تعتبر تفاعلات القائد-المتابع (Leader-Follower) من الأنماط الأساسية في مجال تفاعل الإنسان مع الروبوتات (HRI)، حيث توفر أسلوبًا فعّالًا للتواصل. ومع ذلك، تظل عملية تحديد الأدوار في الوقت الحقيقي تحديًا كبيرًا للروبوتات المساعدة والمتحركة ذات الموارد المحدودة. يُظهر استخدام نماذج اللغات الكبيرة (LLMs) بريقًا واعدًا في تسهيل الاتصالات الطبيعية، ورغم ذلك، يُقيد حجمها وزمن التأخير إمكانية استخدامها في الأجهزة المحمولة.

من جهة أخرى، تُعد نماذج اللغات الصغيرة (SLMs) بديلًا محتملاً، لكن فعاليتها في تصنيف الأدوار ضمن تفاعلات HRI لم يتم تقييمها بشكل منهجي حتى الآن. في هذا البحث الجديد، تم تقديم قاعدة بيانات مبتكرة مشتقة من مصادر منشورة بُنيت بالتعاون مع عينات صناعية لتعكس الديناميات الخاصة بالتفاعل.

كما تم دراسة استراتيجيتين للتكيف وهما: هندسة الموجهات (Prompt Engineering) والتدريب الدقيق (Fine-Tuning)، وذلك ضمن وضعيات التفاعل صفر-طلق (Zero-Shot) وواحد-طلق (One-Shot)، وتمت مقارنتها مع نموذج أساسي غير مدرب. أظهرت التجارب على نموذج Qwen2.5-0.5B أن التدريب الدقيق في وضع صفر-طلق يحقق أداءً قويًا في التصنيف (86.66% دقة) مع الحفاظ على زمن تأخير منخفض (22.2 مللي ثانية لكل عينة)، متفوقًا بشكل كبير على الأساليب الأساسية والمطورة عبر الموجهات.

ومع ذلك، كشفت النتائج أيضًا عن تدهور في الأداء عند استخدام وضع واحد-طلق، حيث يواجه طول سياق أكبر تحديات تؤثر على سعة نموذج الهيكل المعماري. توضح هذه النتائج أن SLMs المدربة بدقة توفر حلاً فعالًا لتعيين الأدوار بشكل مباشر، بينما تسلط الضوء على التوازن الحرج بين تعقيد الحوار وموثوقية التصنيف على الأجهزة.