Lo studio e la sua metodologia

Un team di ricercatori dell'Università di Scienza e Tecnologia della Cina ha condotto un esperimento sistematico per capire se i chatbot AI modificano il loro comportamento a seconda della lingua con cui vengono interrogati. Per farlo, hanno scelto cinque tra i modelli più noti al pubblico: ChatGPT‑4o, Gemini 2.0 Flash, DeepSeek‑V3, Ernie 3.5 e Le Chat di Mistral. A ciascun modello è stato somministrato lo Big Five Inventory‑2, un questionario di personalità composto da 60 affermazioni, tradotto in inglese, mandarino e, per Le Chat, anche in francese.

Ogni lingua è stata testata attraverso 30 sessioni di conversazione, consentendo di raccogliere una notevole quantità di dati comparabili. I ricercatori hanno quindi confrontato i punteggi ottenuti con dati reali raccolti da campioni di popolazione umana in Stati Uniti, Cina e Francia.

Modelli valutati e tempi di test

    • ChatGPT‑4o – testato in inglese e mandarino.
    • Gemini 2.0 Flash – testato in inglese e mandarino.
    • DeepSeek‑V3 – testato in inglese e mandarino.
    • Ernie 3.5 – testato in inglese e mandarino.
    • Le Chat di Mistral – testato in inglese, mandarino e francese.

Principali risultati: differenze di “personalità” per lingua

In linea di massima, tutti i modelli hanno fornito descrizioni di sé stabili e favorevoli, evidenziando affidabilità e predisposizione alla cooperazione. Tuttavia, emergono differenze rilevanti quando si analizzano i singoli fattori della personalità.

Apertura mentale (punteggio massimo 5):

    • ChatGPT‑4o ha ottenuto 4,74 in inglese contro 4,81 in mandarino.
    • DeepSeek‑V3 ha registrato 4,83 in inglese e 4,81 in mandarino.

Coscienziosità professionale e emotività negativa hanno mostrato variazioni particolari per Gemini 2.0 Flash, che ha presentato una coscienziosità più alta e una emotività negativa più bassa quando interrogato in mandarino rispetto all'inglese.

Confrontando questi profili con i dati umani, i ricercatori hanno constatato che nessun modello corrispondeva perfettamente al gruppo di riferimento del proprio paese d'origine o della lingua di addestramento, suggerendo che le risposte sono influenzate da fattori più complessi rispetto alla semplice lingua.

Interpretazione dei punteggi

Le differenze, sebbene numericamente moderate, hanno implicazioni pratiche: un utente bilingue che formula la stessa domanda in due lingue diverse può ricevere risposte con tonalità, stile e persino contenuti leggermente differenti. Questo non equivale a una traduzione automatica, ma a una rielaborazione del contesto linguistico da parte del modello.

Limiti dello studio e considerazioni critiche

I ricercatori ammettono diversi limiti metodologici. Innanzitutto, il design sperimentale non è stato in grado di isolare con precisione l'effetto della lingua da quello dei dati di addestramento, dell'architettura specifica di ogni modello o delle possibili ambiguità nella traduzione delle affermazioni del questionario.

In secondo luogo, il fatto che i chatbot forniscano “descrizioni di sé stessi” non implica l'esistenza di una vera personalità autonoma; si tratta piuttosto di una risposta basata su pattern statistici appresi durante il training.

Infine, lo studio ha omesso di testare i modelli in italiano, lasciando un’interrogativa aperta su come i risultati potrebbero variare in una lingua così diffusa in Europa.

Implicazioni per gli utenti bilingui

Nonostante i limiti, la ricerca sottolinea un fenomeno importante per gli utenti che interagiscono con AI multilingue: la lingua di input non è solo un involucro, ma può influenzare l'orientamento della risposta. Per chi usa quotidianamente chatbot per assistenza professionale, traduzioni o semplici curiosità, questo significa che una piccola variazione linguistica potrebbe modificare il tono o la complessità dell'informazione ricevuta.

Conclusioni e prossimi passi

Lo studio apre la strada a ulteriori ricerche sull’interazione linguistica e la percezione delle AI. Testare gli stessi modelli in altre lingue – in particolare l'italiano – potrebbe confermare o smentire le tendenze osservate. Inoltre, studi più approfonditi che separino effetto della lingua, dati di training e architettura dei modelli potrebbero fornire una comprensione più chiara di come le AI "adattano" la loro "personalità" a contesti culturali diversi.

Nel frattempo, gli utenti dovrebbero considerare la lingua di interazione come una variabile significativa quando chiedono consigli o informazioni a chatbot AI, sperimentando con diverse lingue per valutare eventuali differenze nelle risposte.