في عصر الذكاء الاصطناعي، بدأنا نشهد الاستخدام المتزايد للنماذج اللغوية الكبيرة (Large Language Models - LLMs) في محاكاة شخصيات إنسانية متعددة. ومع ذلك، يبرز تحدٍ رئيسي يتمثل في ضرورة ضمان وفاء الشخصية، وهو مفهوم يشير إلى مدى تطابق سلوك النماذج مع الخصائص النفسية والأسلوبية للشخصية المستهدفة.

تواجه المعايير التقليدية لتقييم وفاء الشخصية مشكلات كبيرة، حيث تعتمد غالبًا على تقييمات شاملة للنماذج اللغوية التي قد تعاني من ظاهرة تُعرف بـ "هلوسة التقييم الشامل". كما تعتمد بعض المناهج على قوائم قياسية نفسية ثابتة، والتي لا تعكس بصورة كافية الوفاء الديناميكي المطلوب في الحوارات التفاعلية.

لذا، تأتي الدراسة لتقديم إطار عمل مبتكر يُعرف بـ PRISM (الاستدلال الشخصي مع نموذج SFL العكسي)، الذي يعيد صياغة تقييم وفاء الشخصية كوظيفة استدلال عكسية منظمة. مستلهمًا من علم اللغة الوظيفي النظامي (Systemic Functional Linguistics - SFL)، يقسم PRISM وفاء الشخصية إلى ثلاثة أبعاد وظيفية: صياغة المهمة (Task Framing)، الموقف بين الأفراد (Interpersonal Stance)، والأسلوب اللغوي (Linguistic Style).

يعمل PRISM على تقدير أدلة محددة لكل بُعد ضمن مساحة علامات مشروطة بالشخصية، ثم يقوم بتجميع هذه الإشارات في عملية تقييم قابلة للتفسير والتدقيق. وأظهرت التجارب أن PRISM يوفر تقديرات أكثر دقة وثباتًا مقارنةً بالطرق التقليدية، مما يوفر إطارًا أكثر موثوقية لتقييم وفاء الشخصية.

هل تعتقد أن هذا النوع من الإطارات يمكن أن يُحدث تغييرات كبيرة في كيفية تفاعلنا مع الشخصيات المحاكاة في الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.