في عصر يزداد فيه الاعتماد على الذكاء الاصطناعي، تُظهر النماذج اللغوية الكبيرة (Large Language Models - LLMs) نتائج واعدة في المجال الطبي، إلا أن استخدامها في الصحة العامة يواجه تحديات عدة، منها ظهور معلومات زائفة وتطور الإرشادات الرسمية بسرعة. لكن، ماذا لو كانت هناك طريقة لتحسين هذا الأداء؟ هنا تأتي تقنية التوليد المدعوم بالاسترجاع (Retrieval-Augmented Generation - RAG) لتقدم حلولاً مبتكرة.

في دراسة مميزة، تم توسيع مرجع PubHealthBench، الذي يتضمن 7,929 سؤالاً مستنداً إلى إرشادات الصحة العامة الحكومية في المملكة المتحدة، ليتضمن إعداداً مدعوماً بالاسترجاع. وقد وجدت النتائج أن خيارات الاسترجاع والتوليد تلعب دورًا حاسمًا في الأداء العام، حيث تم مقارنة أساليب الاسترجاع الكثيف والنادر والمختلط عبر مجموعة متنوعة من نماذج التعبئة ونسخ المجموعات.

بينت النتائج أن الاسترجاع المختلط يوفر تحسناً ملحوظاً في دقة الاسترجاع وجودة الترتيب. كما أُثبت أن تقديم سياق مسترجع يعزز بشكل كبير من دقة الاختيارات المتعددة عبر مجموعة متنوعة من النماذج اللغوية الكبيرة. وبفضل تحسين استرجاع المعلومات، استطاعت النماذج ذات الوزن الأصغر أن تنافس أو تتفوق على النماذج الكبيرة التي لا تستفيد من هذه التقنية.

لتقييم دقة الإجابات الحرة، تم تقديم تقييم قائم على معايير تشمل الموثوقية، والكمال، والوضوح، والتوافق الواقعي، حيث أُثبتت صحة النتائج المُعتمدة بشكل خاص من خلال توافق آراء شاملة بين البشر في ما يتعلق بالموثوقية والكمال.

بشكل عام، تُبرز النتائج أهمية تحسين استرجاع المعلومات كوسيلة رئيسية لضمان موثوقية الإجابة عن الأسئلة الصحية العامة، مما يُعطي توجيهات عملية لبناء وتقييم نظم RAG المعتمدة على الإرشادات الرسمية.