في عالم البيانات الضخمة، يعتبر جمع المعلومات الدقيقة من المجموعات أمرًا حيويًا، ويتطلب ذلك تخصيص جهد معين في طرح الأسئلة، خاصة عندما نواجه تكاليف حقيقية وبيانات مفقودة. ورغم أن نماذج اللغات الضخمة (LLMs) توفر تفاعلات مرنة ومتعددة الجولات، إلا أن معظم الطرق الحالية لجمع المعلومات لا تتكيف مع اختيار المشاركين أو هيكلية السكان عند عدم اكتمال الاستجابات.

وفي محاولة لسد هذه الفجوة، تتناول الدراسة الجديدة مفهوم جمع المعلومات التكيفي، حيث يعمل وكيل (Agent) على اختيار الأسئلة والمشاركين بشكل ديناميكي ضمن ميزانيات محددة للاستفسارات والمشاركة. يتمثل الإطار المقترح في دمج هدف تحقيق أعلى فائدة معلوماتية مع استخدام شبكة عصبية رسومية لتجميع الاستجابات الملاحظة وخصائص المشاركين، مما يمكن من تحسين التقديرات الناقصة.

تُظهر نتائج الدراسة، التي تمت عبر ثلاثة مجموعات بيانات حقيقية، أن هذه المنهجية تعزز بشكل ملحوظ دقة التوقعات على مستوى السكان حتى في ظل الميزانيات المحدودة، مما يؤدي إلى تحسن نسبته تزيد عن 12% في توقعات CES ضمن ميزانية مشاركة تبلغ 10%. هذا التطور يشير إلى إمكانيات هائلة لاستخدام الذكاء الاصطناعي في تحليل بيانات المجموعات وتحسين دقة الاستجابات في مختلف المجالات.