في عالم الذكاء الاصطناعي، يعتبر تعلّم السياق (Context Learning) واحدًا من المهام الناشئة التي تتطلب من نماذج اللغات الضخمة (LLMs) التعلم وتطبيق معرفة جديدة، خاصة عند مواجهة سياقات معقدة لم تمر عليها أثناء التدريب. رغم أن هذه النماذج قد حققت نتائج متدنية تصل إلى أقل من 24% في نجاح المهام، فقد أثبتت دراسات جديدة أن السبب وراء ذلك قد يكمن في كيفية الوصول إلى المحتوى.

قامت الدراسة الأخيرة بإجراء تحليل شامل لفهم أسباب صعوبة هذه المهمة، وبتطبيق ثلاثة أنواع من التقييم على معيار تعلّم السياق (CL-Bench)، تم الوصول إلى استنتاجات مهمة. تشير النتائج إلى أن 55.4% من عناصر التقييم تتعلق باكتساب المواصفات، مقارنة بـ 22.6% التي تتعلق باكتساب المحتوى فقط. على الرغم من أن 76.7% من المواصفات كانت غير محددة في استفسارات المستخدمين، فقد تبين أن 95.5% منها يمكن تتبعه في السياق المعطى، مما يدل على أنها متطلبات قابلة للتعلم.

وتم تصميم تدخل بسيط يسمى PSCI (التحريض على عقد المواصفات الخاصة) الذي يركز على استخراج المواصفات المحلية والتحقق من صحتها عبر تقنيات التحقق المعاكسة. وقد أظهرت التجارب أن PSCI حققت نتائج مبهرة، حيث رفعت معدل النجاح إلى 28.14% مع نموذج GPT-5.1، مشيرةً إلى أن تحسين الأداء ليس فقط نتيجة لاكتساب المحتوى، بل يتطلب أيضًا جهدًا في اكتساب المواصفات.