في عصر المعلومات الرقمية السريعة، يعد التحقق من الحقائق أداة حاسمة في مكافحة المعلومات المضللة. تحتل نماذج اللغة الكبيرة (Large Language Models) مكانة بارزة في هذا المجال، ولكن تبين أن وجودها يعتمد أكثر على معرفتها المعيارية بدلاً من الأدلة المتاحة.

في إطار جديد يحمل اسم "تقييم الأدلة المعطلة" (Fact-Ablated Evaluation - FAE)، يحلل الباحثون كيفية تفاعل هذه النماذج مع المعلومات المتاحة. يهدف هذا الإطار إلى اختبار ما إذا كانت النماذج تراجع توقعاتها بناءً على الأدلة المعطاة. وللأسف، أظهرت النتائج أن الأداء الضعيف في الاعتماد على الأدلة لا يزال موجودًا.

لكسر هذا الحاجز، تم تقديم "تعليم الأدلة المعقدة" (Rigorous Evidence Ablation Learning - REAL)، وهو إطار تدريبي يعمل على تعزيز المصداقية من خلال إشراف معتمد على الأدلة المضادة. التجارب التي أجريت على أربعة مجموعات بيانات للتحقق من الحقائق أظهرت تفوق النماذج المدربة باستخدام REAL في الاعتماد على الأدلة مقارنة بالنماذج التقليدية.

باختصار، هذه النتائج تسلط الضوء على أن الأداء القوي في التحقق من الحقائق يمكن أن يتواجد جنبًا إلى جنب مع الاعتماد الضعيف على الأدلة. البحث يسير نحو تعزيز قدرة النماذج على التكامل بشكل أفضل مع الأدلة المتاحة، مما يعزز دقة النتائج التي تصل إليها.