في عالم تقنيات الذكاء الاصطناعي، يمثل فهم السرد الشخصي تحديًا فريدًا. عندما يروي أفراد ذكرياتهم، يعتمدون غالبًا على تلميحات غير مباشرة للإشارة إلى الأشخاص والأماكن والأحداث. في هذا السياق، تم تقديم أداة جديدة تُعرف باسم IRC-Bench، والتي تهدف إلى تقييم قدرة الأنظمة على التعرف على هذه الكيانات المستترة في نصوص الذكريات.

تعتبر الذكريات الشخصية أساسًا للسرد الذي يُستخدم في مجالات العلاج والأرشفة والتواصل الاجتماعي. ومع ذلك، فإن هذا النوع من السرد يوفر مشكلة حسابية معقدة؛ حيث يجب على الأنظمة التنبؤ بالكيان المستهدف من خلال أدلة متناثرة في السرد، وليس من خلال الإشارات المباشرة.

تتضمن IRC-Bench 25,136 عينة مُستمدة من 12,337 كيانًا مترابطًا عبر 1,994 نصًا تُغطي 11 مجالًا موضوعيًا. حيث تتكون كل عينة من سرد متجذر في الكيانات (Entity-Grounded Narrative) والذي يتم فيه ذكر الكيان المستهدف بشكل صريح، وسرد آخر يتم فيه حذف الإشارات المباشرة (Entity-Elided Narrative).

عند التقييم، تم اختبار 19 تكوينًا مختلفًا عبر تقنيات إنتاج النماذج اللغوية الضخمة (LLM)، والاسترجاع الكثيف، والتعلم الضيق. أظهرت نتائج مبشرة حيث قدم نموذج Llama 3.1 8B، المعدل باستخدام QLoRA، أفضل أداء في بيئة مفتوحة بنسبة تطابق دقيق تبلغ 38.94%. كما تقدم تعديلات DPR أفضل النتائج في الاسترجاع المغلق.

إصدار IRC-Bench يتضمن البيانات والأكواد وأدوات التقييم، مما يساعد في تعزيز الأبحاث المستقبلية وتجارب الذكاء الاصطناعي في هذا المجال.

ما رأيكم في هذه التطورات المرتبطة بفهم الذكريات الإنسانية عبر الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!