تظل رياضيات التفكير مسألة معقدة في اللغات ذات الموارد المحدودة مثل البنغالية. تسلط دراسة جديدة، تم نشرها عبر arXiv، الضوء على الفوائد المحتملة لتقنيات جديدة مثل إشراف 'التفكير المتسلسل' (Chain-of-Thought) في تدريب نماذج الذكاء الاصطناعي. من خلال إنشاء مجموعة بيانات جديدة تحت عنوان extsc{MathShikkha}، والتي تحتوي على تفسيرات مولدات من نموذج GPT-5.4، تم تدريب أربع نماذج طلابية تتراوح بين 4 إلى 7 مليارات معمارية باستخدام بروتوكول مشترك يضمن أن ظروف 'الإجابة فقط' و'التفكير المتسلسل' تشترك في تقسيم البيانات وتسجيل النقاط.

ورغم أن النتائج الأولية أظهرت أن 'التفكير المتسلسل' لا يقدم تحسينًا كبيرًا في الأداء مقارنة بالتدريب التقليدي 'الإجابة فقط' لعدد من النماذج القوية، إلا أن النموذج الأضعف البالغ 4 مليارات سجل تحسنًا ملحوظًا بمقدار 18.56 نقطة. بينما على مجموعة بيانات 'BanglaMATH'، كانت النتيجة مغايرة! أظهر 'التفكير المتسلسل' تفوقًا ملحوظًا على التدريب التقليدي لكافة النماذج بمعدل ارتفاع يتراوح بين 20.1 إلى 28.1 نقطة.

وذكر الباحثون أنه رغم الزيادة في عدد الرموز الناتجة (15 إلى 52 مرة)، إلا أن إدراك الفائدة الأساسية لهذا النوع من الإشراف يعتمد على القدرة الكامنة للنموذج وسرعة التحول. وفي النهاية، يُظهر البحث أن مزايا إشراف التفكير المتسلسل تتركز أكثر حول الالتزام باللغة البنغالية وجودة التفكير القابل للتدقيق، بدلاً من تحسين صلاحية الأداء داخل مجموعة البيانات.

ما رأيكم في استخدام تقنيات الذكاء الاصطناعي لمعالجة رياضيات اللغات ذات الموارد المحدودة؟ شاركونا آراءكم في التعليقات!