أصبحت تقنيات الذكاء الاصطناعي تعتمد بشكل متزايد على ما يسمى "نسب تدريب البيانات" (Training Data Attribution - TDA) لتحديد أمثلة التدريب التي تؤثر على سلوك النماذج. لكن، ماذا لو كانت الأمثلة المؤثرة لا تملك القيمة الإجرائية التي نتوقعها منها؟ في دراسة جديدة نشرت على arXiv، تم التطرق إلى هذا التساؤل من خلال تقديم نهج مبتكر يسمى "إعادة كتابة الاستجابة الموجهة بالتأثيرات" (Influence-guided Response Rewriting).

تقوم هذه الطريقة باستخدام دوال التأثير (Influence Functions - IF) لتحديد الأهداف للتدخل، ثم تقوم بتغيير استجاباتها بما يتناسب مع سلوكيات معينة، سواء كانت تلك السلوكيات متوافقة أو متعارضة. تم اختبار هذا الأسلوب عبر أربعة نماذج لغوية مفتوحة الوزن، حيث تم مقارنة أداء إعادة الكتابة مع إعادة الوزن على نفس الأمثلة المحددة بتأثير.

أظهرت النتائج أن إعادة كتابة الاستجابات تؤدي إلى تغييرات سلوكية أقوى وأكثر استمرارية في الاتجاهين، بينما إعادة وزن الأمثلة نفسها تؤدي إلى تأثيرات ضعيفة وغير متسقة. تشير تحليلات إضافية إلى أن الأمثلة المختارة بناءً على التأثير توفر leverage (نفوذ) أكبر للإعادة الكتابية مقارنة بالخيارات البديلة، مع تركيز التغييرات على السلوكيات ذات الصلة. تمتد هذه الاختلافات الكيفية إلى رفض الأمان، مما يبرز الفرق بين تأثيرات إعادة الوزن المحلية التي تلتقطها تقديرات التأثير ونفوذ التدخل الأوسع للنماذج.

تؤكد هذه النتائج الحاجة إلى تقييم الأساليب المتعلقة بتدريب البيانات بطريقة تعكس تأثيراتها الأوسع، مما يمهد الطريق لتطوير طرق جديدة واكثر فعالية لتحسين أداء نماذج الذكاء الاصطناعي.