اكتشاف النصوص القابلة للتفسير: تمثيلات تمييزية تجمع بين الدقة والفهم

في عالم الذكاء الاصطناعي، أصبحت الحاجة إلى تمثيلات نصوص قابلة للتفسير (Interpretable Text Representations) أمرًا ملحًا، حيث يطمح الباحثون إلى تقديم نماذج دقيقة وذات معنى، بحيث تكون قادرة على الفهم والتدقيق من قبل الجهات المستقلة. على الرغم من أن التمثيلات التمييزية الحالية تعتمد بشكل كبير على اتجاهات غير محددة، فإن طرق مثل مفهوم ‘فُرْعُ المفهوم’ (Concept Bottlenecks) وأساليب مساعدات نماذج اللغات الضخمة (LLMs) تستخدم أسماءً طبيعية للميزات دون التأكد من أنها قابلة للتكرار أو متميزة عن العلامة المستهدفة.

تقدم الدراسة معيارًا تشغيليًا جديدًا يتمثل في أن كل بُعد يجب أن يحقق وضوحًا مفهوميًا، يقيس من خلال توافق عشوائي بين ملاحظات المستقلين الذين يطبقون تعريف الخصائص، وفصل العلامات، مما يعني أنه لا يجب أن تقوم الخاصية ببساطة بإعادة صياغة الهدف التنبئي. يتم تجسيد هذا المعيار في طريقة ‘اكتشاف الميزات المعززة بواسطة LLM’ (LLM-assisted Feature Discovery - LFD)، وهي طريقة تكرارية تقترح ميزات لغوية ودلالية من أزواج النصوص المعاكسة للنتائج.

تستخدم LFD عمليات الفحص باستخدام ‘مقياس كوهين’ (Cohen's κ) عبر نماذج LLM متعددة، وتختار الميزات بناءً على الزيادة التنبؤية المحتفظ بها. تعزز التحليلات النمطية الصلة بين شاشة κ وحدود ضوضاء التسمية لكل ميزة، مما يجعل التوافق بمثابة اختبار موثوقية. عبر عشرة مهام تصنيف نصوص تغطي سبعة مجاميع بيانات، تتساوى نتائج LFD مع أداء تنبؤي قوي يعكس الأساس القائم على زجاجة المفهوم (Text Bottleneck)، مع إنتاج ميزات أوضح وأقل تداخلًا مع العلامات.

أظهرت تقييمات بشرية بمشاركة 232 مصنفًا أن ميزات LFD تحقق توافقًا أعلى بين البشر، وكذلك بين البشر ونماذج اللغات الضخمة، مما يجعلها خيارات أكثر موثوقية وأقل تسربًا للعلامات.

تقترح هذه النتائج أن الأبعاد المفحوصة بدقة والفصل بين العلامات توفر معيارًا عمليًا لتدقيق تصنيف النصوص القابلة للتفسير، مما يعزز دور الذكاء الاصطناعي في تقديم نماذج دقيقة وفعالة.