استكشاف الصراعات السياسية: نموذج جديد لمحاكاة تكوين الائتلافات باستخدام نماذج لغوية ضخمة!

في عالم السياسة، يُعتبر تشكيل الائتلافات السياسية عملية معقدة تتطلب التفاوض على أهداف سياسية محددة بالإضافة إلى التوجهات الإيديولوجية العميقة. ومع ظهور نماذج اللغة الضخمة (Large Language Models - LLMs)، أصبحت هناك آفاق جديدة لاستكشاف العلوم السياسية الحسابية، إلا أن تحيزات الحيادية والمساعدة المدعومة بتقنيات التعلم من التعليقات البشرية (Reinforcement Learning from Human Feedback - RLHF) قد تعيق ردود الفعل الحزبية المستمرة.

لذلك نقدم إطار عمل متعدد الوكلاء يهدف إلى التوفيق بين الحقائق الإيديولوجية والتوجهات السياسية من خلال دمج تقنيات مثل الضبط الدقيق المشرف (Supervised Fine-Tuning - SFT)، تحسين التفضيلات المباشرة (Direct Preference Optimization - DPO) وتوليد معزز بالمعلومات (Retrieval-Augmented Generation - RAG). حيث يساهم تحسين التفضيلات المباشرة في تعزيز شخصيات حزبية متعصبة، بينما تضمن خطوط الأنابيب المبنية على ركيزة كل حزب أن تظل كل وكيل مرتبطة ببيانها الرسمي.

قمنا بتطبيق هذا الإطار خلال انتخابات 2019 الفلمنكية، بمشاركة وكلاء حزبيين في مفاوضات تحت إشراف مُعين. ولتفسير سير المفاوضات الناشئة، قدمنا مفهوم "خط المعلومات متعدد الطبقات" (Multi-Layered Information Lineage Topology - MILT) الذي يربط كل بند في الاتفاق النهائي بمصدره في البيان الرسمي، ويصنفه إلى خمس حالات اعتماد. بالإضافة إلى ذلك، تم تقديم "نقاط تأثير الائتلاف" (Coalition Influence Score - CIS) التي تجمع هذه المساهمات القابلة للتتبع لتحدد أي حزب شكل الاتفاق.

عبر ثلاث محاكيات مستقلة، أثبت الإطار قدرته على تقديم فائز مستقر وتصنيف (حزب N-VA متصدرًا على حزب CD&V وOpen Vld)، كما أن العلاقة المستندة إلى البيانات تعزز توقعات تحقق التوافق في العالم الحقيقي، بينما المحتوى الوهمي لا يحقق تلك النتيجة. وقد أسفر هذا عن إنشاء مختبر شفاف وقابل للتوسع لاستكشاف توافق الأحزاب والمساومات المدارة من قبل المُعين.

كيف ترى تأثير هذه التقنيات في عالم السياسة؟ شاركنا آرائك في التعليقات!