في عالم الذكاء الاصطناعي، يعد فهم كيفية اعتماد الشبكات العصبية على الإشارات البصرية خطوة هامة لفهم عمليات اتخاذ القرار الداخلية لديها. لقد لعب اختبار تداخل الإشارات (cue-conflict) دورًا كبيرًا في استكشاف تفضيلات الشكل والملمس، ودفعنا إلى إدراك أن الانحياز الأقوى نحو الشكل، والذي يشبه الأنماط البشرية، غالبًا ما يرتبط بتحسين الأداء في مجالات معينة.

ومع ذلك، ظهر تحدٍ في التقديرات الحالية لهذا الانحياز، حيث قدم نموذج الشكليات القائم على التقدير تقديرات متقلبة وغامضة. تحديدًا، قد لا تقوم الشكليات بتأسيس إشارات قابلة للإدراك ومفصولة بشكل موثوق، ولا تتحكم في مستوى المعلومات النسبية. يُمكن أن يؤدي القياس على أساس النسب إلى إخفاء حساسية الأساسيات المطلقة، كما أن تقيد التقييم بفئات مختارة مسبقًا قد يشوه التوقعات من النموذج من خلال تجاهل المساحة الكاملة للقرارات.

للتغلب على هذه التحديات، نقدم مجموعة بيانات وإطار تقييم جديدين تحت اسم REFINED-BIAS. تم تصميم REFINED-BIAS لتكوين أزواج إشارات متوازنة يمكن تمييزها بواسطة البشر والنماذج، من خلال تعريفات واضحة للشكل والملمس، ويقيس حساسية كل إشارة عبر المساحة الكاملة للتسميات باستخدام مقياس قائم على الترتيب.

بفضل REFINED-BIAS، يمكننا إجراء مقارنات أكثر عدلاً بين النماذج، وتشخيص الانحيازات المرتبطة بالشكل والملمس بدقة أكبر، مما يسهم في توضيح النتائج التجريبية. هذا الإنجاز يعالج التناقضات التي لم تتمكن التقييمات السابقة من تفكيكها بشكل موثوق.

إن هذا التقدم يعد بمثابة خطوة مهمة نحو تعزيز الشفافية والموثوقية في النماذج العصبية، مما يتيح لنا فهمًا أعمق لآلية عملها وكيفية تحسين أدائها.