في عالم الذكاء الاصطناعي، تظل نماذج اللغة الكبيرة (LLMs) واحدة من أبرز التقنيات التي تُستخدم لتحليل البيانات الزمنية الفيزيولوجية. ومع ذلك، فإن نجاح هذه النماذج لا يعتمد فقط على كفاءتها، بل أيضاً على طريقة تمثيل المعلومات الفيزيولوجية وعرضها خلال مرحلة الاستنتاج.

دراسة جديدة تناولت هذا الموضوع، حيث ركزت على استخدام نماذج اللغة العامة في توقعات ارتفاع السكر بعد الوجبات (hyperglycemia) وانخفاضه (hypoglycemia) لدى مرضى السكري من النوع الأول. استُخدم في هذه الدراسة مجموعة بيانات OhioT1DM، حيث تم تقييم عدة نماذج ذات أوزان مفتوحة تحت ما يعرف بتقنيات الاستنتاج دون تحويل (zero-shot) وقليل من التحويل (few-shot)، مع توقعات تمتد عبر فترات زمنية مختلفة تصل إلى 90 دقيقة.

ترتبط جودة التوقعات بشكل كبير بطريقة عرض المعلومات. تم تحليل البيانات الفيزيولوجية من ملاحظات السكر وحدها، إلى بيانات مستخرجة ومتغيرات سياقية إضافية تتعلق بالأنسولين والوجبات والرياضة. تم مقارنة الأداء مع نماذج تقليدية موجهة لصالح المرضى ونموذج Gluco-LLM، وهو نموذج لغة تم تعديله خصيصاً لتوقعات بيانات السكر الزمنية.

أظهرت النتائج سلوكاً يتوقف على المهام المعنية. بينما حققت النماذج التقليدية أداءً قوياً في توقعات ارتفاع السكر، قدمت أفضل تكوينات LLM المستندة إلى التحفيز تحسينات في تقارير انخفاض السكر عبر كل الآفاق المُستهدفة. ومع ذلك، فإن فعالية الاستنتاج المستند إلى التحفيز تأثرت بقوة بطرق تمثيل المعلومات، في حين لم تؤدي إضافة معلومات سياقية إضافية إلى تحسين النظام بشكل منتظم.

تؤكد هذه النتائج أهمية تمثيل المعلومات الفيزيولوجية كعامل مركزي في تصميم نماذج LLM المستندة إلى التحفيز لتوقعات أحداث السكر في الدم. ما رأيكم في هذه التطورات المثيرة في عالم الذكاء الاصطناعي؟ شاركونا في التعليقات.