في عالم نماذج اللغة الكبيرة (LLMs)، يُعتبر فهم كيف تعالج هذه النماذج التعقيد المعرفي أمرًا بالغ الأهمية. تكشف دراسة جديدة نُشرت على منصة arXiv، أن هذه النماذج تستطيع تصنيف مستويات التعقيد المعرفي باستخدام نموذج بلوم، والذي يُعتبر أحد الأدوات التعليمية الشهيرة لتصنيف المهام والمعرفة.

تركز الدراسة على استكشاف التمثيلات العصبية الداخلية من خلال تحليل المتجهات العالية الأبعاد من نماذج مختلفة. وباستخدام نموذج بلوم كعدسة تحليلية، يحقق الباحثون في ما إذا كانت المستويات المعرفية المختلفة، مثل التذكر (Remember) والإبداع (Create)، قابلة للفصل خطياً ضمن العمليات الداخلية للنموذج.

تشير النتائج إلى أن المصنفات الخطية حققت دقة متوسطة تصل إلى حوالي 95% عبر جميع مستويات بلوم، مما يقدم دليلًا قويًا على تشفير المستوى المعرفي في فضاء فرعي يمكن الوصول إليه خطيًا ضمن تمثيلات النموذج. بشكل مثير، تتضح التمثلات العقلية، مما يُظهر أن النموذج يبدأ في معالجة صعوبة المهمة منذ البداية، مع تزايد سهولة الفصل عبر الطبقات المختلفة.

تعد هذه النتائج مهمة لفهم كيفية تفاعل هذه النماذج مع تعقيد اللغة والمعرفة، وفتح آفاق جديدة للتقييم والتطوير في استخدام نماذج الذكاء الاصطناعي.