في عصر تتنوع فيه البيانات والمعلومات، تشكل تقنيات التوصية حجر الزاوية لتوجيه المستخدمين نحو المحتوى الذي يتناسب مع اهتماماتهم. وللأسف، كانت الأساليب التقليدية تعتمد بشكل كبير على مواسير خصائص معقدة يصعب صيانتها وتطويرها. ولكن مع التقدم في نماذج اللغة الكبيرة (LLMs)، أصبحت الفرصة سانحة لتحسين التحكم في هذه الأنظمة.

فقد أظهر البحث الجديد المنشور في arXiv تحت عنوان "من التحفيز إلى المحاذاة السلوكية: نماذج لغوية شخصية لتقييم التوصيات" كيفية إحداث ثورة في طريقة خوارزميات التوصية. حيث تم اكتشاف وضع فشل حرج يُعرف باسم "تفسير ثنائى الاتجاه"، والذي يُظهر قدرة هذه النماذج على تقديم حجج مقنعة لكل من النتائج الإيجابية والسلبية لنفس العنصر بالاعتماد على الأدلة ذاتها. وهذا يعني أن الاعتماد على نماذج اللغة الجاهزة قد لا يكون موثوقًا في توقع سلوك المستخدم.

للتصدي لهذه التحديات، قدم الباحثون إطارًا جديدًا يُعرف بمحاذاة سلوكية متسلسلة، يجمع بين تحسين التفضيلات والتعديل الدقيق للنماذج. وقد تم اختبار هذا الإطار باستخدام سجلات تفاعل حقيقية لموقع على الإنترنت، وأظهرت النتائج تحسنًا بنسبة 32.19% في درجة Macro-F1 مقارنة بالأساليب التقليدية.

بفضل هذا النهج، تم تقليل تأثير "التفسير الثنائي الاتجاه"، بينما تم توفير آثارات تحليلية مفهومة للبشر بدون الحاجة إلى جهود إضافية في إدارة المواسير. وهذا يُظهر أن تكامل العلوم السلوكية مع تكنولوجيا النماذج يمكن أن يُحدث فرقًا كبيرًا في عالم التوصيات.