تسعى الأبحاث في مجال الذكاء الاصطناعي إلى فهم كيفية انتقال القدرات المرجوة في تجربة لغوية معينة إلى لغات أخرى. وفي هذا السياق، تم تقديم نموذج جديد يُعرف باسم "Multilingual GSM-Symbolic"، والذي يعد بمثابة خطوة متقدمة نحو تحديد العوامل التي تؤثر في نقل القدرات بين اللغات.

يتميز هذا النموذج بكونه مجموعة بيانات رياضية متعددة اللغات تحتوي على 30,000 زوج من الأسئلة والأجوبة المطابقة، تغطي 15 لغة، مما يساعد في تحليل كيفية أداء النماذج اللغوية المختلفة في مجالات متنوعة. يتم استخدام قوالب رمزية داخل النموذج لتفادي التحجيم الزائد وضمان الاستنتاج الجيد من خلال السماح بإنشاء الملايين من المتغيرات العالية الجودة من عينة واحدة.

في تحليلهم، وجد الباحثون أن أبرز العوامل المؤثرة في أداء النموذج تشمل حجم النموذج (معامل $eta = 1.77$)، مستوى المورد اللغوي (معامل $eta = 0.77$)، قدرة التفكير المنطقي (معامل $eta = 0.67$) والمسافة النمطية بين اللغات (معامل $eta = -0.25$). يُظهر هذا التقييم المشترك كيف يمكن لهذه العوامل تجاوبها مع بعضها البعض لتحقيق أداء أفضل في اللغات ذات الموارد المحدودة.

فمثلاً، يشير النتائج إلى أن نموذج بحجم 32 مليار وحدة في اللغة الماراثية يمكن أن يقدم أداءً مماثلاً لنموذج بحجم 10 مليارات وحدة في اللغة الإنجليزية. هذه النتائج ليست فقط مفيدة للمطورين الذين يسعون لتحسين أداء نماذجهم، بل تُظهر أيضاً كيف أن حجم النموذج وقدرته على التفكير يمكن أن تقلل الفجوة في الأداء بين اللغات ذات الموارد القليلة والعالية.

بالمجمل، يشرح إطار العمل التحليلي أكثر من 92% من التباين بين اللغات، لكنه يفسر فقط 23% من التباين حسب النموذج واللغة. لذا، يتمكن الباحثون من توقع أداء النموذج في لغات غير مرئية ضمن معلومات دقيقة تصل إلى 6.0 نقاط مئوية، ومع القياسات من 10 قوالب فقط في اللغة المستهدفة، يتم تقليص هذا إلى 4.19 نقطة مئوية.

فما هو رأيكم في هذه الخطوات الجديدة نحو فهم نقل القدرات بين اللغات؟ شاركونا في التعليقات!