في عالم الذكاء الاصطناعي، حيث تتداخل التكنولوجيا بالعناية الصحية، يطرح نموذج CARE (Confident-Aware Reasoning) ابتكاراً يهدف إلى تعزيز الثقة في دقة تقنيات الذكاء الاصطناعي الطبية. يعاني العديد من نماذج اللغات الضخمة متعددة الوسائط (Multimodal Large Language Models) من مشكلة "عدم توافق الثقة"، حيث يكون هناك فجوة بين مستوى ثقة النموذج والدقة الفعلية للتشخيص، مما يؤثر سلباً على ثقة الأطباء في هذه الأنظمة.

طرحت الدراسة المؤخرة التي تم نشرها على موقع arXiv نموذج CARE كحل متقدم، حيث يجمع بين دقة الأداء وضمان الثقة من خلال آلية مبتكرة تعتمد على عملية ثنائية المراحل. المرحلة الأولى تتضمن طريقة (Medical-CoT) التي تنتج بيانات منظمة جديدة لدعم التدريب، بينما المرحلة الثانية تستخدم (Group Relative Policy Optimization) مع آلية (Confidence-Aware Reward) التي تربط بين ثقة النموذج ودقته التشخيصية.

كما أظهرت التجارب على ثلاثة نماذج تقييم للذكاء الاصطناعي في الطب أن نموذج CARE حقق أعلى مستوى من الدقة وأدنى معدل للأخطاء، مما يضعه في مقدمة الحلول التكنولوجية القادرة على دعم القرارات الطبية بشكل موثوق. ويعد هذا النموذج خطوة أساسية في بناء نظم ذكاء اصطناعي يمكن الاعتماد عليها في المجال الصحي.

للاستعلام أكثر حول نموذج CARE، يمكنك زيارة الرابط رابط النموذج على GitHub.