في عالم الذكاء الاصطناعي، أصبحت أنظمة التوصية القابلة للتفسير (Explainable Recommendation Systems) جزءاً لا يتجزأ من تجارب المستخدمين. ومع ذلك، قد تواجه هذه الأنظمة تحديات كبيرة في تقديم تفسيرات مقنعة تتماشى مع تفضيلات المستخدمين الحقيقية. هذه المشكلة تتعلق بظهور تفسيرات تفضيل غير متسقة، حيث تكون التفسيرات صحيحة من الناحية الواقعية لكنها تستند إلى سمات تتعارض مع تاريخ تفضيلات المستخدم.

**ما هو PURE؟**
من خلال دراسة حديثة، تم تقديم إطار عمل جديد يُدعى PURE، الذي يهدف إلى معالجة هذه المشكلة من خلال التوجيه الدقيق في اختيار الأدلة وتفسير القرارات. يعتمد PURE على منهجية "اختيار-ثم-توليد" (select-then-generate)، حيث يختار مجموعة مضغوطة من مسارات التفكير متعددة الخطوات المتعلقة بالعنصر، والتي تتماشى مع بنية تفضيل المستخدم، مما يحسن جودة التفسيرات.

**كيف يعمل PURE؟**
يعمل PURE على تحسين كل من اختيار الأدلة وتوليد النصوص. يعتمد الإطار على نية المستخدم وتنوع تفضيلاته، مما يساعد على تقليل الأدلة العامة وغير الشخصية. يتم حقن الأدلة المختارة في عملية توليد التفسير باستخدام أسلوب مراعٍ للبنية، وهذا يضمن الحفاظ على الروابط بين الأدلة المدخلة وتحقيق تفسيرات موضوعية.

**تقييم فعالية PURE**
لتقييم تناسق التفضيل، تم تقديم مقياس تقييم يركز على المستخدم، يكشف النقاط التي يتم تجاهلها عادةً في مقاييس التصحيح الواقعي. أظهرت التجارب على ثلاث مجموعات بيانات حقيقية أن PURE يقلل بشكل مستمر من تفسيرات التفضيل غير المتسقة والهلاوس الواقعية، في الوقت نفسه يحافظ على دقة التوصيات وجودة التفسيرات وكفاءة الاستدلال.

**الخلاصة**
تشير هذه النتائج إلى أن التفسيرات الموثوقة تتطلب الدقة الواقعية، بالإضافة إلى مبررات تتماشى مع تفضيلات المستخدمين. من خلال تحسين تجربة التوصية، يمكن لإطار PURE أن يعزز الثقة في أنظمة الذكاء الاصطناعي، ويجمع بين دقة البيانات الأصيلة وتوافقها مع احتياجات المستخدمين.