تعتبر نماذج اللغات الضخمة (Large Language Models) أحد أكثر الأدوات شهرة في الذكاء الاصطناعي لعلاج المهام المفتوحة، لكن استخدام الطلبات غير المحددة قد يؤدي إلى إجابات ذات جودة منخفضة وضرورة لتفاعلات إضافية. ولهذا السبب، قامت دراسة جديدة بالغوص في كيفية تحسين تصميم الطلبات بطريقة منظمة لرفع جودة الاستجابات وتقليل جهد المستخدمين.

قامت الدراسة بمقارنة ثلاثة أنواع من الطلبات: الطلب الأصلي، الطلب المحسن باستخدام قوائم التحقق، وطلب يعتمد على أسئلة توضيحية. تم تقييم هذه الأنواع عبر أربعة أنواع من المهام: التلخيص، التخطيط، الشرح، والبرمجة، باستخدام أنظمة نماذج لغوية مثل ChatGPT وClaude وGrok.

أظهرت النتائج أن الطلبات المحسنة بواسطة قوائم التحقق حققت متوسط ​​درجات أعلى على مقياس موحد، حيث حصلت على 7.50 من 8، مقارنة بـ5.67 للطلبات الأصلية و6.67 للطلبات المعتمدة على أسئلة توضيحية. كما أظهرت الطلبات المحسنة أفضل توازن بين جودة الاستجابة والجهد المبذول، حيث استخدمت عددًا أقل من الرموز النصية مقارنة بالطلبات الأخرى.

تشير هذه النتائج إلى أن اعتماد قائمة تحقق بسيطة يمكن أن يحسن استجابات نماذج اللغات الضخمة بشكل كبير، مما يساهم في تقليل التفاعلات غير الضرورية، وهذا يعد انطلاقة جديدة نحو تحسين تجربة المستخدم في التعامل مع نماذج الذكاء الاصطناعي.