في عصر يتزايد فيه التركيز على أهداف التنمية المستدامة (Sustainable Development Goals - SDGs)، تبرز أهمية تحليل محتوى الأخبار لفهم مدى تمثيلها للتقدم أو التراجع نحو هذه الأهداف. تهدف الأمم المتحدة من خلال أهداف التنمية المستدامة إلى مواجهة التحديات الاجتماعية والبيئية والاقتصادية الكبرى على مستوى عالمي.

مع التطورات الأخيرة في معالجة اللغة الطبيعية (Natural Language Processing - NLP) ونماذج اللغة الضخمة (Large Language Models - LLMs)، تمكن الباحثون من تحديد محتوى متعلق بأهداف التنمية المستدامة بشكل آلي، لكن المشكلة تبقى في عدم القدرة على تحديد ما إذا كانت الأحداث الموصوفة تمثل تقدماً أو تراجعاً لكل هدف.

في إطار معالجة هذه الفجوة، تم تقديم مهمة جديدة تُعرف باكتشاف انحياز أهداف التنمية المستدامة، وتم إطلاق مجموعة بيانات SDG-POD التي تجمع بين أمثلة تم توضيحها يدوياً وأخرى تم توليدها بشكل اصطناعي. تم تقييم ستة نماذج LLMs مفتوحة المصدر في سياقات مختلفة، مع التركيز على تأثير تحسين البيانات الاصطناعية على أداء النموذج.

تشير النتائج إلى أن اكتشاف انحياز أهداف التنمية المستدامة لا يزال يمثل تحدياً، ومع ذلك، فإن النماذج المعززة بالتدريب، وخاصة نموذج QWQ-32B، حققت أفضل أداء بشكل عام.

تظهر النتائج القوية للنموذج على الأهداف SDG-9 وSDG-12 وSDG-15 أهمية تحسين البيانات الاصطناعية في تعزيز متانة النماذج وأداء التصنيف. توفر هذه الدراسة مؤشراً جديداً في عالم تكنولوجيا الذكاء الاصطناعي، مما يفتح آفاقاً جديدة لتطوير أنظمة تعتمد على LLMs لمراقبة الاستدامة.