في عالم الذكاء الاصطناعي (Artificial Intelligence)، غالبًا ما تعتمد الأنظمة على نماذج اللغة (Language Models) لاستنتاج القرارات من مجموعة كبيرة من المصادر. ومع ذلك، يتم عادة دمج هذه المصادر في موجه واحد، مما يخلط بين عمليتين مختلفتين لهما متطلبات خاصة. حيث يتطلب تفسير المصدر قدرة عالية وسياقًا دقيقًا، بينما يتطلب دمج التفسيرات قواعد رياضية ثابتة وقابلية للمقارنة بين الحالات، وأيضًا إمكانية العودة بعدم تقديم أي نتيجة.

لحل هذه الإشكالية، يقدم الباحثون نظامًا جديدًا يُفصل العمليات عن بعضها البعض، مما يجعل مشكلة التصميم تتعلق بالواجهة بينهما. ويقترحون نموذجًا رباعي الحقول للأدلة (hypothesis, reliability bucket, rationale, provenance) حيث تمثل كل واحدة منها جانبًا من جوانب عملية اتخاذ القرار. وقد أظهرت الدراسة أن إصلاح هذه الحقول يؤثر على كلاً من عملية التفسير والتجميع.

أحد الأمور المثيرة للانتباه التي تكشف عنها الدراسة هو نوع جديد من الأخطاء في كيفية دمج الأنظمة، والتي أطلق عليها الباحثون اسم انزلاق نطاق العد (count-scale drift). هذا الانزلاق يحدث عندما تختلف موثوقية المصادر، مما يؤدي إلى تصنيفات مختلفة للنتائج ومن ثم عدم إمكانية التوفيق بينها. ولكن الحل يكمن في استخدام نسب الاحتمالات المصححة، مما يعالج المشاكل بشكل أساسي رياضي وليس معماري.

من خلال تحليل مجموعة بيانات تاريخية، أثبت الباحثون صحة النموذج المقدم من خلال تطبيقه مرتين، مرة بعد حسم النتائج ومرة قبلها. وفي كلتا الحالتين، كانت نفس الطريقة مفيدة بتفاصيل مختلفة، حيث حقق النموذج الجديد دقة تقدر بـ 0.921 AUPRC مقارنةً بـ 0.805 لنموذج مصمم يدويًا.

تؤكد هذه الدراسة على أهمية الفصل بين العناصر التي يمكن نقلها وتلك التي يجب إعادة تقديرها لكل مجال، مع تقديم خمس تنبؤات يمكن من خلالها إثبات إطار العمل، وثلاث نتائج سلبية، بالإضافة إلى تفاصيل حول المقارنات التي لا تزال مشوشة.