في عالم الذكاء الاصطناعي، يبدو أن الابتكارات لا تتوقف. ومن بين هذه الابتكارات، تظهر تقنية LAPO (Leave-One-Turn Attribution) كأداة ثورية تعيد تشكيل طريقة البحث متعدد الأدوار (Multi-Turn Search Reasoning). يواجه هذا النوع من البحث تحديات كبيرة تتعلق بكيفية تقييم التفاعلات المتعددة وتأثيراتها على النتائج النهائية. في العادة، تعتمد تقنيات التعلم المعزز على مكافآت النهاية التي لا يمكنها التمييز بين التفاعلات المفيدة وغير المفيدة. هنا يأتي دور LAPO.

تعتمد هذه التقنية على طريقة إشراف ذاتي مبتكرة تستند إلى مفهوم الإسناد العكسي. عندما تتم عملية بحث، تقوم LAPO بإزالة دور معين من عملية البحث وتستبدله بمؤشر ثابت. بعد ذلك، تقيس التغييرات في احتمالية رد الفعل الصحيح (Mean Log-Likelihood) الناتجة عن ذلك الإجراء. من خلال ما يعرف بزيادة احتمالية الإجابة (Answer-Likelihood Gain)، يمكن تقييم مساهمة كل دور والحفاظ على التفاعلات المستقبلية.

تتميز تقنية LAPO أيضًا باستخدام تنسيق تواقيع موحد. هذا يعني أنها تحتفظ فقط بالمزايا التي تتوافق اتجاهاتها مع نتائج الإسناد الخام، مما يعزز من جودة التقييمات. والأفضل من ذلك، أنها لا تحتاج إلى أي نماذج مكافآت إضافية أو مشرفين، مما يجعلها أسهل في التنفيذ.

عند اختبارها عبر سبع مجموعات بيانات غنية بالمعلومات، حققت LAPO نتائج مثيرة للإعجاب، حيث سجلت معدل تطابق دقيق متوسط يبلغ 0.326، متفوقةً على أقوى المعايير السابقة بمقدار 0.053. كما أظهرت الأبحاث أن الإسناد العكسي وتنسيق التواقيع يؤديان إلى فوائد تكاملية تعزز من الإشراف على عمليات البحث المتعددة. هذا الابتكار يعد خطوة كبيرة نحو تحسين عمليات التعلم العميق وجعلها أكثر قدرة على التعرف على الأدوار الهامة في البحث.