تواصل الأبحاث في مجال الذكاء الاصطناعي فتح آفاق جديدة في فهم كيفية عمل نماذج اللغة الكبرى (Large Language Models) خلال اتخاذ القرارات. في دراسة حديثة، تم اقتراح نموذج جديد لتحليل التفاعلات المعرفية بين المعرفة السياقية (Context Knowledge) والمعرفة البرامترية (Parametric Knowledge)، مما يسهم في تقييم أساسات التفسير باللغة الطبيعية (Natural Language Explanations).

غالبًا ما كان التركيز في الأبحاث السابقة ينصب على توليد الخطوات الواحدة والتفاعل الثنائي بين نوعي المعرفة. ومع ذلك، فإن هذا الجانب من البحث يفتقر إلى استكشاف العوامل الغنية في التفاعلات المعرفية وكيفية تأثيرها في توليد النصوص على المدى الطويل. جاءت الدراسة الجديدة لتقترح نموذجًا متقدمًا يستخدم فضاء إسقاط من الرتبة الثانية (Rank-2 Subspace) لفصل مستويات التفاعل بين المعرفة السياقية والبرامترية بشكل أكثر دقة.

عبر إجراء تجارب على أربعة مجموعات بيانات للإجابة على الأسئلة وثلاث نماذج لغة مفتوحة الوزن، أثبت التحليل أن نماذج الرتبة الأولى (Rank-1 Subspaces) قد تفشل في تمثيل التفاعلات المتنوعة بفعالية، بينما يمكن لنموذج الرتبة الثانية التقاطها بشكل أفضل. على سبيل المثال، يُظهر تحليل التفاعلات الناتجة عن توليد المعرفة المضللة توافقًا قويًا مع اتجاه المعرفة البرامترية، في حين أن توليدات السياق الأكثر صدقًا تحافظ على توازن بين الاتجاهين.

باختصار، هذه الدراسة تكشف النقاب عن آلية جديدة لفهم كيف تتفاعل نماذج اللغة الكبرى مع مصادر متنوعة من المعرفة، مما يقدم رؤى عميقة حول طريقة صنع القرارات في نماذج الذكاء الاصطناعي. هل تعتقد أن هذه الفجوات في المعرفة ستجعل من الصعب على الذكاء الاصطناعي تحقيق مستوى عالٍ من الدقة عند توليد المحتوى؟ شاركونا آراءكم في التعليقات!