تعتبر نماذج اللغات الضخمة (LLMs) من أكثر أدوات الذكاء الاصطناعي تطوراً، إلا أن عدم استقرارها في تقديم إجابات متسقة لنفس القرار يعد تحدياً يواجه الباحثين والمطورين. ومن هنا، جاء البحث الجديد الذي يتناول كيفية قياس وتحسين هذا الاضطراب باستخدام نموذج الحالة المعرفية (Cognitive Kernel Model - CKM).

يحاول نموذج CKM القضاء على هذا السلوك غير المنتظم عن طريق إجبار النموذج على تقسيم المدخلات إلى ثلاثة أدوار معرفية:
1. **الحقائق (Fact)**: معلومات يمكن التحقق منها.
2. **الافتراضات (Heuristic)**: استنتاجات غير مؤكدة.
3. **المشاعر (Emotion)**: إشارات لتقييم الأولويات.

يتم تقييم نموذج CKM خلال تجارب متعددة على 26 نموذجاً مختلفاً من LLMs، مع أكثر من 37,000 ملاحظة. وقد أظهرت النتائج أن استخدام CKM يقلل من تقلبات المخرجات بنسبة تصل إلى 82% في النماذج الحديثة. وعبر استعمال طريقة قياس دقيقة، تمكن الباحثون من تتبع أنماط السلوك وتقييم مدى قابليته للتحسين.

ومع ذلك، لم تؤثر هذه الآلية على دقة التفكير بنفس القدر. وبذلك، تبين أن التناسق السلوكي قابل للقياس، وأن الضغط على النماذج لفصل المعلومات يمكن أن يؤدي إلى تحسين بعض الجوانب، مما يعكس أهمية التفكير المنظم في الذكاء الاصطناعي.