تعتبر نماذج اللغات الضخمة (Large Language Models) أداة حيوية في ميدان الذكاء الاصطناعي، إلا أن التحديات التي تواجهها تتزايد مع تطور المعرفة العلمية. فبينما تعتمد هذه النماذج على قواعد بيانات علمية ثابتة، فإن المعرفة العلمية تتطور باستمرار من خلال التصحيح والمراجعة.

تسليط الضوء على هذه المشكلة يثير تساؤلات مهمة حول الادعاءات العلمية المدونة داخل هذه النماذج. قد يتم إبطال أو تحديث بعض الادعاءات العلمية من قبل الأبحاث اللاحقة، مما يزيد من خطر نشر معلومات قديمة قد تؤثر على نتائج وأبحاث جديدة.

في هذا السياق، تظهر الحاجة إلى جعل هذه النماذج تنسى الادعاءات العلمية القديمة، وهنا تأتي أهمية مفهوم "التعلم الآلي غير المباشر" (Machine Unlearning)، الذي يعد بتقديم حل واعد يمكن من خلاله إزالة المعرفة غير الدقيقة دون التأثير على فعالية النموذج.

بالرغم من أن الدراسات الحالية تركز على نسيان المعرفة على مستوى الحالات الفردية، إلا أن التعامل مع الادعاءات العلمية يتطلب استراتيجيات أكثر تخصصاً؛ حيث أن هذه الادعاءات تتصل ببعضها البعض وتتكامل ضمن معلومات متعددة. لذلك، قدمت الدراسة مهمة جديدة تُسمى "حذف الادعاء العلمي" (Scientific Claim Unlearning) ومعياراً جديداً يُعرف باسم SciUnlearn.

أظهرت النتائج أن الطرق الحالية في حذف المعرفة لا تستطيع بشكل فعال التخلص من هذه الادعاءات العلمية، وغالباً ما تحقق فقط إ suppression سطحي. هذا يسلط الضوء على الحاجة الملحة لتطوير طرق متخصصة تهدف إلى إزالة المعرفة المهيكلة بشكل أكثر فعالية.