في عالم يتزايد فيه الاعتماد على نماذج الذكاء الاصطناعي (Artificial Intelligence)، يصبح توافق هذه النماذج مع تفضيلات الخصوصية للأفراد مسألة حيوية. وقد أظهرت الأبحاث الحالية ضرورة فهم حدود الإفصاح الشخصي بشكل أعمق مما هو متعارف عليه، مما يعكس التحديات التي تواجهها هذه النماذج في الاستجابة لمتطلبات المستخدمين الخاصة.

في هذا السياق، تمثل مجموعة بيانات CIDER (Contextual Disclosure Boundaries for Privacy Preference Alignment) ابتكارًا جديدًا في هذا المجال. تشمل CIDER 14,850 تسجيلًا قُيم من قبل 169 مستخدمًا، مما يشكل 1,650 مجموعة من حدود الإفصاح السياقي عبر 60 سيناريو مختلف تتعلق بتبادل المعلومات التي يمكن اعتبارها انتهاكًا للخصوصية.

تمثل كل حدود الإفصاح قرارات فعلية لمستخدمين حول كيفية مشاركة المعلومات في ظروف معينة، مما يوفر عناصر ثرية لتدريب نماذج الذكاء الاصطناعي.

توصل الباحثون إلى أن تخصيص المعلومات التاريخية للمستخدمين يُحسن دقة التوقعات بنسبة تصل إلى 11.41% باستخدام فقط 6 أمثلة تاريخية. وقد أظهرت النماذج الكبيرة مثل GPT-5.4 وClaude Sonnet 4.6 قدرة أكبر على الاستفادة من السياق الدلالي لفهم تفضيلات المستخدم في مسألة الإفصاح، بينما النماذج الأصغر تعتمد على القواعد الهيكلية.

من المثير للاهتمام أن عملية التخصيص تحسن من دقة التوقعات ولكنها تأتي مع تحديات تتعلق بالتوازن بين معدلات الإيجابيات الكاذبة والسلبية. ومن بين هذه النماذج، حقق Claude Sonnet 4.6 متوازنًا في تحسينات كلا الجانبين.

تعتبر مجموعة بيانات CIDER مصدرًا واعدًا لتطوير نماذج أكثر دقة في تلبية احتياجات الخصوصية الفردية، مما يمهد الطريق نحو توافق أفضل بين الذكاء الاصطناعي وتفضيلات المستخدمين.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!