في عالم الذكاء الاصطناعي، تُعتبر الأسئلة متعددة الخيارات (Multiple-choice questions - MCQs) وسيلة شائعة لتقييم أداء نماذج اللغات الكبيرة (Large Language Models - LLMs). ومع ذلك، يظل هذا النوع من النماذج عرضة لتأثير الخيارات المضللة، مما يؤدي إلى تشتيت انتباهها بين الإجابات الصحيحة والخاطئة.

لمعالجة هذه المشكلة، يقدم الباحثون مفهوم "إعادة تشكيل التفكير" (Inclusion-of-Thoughts - IoT)، وهي استراتيجية ذاتية التصفية تهدف إلى تقليل الأعباء الذهنية الناتجة عن الخيارات المضللة، وبالتالي تمكين النموذج من التركيز بشكل أكثر فعالية على الإجابات المحتملة. تعتمد هذه الاستراتيجية على إعادة بناء الأسئلة متعددة الخيارات باستخدام خيارات قابلة للاحتمال فقط، مما يوفر بيئة محكومة تسمح بدراسة القرارات المقارنة واستقرار Reasoning الداخلي للنموذج في ظل التوترات.

من خلال توثيق عملية التصفية بشكل صريح، يعزز IoT أيضاً من شفافية ووضوح اتخاذ النموذج للقرارات. وقد أظهرت التقييمات التجريبية المكثفة أن IoT تحسن أداء السلسلة الفكرية عبر مجموعة متنوعة من المسائل الرياضية، ومنطق الفطرة، والمعايير التعليمية مع الحد الأدنى من العبء الحسابي.

هذا البحث يمهد الطريق أمام المستقبل يحسن من دقة الأنظمة الذكية ويعزز قدرتها على اتخاذ القرارات الصحيحة دون التشويش. فهل تتوقع أن يكون المستقبل أكثر وضوحًا بالنسبة لنماذج الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!