في ظل التوسع الكبير في استخدام نماذج اللغات الضخمة (Large Language Models) في الأبحاث العلمية، تبرز الحاجة الملحة للحد من الأخطاء التي قد تؤثر على دقة استخراج البيانات من مجموعات النصوص الكبيرة. يعتمد الكثير من الأساليب الحالية، مثل هندسة الاستعلام (Prompt Engineering) والطرح التسلسلي للأفكار (Chain-of-Thought Prompting)، على وثائق فردية دون اعتبار العلاقات التي تربطها ضمن المجموعة.

في هذا السياق، يقدم البحث الجديد تقنية مبتكرة تُعرف باكتشاف الشذوذ في السياق بين الأقران (Peer Context Outlier Detection - P-COD) والتي تهدف إلى تحسين دقة استخراج المعلومات في تلخيص الأدبيات العلمية. تعتمد هذه التقنية على تقييم العلاقات بين الوثائق، حيث يُفترض أن الوثائق التي تتشارك في إعدادات تجريبية مشابهة يجب أن تتوصل إلى استنتاجات متقاربة.

من خلال مقارنة البيانات المستخرجة مع معلومات معتمدة من أقران ضمن المجموعة، تُعدّل النقاط الخاصة بالثقة وتُشخّص النتائج ذات الثقة المنخفضة لإعادة مراجعتها من قبل الخبراء. أظهرت التجارب المُعتمدة استخدام هذه الطريقة نجاحًا إلى حد بعيد، حيث حققت دقة تصل إلى 98% في اكتشاف الشذوذ عبر 6 مجالات علمية، مما يساعد الباحثين على التركيز على الحالات التي يتمتع فيها الأمر بغموض حقيقي.

إذا كنت تبحث عن طرق جديدة لتحسين دقة عملك البحثي وتقليل الأخطاء الناتجة عن نماذج الذكاء الاصطناعي، فإن استخدام P-COD يمكن أن يكون أحد الحلول الفعالة.