في عالم تطور الذكاء الاصطناعي، تبرز نماذج اللغة الكبيرة (LLMs) كأداة فعالة في معالجة اللغة الطبيعية. ولكن، هل فكرتم يومًا في كيفية تأثير العناصر اللغوية مثل الاستعارات على أداء هذه النماذج؟ أجرى الباحثون دراسة مثيرة أظهرت أن استخدام الاستعارات في تدريب البيانات يمكن أن يؤدي إلى تأثيرات غير مرغوبة.

تُعرف هذه الظاهرة بـ 'التوجيه الخفي الاستعاري' (Metaphorical Algorithmic Steering)، حيث تقوم النماذج بتوجيه نفسها نحو خوارزميات أقل كفاءة استنادًا إلى هيكليات تجريبية غير مناسبة يتم نقلها عبر الاستعارات.

تعتبر هذه الظاهرة محوريّة لفهم كيفية نقل الأنماط الإجرائية المعقدة من مجالات مختلفة إلى مهام البرمجة، مما يؤدي إلى سلوكيات غير فعّالة مثل البحث الشامل أو تكرار إعادة التكوين دون حتى الإشارة إلى الخوارزمية المستهدفة.

بهدف استقصاء هذه الظاهرة بشكل أعمق، قام الباحثون بتطوير إطار عمل يُعرف بـ 'MASC' (التوجيه الخفي الاستعاري لتوليد الأكواد)، والذي يقوم بعملية تكرارية لاستنباط المهارات بصورة بنّاءة لاستنباط أكواد عمل غير فعالة.

تظهر النتائج أن هناك قدرة كبيرة على اكتشاف المهارات الاستعارية والتطبيقات ذات الكفاءة المنخفضة، مما يشير إلى أن التوجيه الخفي الاستعاري يستند إلى نقل أنماط إجرائية مرتبطة بمواقف مصدر استعارية بدلاً من اللغة الاستعارية السطحية فقط.

إن فهم هذه الظواهر يمكن أن يساعد في تحسين نماذج الذكاء الاصطناعي وتوجيهها نحو إنتاج أكواد أكثر كفاءة وفعالية.