في عالم اليوم، حيث يعتمد الكثيرون على الذكاء الاصطناعي (AI) لتحسين أداءهم اليومي، تبرز أهمية مراقبة الإدراك الذاتي (Metacognitive Monitoring) كعامل حاسم في نجاح هذه الأنظمة. حيث يشير بحثٌ حديث إلى أن مساعدة الذكاء الاصطناعي لا تطلب فقط من المستخدمين إدراك كفاءتهم، بل أيضاً تقييم كفاءة النظام ذاته.

لقد أجرى الباحثون دراسة تتضمن 30 تدخلاً من 11 خبيراً، تم تنظيمها في إطار تصميمي يتناول كل من الوقت (متى يحدث التدخل)، المستويات (من يتم تقييم كفاءته)، والمصدر (من يوفر الإشارات لتلك المراقبة). شملت الدراسة تجربة أُجريت على 917 مشاركًا وحل 12 مشكلة تتعلق بالتخطيط والتنظيم، حيث تم فيها مقارنة بين بطاقات الاعتماد، الردود المتباينة، نقاط التوقف، وتأملات ما بعد المشكلة مقابل أداء مساعدات نماذج اللغات الضخمة (LLM).

كانت النتائج مثيرة؛ إذ أظهرت بطاقات الاعتماد والردود المتباينة قدرة على تقليل أخطاء التقدير وزيادة تمييز ثقة المستخدم. لكن لم يتم تحديد أي تحسن في أداء المهام أو اكتساب متوسط لتمييز داخل العناصر. وهذا يدعو للتفكير حول مستقبل تصميم الذكاء الاصطناعي، حيث يمكن أن يتم فصل مراقبة الأداء عن الأداء الفعلي.

إن فهم هذه الديناميكيات قد يساعد في تطوير أدوات ذكية أفضل تدعم المستخدمين بشكل أكثر فعالية. ما العوامل الأخرى التي يمكن أن تؤثر على إدراك الكفاءة؟ وكيف يمكن تحسين تلك التجربة؟