تعتبر نماذج اللغة الكبيرة (Large Language Models) من أبرز الابتكارات في مجال الذكاء الاصطناعي، حيث تدعو قدراتها المتزايدة الكثيرين للاعتماد عليها في مختلف المجالات. ومع ذلك، تواجه هذه النماذج تحديات كبيرة، أبرزها ظاهرة الهلوسة المعرفية، حيث تقدم معلومات قد تكون غير صحيحة أو مضللة. تُعزى هذه المشكلة إلى وجود عدم تطابق بين معرفتها خلال مرحلة ما قبل التدريب وما تتلقاه أثناء التدريب النهائي.

ومؤخراً، قدم فريق من الباحثين تقنية جديدة تُعرف باسم التعديل المتوازن للمعرفة (Knowledge-Weighted Fine-Tuning). تعتمد هذه التقنية على تقييم موثوق ودقيق لمستوى المعرفة الخاصة بالنموذج من خلال عمليات استدلال متعددة. يساعد هذا النظام في ضبط إشارة التعلم لتتوافق مع المعرفة الموجودة لدى النموذج، مما يشجعها أيضًا على إعطاء استجابات واضحة تقول "لا أعرف" في حال كانت الأسئلة خارج نطاق معرفتها.

تبين النتائج التجريبية أن هذا الأسلوب ليس فقط يحسن من قدرة النموذج على التعبير عن عدم اليقين، بل يحافظ أيضًا على دقة الردود على الأسئلة التي يمكنه الإجابة عليها. وفي إطار هذه الدراسة، تم اقتراح مقاييس تقييم جديدة لقياس مستويات عدم اليقين، مما يُظهر أن التمييز الدقيق بين الحالات المعروفة وغير المعروفة يعزز من الأداء بشكل ملحوظ.

لا شك أن هذه الابتكارات تعكس تطورًا ملحوظًا في كيفية تعامل الذكاء الاصطناعي مع المعلومات، مما يجعل التواصل بين المستخدمين والتقنية أكثر سلاسة وثقة.