في عصر المعلومات، حيث تنتشر الأخبار المضللة بشكل متسارع، تبرز أهمية فحص الحقائق العلمية كأداة حيوية للتميز بين الحقائق والأكاذيب. في دراساتها الحديثة، سلطت الضوء على كيفية استخدام نماذج اللغة الكبيرة (Large Language Models) في مواجهة هذه التحديات.

ولقد أظهرت الأبحاث أن المعلومات المضللة المرتبطة بأوراق علمية شرعية قد تكون أكثر ضررًا عندما تزعج الفهم الصحيح لتلك الدراسات. لكن، هل تملك أنظمة فحص الحقائق الآلي القدرة على تقليد طرق التفكير البشري عند وصولها إلى الأحكام حول المعلومات؟

للوصول إلى إجابة هذا السؤال، تم تطوير إطار عمل مبتكر يعتمد على الرسوم البيانية (Typed Reasoning Graph) لمقارنة مسارات التفكير بين البشر ونماذج الذكاء الاصطناعي في فحص الحقائق. يتيح هذا النموذج تمثيل كل تفسير كرسوم بيانية تربط الادعاءات الزائفة بسياق الدراسات الحقيقية ونتائجها، مما يوفر فيما بعد تمثيلًا دقيقًا للمسارات الاستدلالية. من خلال استخدام 84 ادعاءً زائفًا من دراسة سابقة (MISSCIPLUS)، تم تقييم ثلاثة نماذج بارزة: GPT-5 وClaude Opus 4.7 وQwen3-32B.

كشفت النتائج عن اختلافات مثيرة للاهتمام في الأداء: حيث سجل نموذج Qwen3-32B أدنى معدلات الفشل في الأحكام، بينما حقق GPT-5 أعلى درجات توافق مع طرق تفكير البشر، مما يبرز التحديات والفرص التي تواجه الذكاء الاصطناعي في تطوير فحص الحقائق. بينما يظهر Claude Opus 4.7 القدرة على إجراء استدلالات صحيحة في نتائج معينة على الرغم من ضعفه في التنبؤ بالأحكام.

هل يمكن لنماذج اللغة الكبيرة أن تكون السلاح الأمثل لمواجهة المعلومات المضللة في المستقبل؟ ما رأيكم في دور الذكاء الاصطناعي في تعزيز دقة الحقائق العلمية؟ شاركونا في التعليقات.