عندما تضيع التناقضات العلمية في الترجمة: كيف تؤثر نماذج الذكاء الاصطناعي على الفهم العلمي؟

في عالم العلوم، قد تبدو النتائج المختلفة متناقضة، لكنها قد لا تكون كذلك بالضرورة. يطرح السؤال: كيف يمكن لModels Languages أن تؤثر على الطريقة التي نفهم بها هذه النتائج؟ في دراسة جديدة، تم تحليل كيفية تصرف نماذج اللغة في لحظات حاسمة تتعلق بالقرارات العلمية.

في هذه الدراسة، تم إنشاء نظام قيود XOR غير قابل للإرضاء، وبالتالي ترجمته إلى تقارير علمية قادمة من مختبرات مختلفة. بينما يقدم أحد التخصيصات المزيد من القيود التي تلبي، يفضل الآخر النتائج الأفضل توافقًا مع توقعات علم الأحياء.

هذا الوضع يطرح تساؤلات حول ما إذا كان النموذج سيختار التخصيص الذي يتماشى مع القيود أو ذلك الذي يتوافق بشكل أفضل مع التوقعات البيولوجية. أظهرت النتائج أن Claude Opus 5 وGPT-5.6 Sol كانا قادرين على استرجاع التخصيص الأكثر دعمًا بنسبة 96% و90% على التوالي عند طرح القيود بشكل مباشر. لكن عند وصول القيود بأدب علمي، بدأ كلا النموذجين بالتصرف بشكل مختلف.

فغالبًا ما يفضل Claude Opus 5 التخصيص الذي يتماشى مع التوقعات البيولوجية. وعند إزالة هذا التفضيل البيولوجي، زادت تكرار استرجاع تخصيص جيد الدعم من 27% إلى 79%، وبلغت النسبة 92% عند تقديم طلب للتشكيل ووجود إشارة تصميم مرتبطة، ما يؤكد على أهمية كيفية اتخاذ النموذج لقراراته.

بينما كان GPT-5.6 Sol أقل حساسية، وهو ما يشير إلى أن تكلفة التحليل الدقيق تتعلق أيضًا بكيفية مقارنة النماذج للاكتشافات والعلاقات التي تُنتجها. لذلك، يبدو أن التحقق العلمي الدقيق يعتمد ليس فقط على المنطق الرسمي، لكن على كيفية فهم هذه النماذج للنتائج.