أكدت دراسة حديثة نُشرت في arXiv على أهمية فهم العلاقة بين الهيكلية (Topology) المتبعة في الأنظمة متعددة وكلاء النماذج اللغوية الكبيرة (Multi-Agent LLMs) وتصنيف التنويع (Diversity) بشكل مستقل. هذه الأنظمة تستخدم استراتيجيات مختلفة تجمع بين تجميع البيانات ومراحل التحسين المتتالية، مما يؤثر بشكل كبير على كفاءة الكشف عن المشاعر في لغات منخفضة الموارد.

من خلال تجارب تم اعتمادها على نظام Qwen2.5-14B-Instruct وLlama-3.1-8B-Instruct، تم تقييم ستة تكوينات مختلفة على مدى فعاليتها في الكشف عن المشاعر عبر تسعة لغات. ووجد أن الهيكلية المثلى تعتمد على مصدر التنويع، حيث كانت تحسينات التخصص المتزامن على نموذج Qwen تسجل أعلى النقاط بواقع 52.83 Macro-F1.

كما أظهرت النتائج أن الاختلافات في أداء النماذج تعتمد بشكل كبير على الطريقة التي يتم بها تمييز الوكلاء أكثر من الهيكلية المبنية، ما يبرز الحاجة إلى تقييم العوامل بشكل جماعي مع التخصص.

هذه الاكتشافات تحمل في طياتها وعدًا مثيرًا لمستقبل تطبيقات الذكاء الاصطناعي، حيث تفتح أفقًا جديدة لتطوير نماذج تستطيع فهم الأحاسيس والمشاعر المتعددة عبر الثقافات واللغات المختلفة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.