في دراسة جديدة نُشرت على موقع arXiv، تم التحقيق في دور السياق البصري في تدريب نماذج اللغة العصبية (Neural Language Models) لأغراض التنبؤ بالكلمات التالية. كشفت النتائج أن دمج المعلومات البصرية أثناء التدريب يُحسن بشكل ملحوظ أداء النماذج، حيث تم الكشف عن تخفيض بنسبة 2% في التعقيد (Perplexity) عند استخدام نموذج ذو هيكل متعدد الوسائط مقارنةً بنموذج آخر يعتمد فقط على البيانات اللغوية.

تعتبر هذه النتائج قوية وتبشر بآفاق جديدة في مجال الذكاء الاصطناعي، حيث تم استخدام نماذج مختلفة مثل (GRU) و( LSTM) بالإضافة إلى نماذج تعتمد على (BERT). حتى عند اختبار هذه النماذج دون أي سياق بصري، استمرت التحسينات في الأداء، مما يعني أن النماذج ليست فقط متعلقة بالتقنيات المعقدة، بل تتطلب أيضاً بيئة متعددة الوسائط لتحقيق أفضل النتائج.

ما يثير الاهتمام هو أن التعلم في بيئات متعددة الحواس يعكس طريقة تعلم الأطفال، مما يُعزز نظرية المعرفة المكانية (Situated Cognition) التي تشير إلى أن اللغة لا يمكن فصلها عن سياقها المادي. النتائج هذه ليست مقصورة على لغة واحدة، حيث أثبتت التجارب نجاحها عبر لغات مختلفة مثل الإنجليزية والألمانية والإسبانية.

هذا مرجع مثير لفهم كيف يمكن لنماذج اللغة أن تتفاعل بشكل أكثر طبيعياً مع محيطها، مُدخلة في الاعتبار العناصر البصرية لتحسين الفهم اللغوي. فهل يمكننا أن نتخيل مستقبلاً حيث تُستخدم هذه النماذج بشكل مبتكر في تطبيقات الحياة اليومية؟