لطالما كانت أنظمة تحليل البيانات الذاتية (Agentic Data Analysis Systems) موضوعًا مثيرًا للدراسة، حيث تنتج هذه الأنظمة مخرجات غنية تشمل الأكواد، النتائج الرقمية، والتشخيصات اللفظية. ولكن، كيف يمكن تقييم هذه المخرجات بدقة في سياق يختلف عن تقييم الاستجابات الأحادية للنماذج اللغوية الضخمة (Large Language Models)؟

تتجلى التحديات في تمييز الاختلافات الحقيقية بين مخرجات الأنظمة الذاتية وإجابات الحقيقة المرجعية، مما يجعل الحاجة ملحة لتطوير استراتيجيات تقييم فعالة. في هذا السياق، تم تطبيق نظام LAMBDA لتحليل البيانات المتعددة على 153 مهمة رقمية من QRData المستندة إلى DSGym.

اعتمدت الدراسة على ثلاث طبقات من تقييم الإنسان-الذكاء الاصطناعي، بدءًا من المطابقة الصارمة باستخدام التعبيرات العادية (Regex)، يليها تقييم لائحة مريحة يعتمد على النماذج اللغوية، وانتهاءً بفحص بشري قائم على مقاطع قصيرة. هذه الاستراتيجيات تدمج بين الأساليب التقليدية وأساليب الذكاء الاصطناعي المولّد (GenAI) مع تنوع في أنماط الفشل.

أظهرت التجارب أن التقييم الآلي حقق دقة تامة بنسبة 100% (0 من 70 إيجابيات كاذبة)، فيما كانت نسبة الاسترجاع (Recall) للتقييم اللين 97% وفقًا للعلامات البشرية. كما أظهرت آلية العلاج المتكررة تحسنًا في نجاح التقييم من 36% إلى 97%، مما يعكس أهمية الابتكار المستمر في أساليب التقييم.

في تحليل مفصل، يتبين أن نوع المتغير هو المجال الأكثر ارتباطًا بديناميات خط التقييم ودرجات النتائج، مما يثبت أهمية فهم التصنيفات المتنوعة خلال العمليات التقييمية.