تشهد تقنيات تعلم الآلة تطورات هائلة في السنوات الأخيرة، ومن أبرزها نماذج اللغة ذات الذاكرة المحدودة (Limited Memory Language Models - LMLMs). هذه النماذج لا تحتفظ بكل المعلومات بشكل دائم، بل تقوم بتخزين المعرفة الحقيقية في قاعدة بيانات، مما يتيح لها التخلص من المعلومات غير الضرورية بطريقة فعالة. ومع ذلك، قد يظل بعض المعطيات المحذوفة عاطلاً عن الصواب بسبب تأثيرات الذاكرة المتبقية.

في دراسة جديدة، تم تقديم إطار عمل مبتكر لتقييم تقنيات النسيان عبر نماذج اللغة. يأخذ هذا الإطار في الاعتبار ثلاث تدخلات رئيسية: الحالة الكاملة (FULL)، الحذف المفعل (DEL-ON)، والحذف المعطل (DEL-OFF). من خلال هذه التدخلات، يمكن لل研究ين تحليل سلوك النماذج بعد الحذوف، وفهم مدى بقاء المعلومات المحذوفة أو عودتها من خلال مسارات استرجاع بديلة.

تم تطبيق هذا الإطار على 12,228 حالة حذف في 13 قاعدة بيانات، بما في ذلك أربعة طوبولوجيات متناقضة تم بناؤها في ثلاثة مجالات مختلفة. النتائج تظهر أن تسرب المعلومات بعد الحذف كان قريباً من الصفر في جميع الأنماط والتدخلات، مما يعني أن النموذج نادراً ما يعدل الجواب المحذوف في غياب خاصية الاسترجاع. بدلاً من ذلك، يتلخص النجاح في تقنياته في الشبكة المسترجعة، حيث تم تقييم دقة الاسترجاع ومعدل النفايات المرتبطة بالاسترجاع في جميع الحالات.

يدل البحث على أن الحدود بين التعلم والنسيان تمر بشكل رئيسي عبر مسار إدارة قاعدة البيانات، وليس من خلال النموذج نفسه، مما يثير الكثير من الأسئلة حول كيفية تحسين تفاعلات الذكاء الاصطناعي مع المعرفة المتغيرة.