في عالم الذكاء الاصطناعي، أصبح تقييم عدم اليقين المعرفي (Epistemic Uncertainty) موضوعًا حيويًا يتجاوز الأساليب التقليدية مثل الكشف عن البيانات الخارجية (Out-of-Distribution Detection) والتعلم النشط (Active Learning). تشير الدراسات الحالية إلى أن الاستراتيجيات المثلى لاتخاذ القرار لا تتوافق دائمًا مع المقاييس المستخدمة بشكل شائع لتقدير عدم اليقين المعرفي.

تستند هذه الدراسة الجديدة إلى إطار العمل القائم على رفض الخيارات المعرفية (Epistemic Reject-Option Framework)، حيث يتم تقييم عدم اليقين المعرفي من خلال قدرته على تحديد الندم، وهو الخطأ القابل للتقليل. عبر صياغة التنبؤ الانتقائي كتحسين مقيد يشمل تغطية المخاطر المتوقعة والندم، أثبت الباحثون أن المختار الأمثل هو مزيج محدد بالقيم من عدم اليقين العشوائي والذهني.

تكشف هذه التوحيديات النظرية عن ضعف في الأدبيات الحديثة حول فصل عدم اليقين، مما يظهر أن مقاييس الارتباط القياسية بين المكونات المدروسة قد لا تتنبأ بفائدتها العملية بشكل دقيق. عوضًا عن ذلك، يقترح الباحثون تقييم المخاطر القابلة للتحقيق وسطح الندم كتشخيص لفصل العناصر المشتركة وفائدتها.

من خلال اختبار الطرق القياسية على مجموعات بيانات تحتوي على تعليقات بشرية كثيفة، تبين أن تصنيفات القرار القائم على النظرية يمكن أن تختلف بشكل كبير عن تصنيفات المهام الوكيلة، بما في ذلك انقلابات ترتيب ثنائية بين طرق رُتبت في المرتبة العليا وفقًا لمعيار ما وفي المرتبة الدنيا وفقًا لمعيار آخر. هذا يأخذنا نحو مزيد من الفهم لعدم اليقين وكيفية قياسه بشكل أكثر فعالية.

ما رأيكم في هذه الأساليب الجديدة لتقييم عدم اليقين المعرفي؟ شاركونا في التعليقات!