في عالم البحث النوعي، تمثل نماذج اللغات الضخمة (LLMs) إمكانيات جديدة تتمثل في الترميز وتحليل البيانات التعليمية بشكل واسع. ومع ذلك، فإن الدراسات حول فائدة أنظمة الوكلاء متعددة النماذج (MAS) مقارنةً بوكلاء LLM المنفردين لا تزال في مرحلة مبكرة من الفهم.

لذلك، تم إجراء دراسة تجريبية لاستكشاف كيفية تأثير شخصية الوكلاء ودرجة الحرارة على توافق الترميز، مع التركيز على مقاطع الحوار من الدروس عبر الإنترنت. تم استخدام ثمانية رموز مستمدة من بحث سابق، مما أتاح لنا مقارنة إجراءات الترميز مع معيارٍ ذهبي مُعتمد بواسطة المراجعين البشريين.

واحدة من النقاط الرئيسية التي تم تحديدها هي أن درجة الحرارة كان لها تأثير كبير على متى وكيف يتم الوصول إلى توافق بين الوكلاء. بالإضافة إلى ذلك، وجدنا أن استخدام شخصيات متعددة، مثل الحيادية أو الحزم أو التعاطف، قد يؤخر الوصول إلى هذا التوافق في معظم الحالات.

ومع ذلك، على الرغم من تكامل هذه العوامل، لم تظهر تحسنات كبيرة في دقة الترميز. بل إن الوكلاء المنفردين أظهروا قدرة مماثلة أو حتى أفضل من نظام الوكلاء متعددة النماذج في معظم الظروف.

يمكن أن تساعد التحليلات النوعية لتفاعلات MAS وعدم توافق الترميز في تحسين تصميم قوائم الرموز، مما يعزز التفاعل بين الإنسان والذكاء الاصطناعي. تبقى الأسئلة حول كيفية تحسين الاستفادة من نماذج اللغات الضخمة واستخدامها في الأبحاث مفتوحة للبحث والمناقشة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.