نموذج لغوي صغير قابل للنشر محلياً: دعم اتخاذ القرار في أقسام الطوارئ ونتائج مثيرة!

في عالم الذكاء الاصطناعي، تواجه جهود نشر نماذج لغوية كبيرة (Large Language Models) لدعم اتخاذ القرار في أقسام الطوارئ (Emergency Departments) تحديين رئيسيين. الأول هو مخاطر الخصوصية المرتبطة بنقل بيانات المرضى إلى نماذج تجارية مغلقة المصدر، والثاني هو نقص التقييم المنهجي لاستراتيجيات التكييف لنماذج لغوية صغيرة قابلة للنشر محلياً (Small Language Models).

في محاولة لمعالجة هذه القضايا، قام فريق من الباحثين بإجراء دراسة شاملة لتقييم أداء ثمانية نماذج لغوية صغيرة مفتوحة المصدر، وذلك باستخدام استراتيجيات مثل Zero-Shot Prompting، وPrefix Tuning، وLow-Rank Adaptation (LoRA)، بالإضافة إلى التكييف الكامل. تم تنفيذ هذا التقييم على ثلاث مهام رئيسية لأقسام الطوارئ، وهي: التنبؤ بمستوى الفرز، وتوصية الإحالة المتخصصة، وتنبؤ التشخيص.

استندت النتائج إلى تحليل 2,083 حالة من قاعدة بيانات MIMIC-IV-ED ومعايير قياسية مثل Claude Haiku 4.5 وClaude Sonnet 4.5. أظهرت النتائج أن نماذج LoRA المعدلة أداءً أعلى من النماذج التجارية في مهام التنبؤ بمستوى الفرز وتوصية الإحالة، رغم أن تحدي التنبؤ بالتشخيص لا يزال مستمراً بالنسبة للنماذج المفتوحة المصدر.

علاوة على ذلك، أوضح تحليل مصفوفة الالتباس أن النماذج المفتوحة المصدر المعدلة تمكنت من الكشف عن المرضى ذوي الدرجة العالية من الشدة الذين تم تجاهلهم من قبل النماذج التجارية. تشير هذه النتائج إلى أن استخدام نماذج لغوية صغيرة قابلة للنشر محلياً يمكن أن يقدم أداءً تنافسياً في دعم القرار الطبي في أقسام الطوارئ.