في عالم الذكاء الاصطناعي، تكمن القوة في القدرة على التفكير واتخاذ القرارات مدعومة بالمعلومات. ولكن ماذا لو تعذر توفر تلك المعلومات؟ تعمل نماذج التفكير الضخمة، رغم تقدمها، أحيانًا على إصدار إجابات غير مدعومة عندما تواجه أسئلة غير محددة بالطريقة الصحيحة. هذه المشكلة تُعرف بفجوة الكشف إلى الامتناع (detection-to-abstention gap).

حتى عند التعرف على نقص المعلومات، قد تستمر نماذج الذكاء الاصطناعي في تقديم إجابات غير مبنية على أساس صحيح، مما يزيد من المخاطر في مجالات مثل الذكاء الاصطناعي الطبي، حيث يمكن أن تكون الإجابات المستندة إلى أدلة غير مكتملة ضارة.

لحل هذه القضية، قدم الباحثون إطار عمل جديد يُعرف بإسم Judge-Then-Solve (JTS)، والذي يُركز على تعزيز التحكم في القرارات عبر مسار التفكير. يقوم JTS بتدريب النماذج على اتخاذ قرار واضح بشأن قدرتها على الإجابة قبل الشروع في تقديم الحلول. بدلاً من رؤية الامتناع كإجابة نهائية، يعامل JTS ذلك كقرار تحكيمي: إما أن تكمل النموذج الحل أو تتوقف مبكرًا بناءً على تقييمها لمدى قدرتها على الإجابة.

تشير النتائج إلى أن التدريب على عدم وجود مقررات قد يُغير سلوك التفكير في المشاكل الصعبة القابلة للإجابة، مما يقلل من الانعكاس الذاتي غير المنتج. هذه النتائج تسلط الضوء على أهمية الامتناع في ظل نقص المعلومات كوسيلة رئيسية للتحكم في نماذج التفكير، مما يعزز الأمان والكفاءة في نشر هذه النماذج في البيئات الحقيقية.

مع ازدياد الاستخدامات المحتملة لنماذج التفكير في مجالات متنوعة، يُظهر هذا البحث كيف يمكن تحسين الأداء والحد من المخاطر من خلال اتخاذ قرارات مبنية على تقييم القدرة.