مقارنة مثيرة بين البشر ونماذج اللغة العملاقة: كيف تؤثر الأنظمة على فعالية فرز المعلومات؟

في عالم تسعى فيه المؤسسات إلى تحسين دقة ومعايير تجميع المعلومات، تظهر نماذج اللغة العملاقة (LLMs) كأداة قوية في عمليات الفرز. أجريت دراسة جديدة تقارن بين الأساليب المستخدمة من قبل البشر ونماذج LLMs في فرز المعلومات ضمن مراجعة شاملة مفاهيمية.

بدأت الدراسة بفحص عناوين السجلات في مرحلة مبكرة، حيث تم فحص أكثر من 1,131 سجل من قبل مشرف واحد وأربعة مساعدين مدربين، بالإضافة إلى سبع جولات كاملة من LLMs تحت نماذج ومعالجات مختلفة. تم قياس عدة عوامل، منها الحمل التشغيلي، وذاكرة الاسترجاع، والتوافق بين الجولات.

أظهرت النتائج أن لا طريقة فرز، سواء البشرية أو آلية، كانت قادرة على استرداد جميع السجلات المؤهلة المعتمدة، مما يبرز أهمية الدمج بين البشر ونماذج LLMs في هذه العملية. بينما استرجع البشر ونماذج GPT-5.4 حوالي 42.2 - 45.0% من السجلات مع تحقيق نسبة استرجاع تصل إلى 82.3 - 82.9%، حققت نماذج Gemini 3.1 أفضل نسبة استرجاع بنسبة 83.9% لكن مع احتفاظها بـ 56.7% من السجلات.

تشير النتائج إلى أن أداء نماذج LLMs لا يعتمد فقط على هوية النموذج نفسه، بل أيضًا على الطريقة المتبعة. وعليه، فإن دمج القرار بين البشر والنماذج الآلية يمكن أن يحدث فرقًا كبيرًا في الفعالية.