في عالم الذكاء الاصطناعي، تبرز نماذج اللغة الكبيرة (LLMs) كأدوات قوية لتحليل النصوص، إلا أن بحثًا حديثًا كشف عن عيوب مثيرة. فقد أظهرت دراسة جديدة أن هذه النماذج قد تكون عرضة لانحياز حماية الأقران، حيث تميل إلى الحفاظ على أقرانها من الإقصاء وتظهر تشوهات في النتائج تبعًا للهويات.

يركز البحث على تحليل البيانات السياسية ويطرح تساؤلات حول فعالية التعتيم على مستوى الموجهات كوسيلة تهدف إلى تقليل هذه الانحيازات. على الرغم من مقترحات التعتيم، توصل الباحثون إلى أن بصمات الكاتب (stylometric fingerprints) تظل موجودة حتى في الإصدارات المُعتمة.

استندت الدراسة إلى اختبار شامل لتحديد ما إذا كانت نماذج اللغة تستطيع تمييز العائلات النموذجية خلف النصوص السياسية في ظروف التعتيم. تم تقييم ثلاثة طرق تصنيف مختلفة، بما في ذلك نموذج LLM بنمط واحد ومعدل (Claude Sonnet 4.6 و Llama-3.3-70B)، ونموذج T5-base المُدرب بعناية.

قدمت الدراسة بروتوكول تحقق جديد يُعرف بإسم (SD-CV) يضمن عدم وجود تداخل في المحتوى بين بيانات التدريب والتحقق، مما ساهم في تحسين دقة النتائج. ووجدت أن نموذج T5 حقق نتيجة Macro F1 بلغت 0.991، مما يدل على قوة تمييزه حتى مع زيادة المسافة بين بيانات التدريب والاختبار.

تؤكد النتائج أن التعتيم على مستوى الموجهات وحده لا يكفي لمواجهة إشارات هوية النموذج، وهو ما يحمل تبعات مباشرة على الامتثال لقوانين الذكاء الاصطناعي في الاتحاد الأوروبي (EU AI Act) ولتحقق الأنظمة الحاسوبية في التطبيقات ذات الجودة العالية.