في عالم الذكاء الاصطناعي، يكمن التحدي عندما يُطرح سؤال ويكون له إجابات صحيحة تحت أطر معيارية مختلفة. في هذه الحالة، يجب على نموذج اللغة (Language Model) أن يحدد الأطر الصحيحة التي يمكنه العمل ضمنها. تُعرف هذه الظاهرة بالتعددية المعيارية (Normative Pluralism)، وقد أُجريت دراسة مميزة حولها في سياق التمويل الإسلامي باستخدام تصنيف من أربع خيارات يفصل بين اختيار الأطر وصحة الإجابات ضمن تلك الأطر.

تكشف هذه الدراسة عن "فخ الصور النمطية"، حيث توجه إشارة ثقافية النموذج نحو إطار معين، إلا أن النموذج قد يختار إجابة غير صحيحة داخل ذلك الإطار. عبر اثني عشر نموذجًا ولغتين وخمسين إشارة ديموغرافية، أظهرت النماذج كيف تؤثر الإشارات الثقافية في اختيار الإطار وتظهر اختلافات ملحوظة في الدقة، خاصة بين النماذج غير الرائدة (Non-Frontier Models).

في ظل أقوى إشارة، اختارت النماذج المفتوحة الوزن الإطار الإسلامي 97% من الوقت. قد تبدو تقديرات ثنائية الخيارات مثالية تقريبًا، ولكن 57-66% من تلك الاختيارات كانت غير صحيحة. هذه النتائج تدفع للاهتمام، لكنها لا تختبر مباشرةً فرضية توجيه الكفاءة (Competence-Conditioned Routing Hypothesis): حيث قد تفضل النماذج الأطر التي تكون فيها أكثر دقة، في حين قد تكشف الإشارات الثقافية عن فجوات معرفية خاصة بالأطر.

تتطلب هذه النتائج تفكيرًا عميقًا حول كيفية تحسين نماذج الذكاء الاصطناعي للتعامل مع الاختلافات الثقافية وتحسين دقتها، مما يشكل تحديًا للباحثين والمطورين في هذا المجال. ما هي الخطوات برأيك التي يجب اتخاذها لتقليل هذه الفجوة؟ شاركونا آراءكم في التعليقات.