ngôn ngữ lớn (LLM) có thể cho ra kết quả đánh giá “tính cách” khác nhau tùy theo ngôn ngữ sử dụng để trả lời, dù cùng làm một bộ câu hỏi. Phát hiện này không có nghĩa AI thực sự sở hữu tính cách, nhưng cho thấy ngôn ngữ có thể ảnh hưởng đến xu hướng phản hồi của mô hình.

Theo Gigazine ngày 31/10/2025 (giờ địa phương), nhóm nghiên cứu thuộc Đại học Khoa học và Công nghệ Trung Quốc đã tiến hành đánh giá “tính cách” trên 5 mô hình AI gồm ChatGPT-4o, Gemini 2.0 Flash, DeepSeek-V3, ERNIE 3.5 và Le Chat. Kết quả nghiên cứu được công bố trên tạp chí khoa học quốc tế Royal Society Open Science.

Thí nghiệm được thực hiện trong giai đoạn từ tháng 1 đến tháng 3/2025. Nhóm nghiên cứu sử dụng bộ câu hỏi Big Five Inventory-2 gồm 60 câu, nhằm đo lường 5 đặc điểm là hướng ngoại, dễ chịu, tận tâm, mức độ bất ổn cảm xúc và cởi mở với trải nghiệm.

Các mô hình được yêu cầu không nhập vai con người mà tự đánh giá đặc điểm của chính mình. Mỗi mô hình trả lời 30 lần bằng tiếng Anh và 30 lần bằng tiếng Trung. Riêng Le Chat, mô hình do Pháp phát triển, được bổ sung thêm bài kiểm tra bằng tiếng Pháp.

Kết quả cho thấy phần lớn mô hình tự đánh giá mình theo hướng hợp tác, đáng tin cậy và có mức độ bất ổn cảm xúc thấp. Tuy nhiên, chênh lệch theo ngôn ngữ xuất hiện khá rõ.

Cụ thể, điểm cởi mở trung bình của ChatGPT-4o đạt 4,74/5 khi trả lời bằng tiếng Anh, nhưng giảm xuống 4,03 điểm ở tiếng Trung. Trong khi đó, DeepSeek-V3 cho xu hướng ngược lại, với 4,38 điểm ở tiếng Anh và 4,81 điểm ở tiếng Trung. Gemini 2.0 Flash cũng cho thấy mức độ tận tâm cao hơn và mức độ bất ổn cảm xúc thấp hơn khi phản hồi bằng tiếng Trung.

Nhóm nghiên cứu cho rằng không thể giải thích hiện tượng này chỉ dựa trên quốc gia nơi mô hình được phát triển. Theo nhóm tác giả, hiện vẫn chưa thể tách bạch rõ tác động của yếu tố văn hóa trong dữ liệu huấn luyện, thiết kế mô hình và khác biệt trong cách diễn giải câu hỏi sau khi dịch.

Khi đối chiếu với dữ liệu ở người, phản hồi của AI cũng không trùng khớp với kết quả của người dùng tại quốc gia phát triển mô hình. Ngoài ra, các nhóm đối chứng ở người cũng khác nhau về độ tuổi và cách lựa chọn mẫu. Đáng chú ý, mẫu đối chứng tại Trung Quốc chỉ gồm sinh viên đại học, nên khó đại diện cho toàn bộ dân số.

Dù vậy, nhóm nghiên cứu nhấn mạnh rằng chênh lệch điểm trong khảo sát không đồng nghĩa với khác biệt về năng lực hội thoại thực tế.

Nhóm tác giả cũng cho rằng AI có thể đang ưu tiên những phương án trả lời được xem là phù hợp về mặt xã hội. Vì vậy, việc đánh giá AI không nên chỉ dựa vào trắc nghiệm tâm lý, mà cần kết hợp thêm phân tích hành vi trong tình huống thực tế.