في عالم الذكاء الاصطناعي، تعتبر نماذج اللغات الضخمة (Large Language Models) من الأدوات الرائدة التي تدفع حدود التقنية إلى مستويات غير مسبوقة. ومع اقترابنا من موضوع التفكير الموجه بالمخطط (Schema-Guided Reasoning)، نجد أن هذه النماذج تتيح للمستخدمين إمكانية توليد هياكل وسيطة واضحة مثل قوائم المراجعة والاستفسارات التحققية قبل اتخاذ القَرارات النهائية.

ومع تزايد اعتماد هذه الطريقة، يتوقع المستخدمون القدرة على فحص وتعديل وتوجيه هذه الهياكل لتحقيق نتائج أفضل. ولكن، هل تؤمن هذه الوعود؟ في دراسة جديدة، تم تقديم بروتوكول تقييم سببي يقيس وفاء هذه النماذج. من خلال اختيار مهام حيث يتم ربط الهياكل الوسيطة بالقرارات بواسطة دالة حتمية، كل تعديل مُسيطر عليه يؤدي إلى ناتج صحيح فريد.

ومع ذلك، أظهرت النتائج عبر 12 نموذجًا و4 مؤشرات أداء، أن النماذج تبدو متسقة مع هياكلها الوسيطة، لكنها تفشل في تحديث التنبؤات بعد التدخل. هذا يكشف عن أن الوفاء الظاهر يصبح هشًا بمجرد تغيير الهيكل الوسيط. وعندما يتم توكيل اشتقاق القرار النهائي لأداة خارجية، تتلاشى هذه الهشاشة إلى حد كبير. يُظهر التحفيز الأقوى تحسينات محدودة، بينما تعمل تحسينات التفضيل بشكل ملحوظ على تحسين وفاء التدخل.

بالمجمل، تعمل الهياكل الوسيطة في عمليات التفكير الموجه بالمخطط كخلفية مؤثرة، وليست كوسيط سببي ثابت. هذه النتائج تفتح أبوابًا جديدة للتفكير في كيفية تصميم تدخلات فعالة في عمليات الذكاء الاصطناعي وكيف يمكن أن يُحسن الفهم العميق للعمليات السفلى من نتائجنا في المستقبل.

ما رأيكم في هذا التطور المتعلق بنماذج الذكاء الاصطناعي؟ شاركونا في التعليقات!