في عالم الذكاء الاصطناعي الحديث، أصبح تعلم السوقة (In-Context Learning) عنصرًا أساسيًا في نشر نماذج اللغة الضخمة (Large Language Models). لكن هناك نقطة ضعف حرجة في الطرق الحالية لتعلم السوقة بعد التدريب، حيث تفتقر هذه الطرق إلى الاعتبار الضروري للسلطة السياقية، أي القدرة على تحديد ما إذا كان يجب أن تتحكم المعلومات السياقية في الإجابة النهائية.

لعبت تقنيات الذكاء الاصطناعي دورًا كبيرًا في معالجة البيانات واستخراج الأنماط منها، لكن فريق البحث قدم إطار عمل جديد يسمى Jurisdiction In-Context Learning (J-ICL) للحد من تأثير السياق المضلل.

من خلال تجربة Benchmark جديدة تُعرف باسم FakeContextBench، تم تقييم نماذج تجارية ومفتوحة المصدر على قدرتها في التفريق بين السياق الحقيقي والمزيف. أظهرت الدراسة أن مجرد التدريب المسبق على نطاق واسع ليس كافياً لضمان التمييز الدقيق بين السياقات. وبالإضافة إلى ذلك، فإن أساليب تحسين تعلم السوقة الشائعة قد تؤدي إلى زيادة الرغبة في التعرض لسياقات مضللة، مما يقلل دقة الواقع بنسبة تصل إلى 14.95 نقطة مئوية مقارنة بالنموذج الأساسي.

مع وجود J-ICL، تم تحسين الأداء عبر أربعة نماذج عظمى، حيث زادت نتيجة ICLEval بمعدل 5.84 نقطة مئوية ودقة الواقع بمعدل 9.20 نقاط مقارنة بالنماذج السابقة. كما ارتفع معدل الحقيقة بمعدل 18.09 نقطة مئوية مقارنة بأساليب MetaICL وSymbol Tuning.

تُظهر هذه النتائج أن تحسين القدرة على التعلم في السياق ومقاومة السياقات المضللة يمكن أن يتحسنا معًا، مما يمثل طفرة جديدة في عالم الذكاء الاصطناعي.