تتسم اللغة البشرية بغناها وتعقيدها، مما يجعلها متعددة المعاني أو ما يُعرف بـ "تعدد المعاني". معظم الكلمات المستخدمة، مثل "مصرف" أو "كف"، تحمل دلالات مختلفة تعتمد على السياق. وقد أظهرت النماذج اللغوية الكبيرة (Large Language Models) قدرتها على استيعاب هذه التعددية، ولكن يبقى السؤال: كيف تُعبر النماذج متعددة الوسائط عن هذه المعاني؟

في دراسة جديدة، تم تحليل 17 نموذجًا لتحويل النص إلى صورة و15 نموذجًا لتوليد النص، حيث تم إعطاء كل نموذج كلمة متعددة المعاني دون سياق لتحديد معنها، وتم قياس النتائج لتحديد أي المعاني يتم إنتاجها بشكل أكبر. أظهرت النتائج وجود فجوة واضحة في المقارنة بين الصور والجمل، حيث فعلت الصور عددًا أقل من المعاني مقارنة بالجمل المنتجة: 0.10 مقابل 0.25 في معدل الفوضى المعياري، في حين كانت تعبيرات الناس عن المعاني لها تنوع أكبر (0.47).

عند الطلب من نموذج لإيجاد تكرار المعاني المختلفة لكلمة معينة، جاءت توقعاته بأنماط متنوعة أكثر من الفعلي. تكشف هذه النتائج عن وجود فجوة متعددة الوسائط في كيفية تعبير النماذج الأساسية عن المعاني، مما يطرح تساؤلات حول مدى دقة فهمها وانتقالها عبر الوسائط المختلفة.

هذه الدراسة تفتح الطريق لفهم أفضل لكيفية تحليل النماذج اللغوية لمفاهيم وتعابير اللغة، وقد تثير اهتمام باحثي الذكاء الاصطناعي لفهم تفاعلات الكلمات متعددة المعاني في مجالات متنوعة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!