هل تستطيع نماذج اللغة الكبيرة تحديد وحدات المعلومات الصحيحة في خطاب المصابين بفقدان القدرة على الكلام؟

أصبح التقييم الفعّال للخطاب في مجال العلاج اللغوي مهماً بشكل متزايد، خاصةً للأشخاص الذين يعانون من حالة الأفازيا (Aphasia). فهم وحدات المعلومات الصحيحة (Correct Information Units - CIUs) يُعتبر عنصراً مركزياً في هذا التقييم، حيث يقيس درجة التواصل الفعال بعيداً عن الشكل اللغوي وحده. لكن، تواجه هذه العملية تحدياً كبيراً يتمثل في كونها تتطلب وقتاً طويلاً ومقيمين مدربين في هذا المجال.

دراسة حديثة أجريت على اثنين عشر نصاً من وصف الصور باستخدام محفز الإنقاذ (Cat Rescue) قامت بفحص إمكانية استخدام نماذج اللغة الكبيرة (LLMs) في تصنيف وحدات المعلومات الصحيحة بشكل موثوق. تتضمن الدراسة تصنيفاً لأربعة مستويات من شدة الأفازيا: التحكم، الخفيفة، المعتدلة، والشديدة.

تم تقييم أربعة نماذج من نماذج اللغة الكبيرة المتاحة للجمهور، حيث تم اختبارها تحت ظروف تقنيات الاستدلال الصفرية (Zero-shot) وتقنيات الاستدلال القليل (Few-shot) عبر خمس مجموعات عشوائية مستقلة. أظهرت النتائج أن الاستدلال الصفر لم يكن كافياً عبر جميع النماذج. وفي المقابل، أظهر الاستدلال القليل زيادة ملحوظة في الأداء، حيث حققت ثلاثة نماذج أداءً تنافسياً.

تراوحت متوسط درجات F1 في تقنية الاستدلال القليل بين 0.776 و0.817، مما يُظهر أن هذه النماذج يمكن أن تدعم تحديد وحدات المعلومات الصحيحة بشكل تلقائي دون الحاجة إلى تدريب مبني على التدرجات. ومع ذلك، تظل عملية الاتفاق مع تصنيف البشر غير كافية للاستخدام المستقل تماماً.

تشير الدراسة إلى أن استخدام نماذج اللغة الكبيرة في تصنيف وحدات المعلومات الصحيحة يمكن أن يكون مكوناً واعداً لتحسين أنظمة تقييم الخطاب، مما يدعم العلاج اللغوي بشكل أكثر كفاءة. هل تعتقد أن استخدام الذكاء الاصطناعي يمكن أن يحسن من دقة العلاج؟ شاركنا آرائك في التعليقات.