في عالم الذكاء الاصطناعي، تبرز نماذج اللغة المدربة مسبقًا مثل T5 وBERT كأدوات قوية قادرة على توليد المعرفة المنظمة. ومع ذلك، يعتمد أداؤها بشكل كبير على مدى تطابق استراتيجيات التوجيه المستخدمة مع الأهداف المتبعة خلال مرحلة التدريب المسبق. هنا يأتي دور مؤشر القابلية للتمويه (Maskability Index)، الذي يمثل تقديرًا كميًا جديدًا يتيح لنا فهم ما إذا كان نوع معين من العلاقات المعرفية هو الأنسب لاستخدام أساليب التوجيه المقنعة (masked prompting) أم أساليب التوجيه التمهيدية (prefix prompting) عند تنفيذ العمليات ذات القليل من الأمثلة.

يتم حساب مؤشر MI من خلال أوجه الاختلاف في درجات DepthRank بين القوالب المقنعة وغير المقنعة، مما يوفر مقياسًا مبدئيًا لتوافق الأهداف مع القوالب. لقد قمنا بتقييم MI على مجموعة متنوعة من العلاقات من مجموعة بيانات ATOMIC2020 الخاصة بإكمال المعرفة، وأظهرت النتائج وجود ارتباط إيجابي بين MI وأداء التوليد في المراحل اللاحقة. تشير هذه النتائج إلى أن MI يمكن أن يساعد في اختيار القوالب المناسبة لاستراتيجيات التوجيه والتكيف لاستخراج المعرفة العلاقية من نماذج اللغة المدربة مسبقًا، وخصوصًا في البيئات ذات الموارد المحدودة.

إن استخدام مؤشر MI ليس مجرد تحسين تقني، بل هو أيضاً خطوة نحو تعزيز كيفية تعاملنا مع البيانات والذكاء الاصطناعي في العالم الحقيقي. كيف يمكن لهذه الإبتكارات تحويل شكل التفاعل مع المعلومات في المستقبل؟