في عالم الذكاء الاصطناعي، يعتبر فهم كيفية تعديل القرارات غير المواتية أمرًا حيويًا للأفراد المتأثرين. إن الهدف من "التعديلات المنطقية" أو (Counterfactual Recourse) هو تقديم تغييرات فعلية يمكن أن تؤدي إلى تغيير قرار سلبي صادر عن نماذج التنبؤ. وقد أظهرت الأبحاث أن الأفراد غالبًا ما يستفيدون من بدائل متعددة بدلاً من تفسير واحد مثالي.

تُعتبر نماذج اللغات الضخمة (Large Language Models) أداة فعالة لتوليد هذه البدائل، لكن هناك قيود عملية تتعلق بتكلفة استدعاء هذه النماذج، مما يضيف بعدًا جديدًا للمشكلة. يحتاج الباحثون إلى التوفيق بين توفير مجموعة من البدائل الفعّالة والقيود الاقتصادية المتعلقة بعدد الاستدعاءات.

في إطار هذا البحث، قدم العلماء نموذج Comp-MCTS، وهو إطار عمل يعتمد على البحث الشجري الذاتي (Tree-search) يهدف إلى زيادة الإنتاجية من خلال تحقيق توازن بين الكمية والجودة في استجابات الذكاء الاصطناعي. نهج Comp-MCTS يوزع الميزانية المحددة نحو اتجاهات تدخل جديدة عبر توليد اقتراحات بواسطة نماذج اللغات الضخمة، والتحقق منها بواسطة صمامات إرشادية، مما يضمن عدم الحاجة إلى تدريب مسبق.

أظهرت التجارب على أربعة بيانات حقيقية أن Comp-MCTS يتفوق بشكل كبير على أساليب الاحتمالات التقليدية من حيث إنتاج استجابات فريدة ومؤكدة. وليس ذلك فحسب، بل إنه يقدم أيضًا توازنًا مبهراً بين الكمية والجودة والكفاءة بالمقارنة مع نماذج متعددة المرشحين، حيث تحقق النتائج مستوى متقارب من الجودة مع تكلفة تقييم أقل.

هذا البحث يمثل خطوة هامة نحو تحسين كيفية تفاعل أنظمة الذكاء الاصطناعي مع الحالات التي تتطلب تعديلات منطقية، مما يفتح آفاقًا جديدة لمستقبل التكنولوجيا.