تتسارع الأبحاث في مجال الذكاء الاصطناعي، حيث تمثل النماذج اللغوية الكبيرة (Large Language Models) خطوة مهمة نحو فهم أفضل للعلاقات الإنسانية. في دراسة جديدة، تم اختبار نماذج توضح كيف يمكن أن تؤدي المعلومات البشرية المدمجة إلى تحسين دقة اكتشاف الأسباب. على سبيل المثال، عندما سُئل نموذج لغوي مسبق التدريب عن العلاقة بين "الكورتيزول 28 ميكروغرام/ديسيلتر" و"تقلبات سوق الأسهم"، أظهر النماذج تقاربًا غير دقيق، مُركَّزًا على رقمٍ يعكس ارتباكًا وظيفيًا.

وبينما تُظهِر معظم النماذج المستخدمة ضعفًا في استيعاب العلاقات المعقدة بين الأحداث في مجالات مختلفة، تعد دراسة جديدة تقدم نموذج سلوك كبير (Large Behavioural Model) يعيد تقييم تلك العلاقات من خلال فهم الرسوم البيانية لوقائع حياة الأفراد. بدلًا من الاعتماد فقط على التشابه الهندسي، يُعزز النموذج الدقة من خلال توصيل الأحداث بشكل صحيح.

عبر تجارب مكثفة شملت 72,034 زوجًا من البيانات، تم تعزيز دقة فحص المجالات المتعددة، مما أدى إلى قفزة ملحوظة في التمييز بين الأحداث أثناء التقييم. كما أدت تقنية جديدة تُسمى BODHI إلى اكتشاف أوجه عدم المعرفة ورفع مستوى التمييز بشكل كبير، مما يفتح آفاقًا جديدة في كيفية معالجة البيانات الطبية وتحليلها.

بفضل تحسينات الأداء باستخدام تقنيات مثل OpenVINO، حدثت تحولات جذرية في زمن الاستجابة، مما يُعزز العمل في البحوث الطبية ويدفع بتقدم العلوم ذات القيمة العالية. يبرز هذا البحث أهمية البيانات البشرية في تغذية الذكاء الاصطناعي ويظهر كيف يمكن استخدام تلك النماذج لتحقيق نتائج واقعية ومبتكرة في عالم سريع التغير.