في عالم الذكاء الاصطناعي المتسارع، تتزايد الأسئلة حول كيفية تحسين نماذج اللغة الكبيرة (LLMs) لقراراتها أثناء تفاعلها مع بيانات مرجعية. لقد أُثبت أن التعلم في السياق (In-context Learning) يحسن نتائج القرارات استناداً إلى تاريخ التفاعل، لكن يبقى اللغز حول ما إذا كان هذا التحسن يمنح نماذج (LLMs) قدرة عقلانية أعمق أم أنه مجرد استقراء للقواعد الإحصائية.

تتناول دراسة جديدة كيفية استنباط الآثار المترتبة لقرارات الوكلاء المتعددين (Multi-agent) في ألعاب نقص المعلومات، حيث تحتاج القرارات إلى التفكير المتكرر في المعتقدات. تم بناء تجربة تعتمد على لعبة السلع العامة (Public Goods Game) مع تعديل الهيكل الإحصائي لردود الفعل التاريخية. وفي هذه التجربة، تم قياس جودة القرارات مقارنةً بميزان توقعات عقلانية مستقلة (Rational Expectations Equilibrium - REE) كمرجع.

النتائج التي تم الوصول إليها تعكس أن فائدة السياقات الأكثر طولاً تتلاشى عندما تتعطل الأنماط الإحصائية التاريخية، مما يؤدي إلى تدهور جودة القرار إلى مستوى بيئة عدم السياق، وذلك بشكل واضح عندما تزداد اعتماد الاستراتيجيات.

تظهر هذه النتائج أن سلوك ICL في مثل هذه البيئات الاستراتيجية يميل إلى أن يكون أكثر توافقًا مع الاستقراء الإحصائي بدلاً من التفكير الإستراتيجي الدقيق. كما أن هذه الدراسة توفر إطار عمل قابل لإعادة الاستخدام لاستكشاف حدود استدلال نماذج اللغة الكبيرة في المهام المعقدة.