في العصر الحديث، أصبحت النماذج اللغوية الضخمة (Large Language Models - LLMs) أداة رئيسية في توليد الفرضيات العلمية. ولكن، هل بإمكان هذه النماذج تقييم الفرضيات التي تولدها بدقة؟ هذا السؤال يعد محور دراسة حديثة تُبرز التحديات التي تواجهنا في استخدام الذكاء الاصطناعي بشكل موثوق في الأبحاث العلمية.

تُظهر الطرق الحالية التي تعتمد على استخدام LLMs كقضاة أو تلك التي تعتمد على التشابه الدلالي أنها قد تفضّل الأفكار الرائجة على الأفكار الجديدة، ما يعيق الابتكار. لكن، في هذه الدراسة، تم اقتراح طريقة تسجيل طاقة جديدة تعتمد على الإحصائيات، حيث يتم تقييم الفرضيات استنادًا إلى الثقة الداخلية للنموذج بدلاً من الأحكام المقارنة.

تمت عملية التقييم على مدار 1,323 ورقة علمية في 12 مجالًا مختلفًا، حيث قُورنت الفرضيات مع 15 خيارًا غير صحيح. وقد أظهرت نتائج 'التسجيل الداخلي' معدل نجاح بنسبة 33.0% في التقييم، مقارنةً بـ 16.6% للطرق التقليدية المعتمدة على التوجيه.

الأداء الأفضل تم تحقيقه من قبل نموذج يحتوي على مليار معلمة، حيث وصلت نسبة النجاح إلى 53.1%. هذه النتائج تشير إلى أن الثقة الذاتية للنموذج قد تكون المفتاح لتقييم الفرضيات العلمية بشكل أكثر فعالية.

تعزز هذه الدراسة أهمية الأساليب المعتمدة على الثقة في مسيرة البحث العلمي، وتفتح الباب أمام الدراسات المستقبلية لتطوير وتعزيز الذكاء الاصطناعي في الاكتشافات العلمية. إذا كنت مهتمًا بمستقبل الذكاء الاصطناعي في البحوث العلمية، يمكنك مشاركة آرائك وتعليقاتك حول هذا التطور.