في عالم يتنامى فيه الاعتماد على الذكاء الاصطناعي، قد تقود الأخطاء الصغيرة إلى تحولات كبيرة في فهمنا للحقائق العلمية. هذا ما أظهرته دراسة جديدة صدرت عبر منصة arXiv، حيث تم تسليط الضوء على قدرة نماذج اللغة الكبيرة (Large Language Models) على ارتكاب أخطاء في تلخيص النصوص العلمية، وهي مشكلة قد تؤدي إلى عكس ادعاءات علمية.

للتصدي لهذه الأخطاء، يتم تقديم مفهوم جديد يُعرف باسم "التحقق من الكميات المعنوية"، والذي يشمل تصنيفًا مكونًا من خمس فئات تُعاني من الأخطاء المتعلقة بالكميات. تم تطوير نقطة مرجعية تتكون من 1500 عنصر تم إعادة كتابتها من مصادر مختلفة مثل PMC وarXiv، وتم تصنيفها بواسطة اثنين من المراجعين المستقلين باستخدام أدوات تحليل متقدمة.

تظهر النتائج أن نموذج ModernBERT الذي تم تدريبه على هذه النقاط المرجعية أظهر دقة لم يسبق لها مثيل، متجاوزًا نماذج التحقق من الحقائق الأخرى. ومع ذلك، لوحظت مشكلة هيكلية واضحة عند التعامل مع العبارات المكافئة بشكل تقني، حيث انخفضت الدقة إلى 36.5%. للتغلب على هذه المشكلة، تم اقتراح "تعزيز رمزي" (Symbolic Augmentation)، وهو إطار عمل يُستخدم في مرحلة التدريب لتوليد بيانات تدريبية محسنة.

هذا النموذج الجديد قد رفع من قوة التحمل ضد الأخطاء إلى 98.2%، مع تحقيق تحسين طفيف في الدقة العامة. كما تمكن النموذج المعزز من التنافس مع نماذج اللغة الكبيرة المتطورة دون أي تكلفة إضافية أثناء الاستدلال.

تشير النتائج إلى أن تعزيز الجودة الرمزية في مرحلة التدريب هو المفتاح لتكامل فعال بين الأجزاء الرمزية والمكونات المتعلمة، مما يثير المزيد من الأسئلة حول مدى تحسين تقنيات الذكاء الاصطناعي في المستقبل.