في عالم يتزايد فيه استخدام الذكاء الاصطناعي، يُعتبر تخطيط مهام الروبوتات خطوة حاسمة لتحويل التعليمات البشرية إلى إجراءات تنفيذية. ورغم أن النماذج اللغوية الضخمة (Large Language Models) حققت انتعاشاً ملحوظاً في هذا المجال، إلا أنها تعاني من تحدٍ كبير يتمثل في غموض التعليمات البشرية. فعلى الرغم من أن المستخدمين العاديين غالباً ما يقدمون تعليمات غير واضحة، إلا أن النماذج الحالية تفترض أن هذه التعليمات تتسم بالوضوح والبساطة.

تظهر الدراسات أن الغموض هذا ينشأ بشكل متكرر من التعبيرات المرجعية (Referencing Expressions) التي تعتمد على السياق والحالتي، مما يجعل الأمر أكثر تعقيداً عند التعامل مع الفئات الاجتماعية مثل الأطفال وكبار السن. لذلك، تم اقتراح Benchmark جديدة تُعرف باسم REI-Bench، والتي تقوم على نمذجة التعبيرات المرجعية الغامضة، وذلك بناءً على نظرية عملية تهدف إلى تحسين أداء الروبوتات في التخطيط لمهامها.

أظهرت النتائج أن الغموض يمكن أن يؤثر بشكل كبير على أداء الروبوتات، حيث تصل معدلات الفشل إلى 36.9% نتيجة نقص بعض الأدوات اللازمة في تخطيط المهام. على الرغم من ذلك، تمكن الباحثون من تقديم حلاً مبتكراً يتضمن تطوير “إدراك السياق الموجه للمهام” (Task-Oriented Context Cognition)، وهو أسلوب يمكن الروبوتات من فهم التعليمات بشكل أفضل، مما يؤدي إلى تحقيق أداء متميز مقارنةً بالاستراتيجيات التقليدية.

تُسهم هذه الدراسة في تعزيز إمكانية استخدام الروبوتات من قبل الفئات غير المتخصصة، مما يفتح آفاقاً جديدة لتطبيقات الذكاء الاصطناعي في حياة الناس اليومية.