في ظل التزايد السريع في استخدام نماذج اللغة الكبيرة (Large Language Models - LLMs) لأغراض التوضيح بدون تدريب مسبق (zero-shot annotation) وكمقَيِّمَات، تكشف دراسة جديدة أن موثوقية هذه النماذج تعتمد بشكل كبير على تفاعل المعايير الداخلية للنموذج مع التعليمات المقدمة من المستخدمين.

تتناول هذه الدراسة ثلاثة أبعاد رئيسية لهذا التفاعل:
1. **مدى سرعة استجابة النموذج لتعريفات البيانات والمهام**: فكلما كان النموذج مألوفًا بالمهمة، زادت درجات أدائه.
2. **تأثير المعلومات الإضافية في التعليمات على تصحيح الأخطاء**: حيث يظهر أن حوالي ثلثي الأخطاء في النسخة صفر لا يمكن تصحيحها، حتى مع تقديم تعليمات إضافية.
3. **عرض النموذج للانحراف عن التعريفات**: عندما تُعطى للنموذج تعريفات غير متوافقة، سيظل متمسكًا بها بمستوى ثقة لا يتغير مقارنةً بالمهام المتوافقة.

من خلال تجارب لتحديد السُمّية عبر مجموعات بيانات متنوعة تشمل وسائل التواصل الاجتماعي، والألعاب، والأخبار، والمنتديات، يتضح أن نموذج اللغة يعاني من مقاومة كبيرة لتصحيح الأخطاء الشائعة. وبينت الدراسة أن معدل التصحيح العام (النسبة المئوية للأخطاء الأولى التي تم تصحيحها) بلغ 34.8% فقط، مع مقاومة خاصة للأخطاء ذات الثقة العالية.

كما تم إدخال مفهوم **التوافق مع التعريفات المحددة (Definition-Specific Familiarity - DSF)**، الذي يقيس الاتساق بين مفهوم النموذج الداخلي والتعريف الخاص بالمهمة. لقد أثبتت نتائج الدراسة أن DSF يرتبط ارتباطًا إيجابيًا مع أداء النموذج، مما يبرز أهمية توافق التعريفات بدلاً من الاعتماد فقط على الحفظ عند مستويات النصوص.

أكيد، هذه النتائج ترسم حدودًا جديدة لفهم كيف يمكن تحسين أداء نماذج اللغة الكبيرة عبر التركيز على تفاعلاتها مع التعليمات المقدمة، مما يفتح آفاق جديدة لتطبيقات الذكاء الاصطناعي.