هل تؤثر البيانات الاصطناعية على دقة توقعات الأمراض؟ دراسة جديدة تكشف الحقيقة المدهشة!

في عالم الذكاء الاصطناعي، يُعتقد أن التعديل الدقيق (Fine-tuning) باستخدام بيانات تفسيرية اصطناعية يمكن أن يُحسِّن أداء نماذج اللغة (Language Models) في مهام التوقعات السريرية. إلا أن دراسة جديدة تلقي الضوء على عكس ذلك، حيث أظهرت نتائج تعاونية مثيرة مفادها أن هذه الطريقة قد تؤدي فعليا إلى تقليل دقة النماذج في توقعات الأمراض مثل مرض الزهايمر (Alzheimer's) والخرف المرتبط به (ADRD).

في تجربة شاملة شملت 504 إعدادات مختلفة، تبين أن اعتماد التعديل الدقيق القائم على البيانات الاصطناعية يؤثر سلباً على الأداء التوقّعي مقارنةً مع الأساليب التي تعتمد فقط على تسميات البيانات. ولم يكن لهذا الانخفاض أثر محدد على نوعية البيانات أو نماذج اللغة المستخدمة، بل استمر هذا الانخفاض في الأداء عبر مختلف العائلات النموذجية وأحجام البيانات.

التحليل أظهر أن السبب الجذري لهذا الفشل يتجلى في وجود صراع هيكلي بين مصداقية السرد المرغوب (Narrative Plausibility) والتحسين التمييزي (Discriminative Optimization). وقد أكد الخبراء الطبيون أن البيانات التفسيرية المستحدثة كانت دقيقة من الناحية الطبية وتمتد جذورها في الأدلة الخاصة بالمرضى.

نظرًا لهذه النتائج، أصبحت الحاجة ملحة لفهم أعمق حول متى وأين يمكن أن تسهم التوجيهات القائمة على التبرير بشكل فعّال في تطوير نماذج اللغة للأغراض السريرية ذات المخاطر العالية.