في عالم الذكاء الاصطناعي (AI)، تحتاج الطرق المستخدمة لتقييم قدرات الأنظمة الذكية إلى ربط الأداء بمعايير واضحة من الصعوبة التي يمكن أن يفهمها البشر. وفي هذا الصدد، ظهرت BRIDGE كإطار نفسي موحد يتعلم مقياس صعوبة خفي من استجابات النماذج ويعتبر ذلك مرجعية زمن إنجاز المهام البشرية.

حالياً، التعليق المباشر على زمن إنجاز المهام بواسطة البشر يعتبر عملية مكلفة وصعبة التوسع، مما قد يؤثر على دقة التقييم. لذا، تم تطوير BRIDGE لتسهيل هذا الأمر من خلال استخدام نموذج نظرية استجابة العنصر (Item Response Theory)، الذي يتيح لنا تقدير صعوبة المهام وقدرات النماذج في الوقت نفسه انطلاقًا من أداء النماذج عبر معايير متعددة.

ومن خلال التجارب، أظهرت النتائج أن صعوبة المهام الخفية تتباين بشكل خطي مع لوغاريتمي زمن إنجاز المهام البشرية، مما يعني أنه يمكن استنتاج زمن إنجاز المهام الجديدة فقط بناءً على أداء النموذج. هذا التوافق مع آليات الذكاء الاصطناعي يوفر رؤى مبتكرة حول قدرات النماذج والنمو المتزايد، حيث شهدنا نتائج مثيرة تشير إلى أن الأفق الخاص بالمهام القابلة للحل يتضاعف تقريباً كل ستة أشهر.

في ضوء هذه التطورات، يظهر BRIDGE كأداة مهمة لفهم كيف يمكن للذكاء الاصطناعي تحقيق إنجازات بشرية ، ويلقي الضوء على أهمية تطوير قدرات النماذج للوصول إلى إمكانيات غير مسبوقة.