في عالم الذكاء الاصطناعي، تبرز أهمية تطوير نماذج لغوية متقدمة (Large Language Models) قادرة على إظهار مستوى مرتفع من الثقة اللفظية. تشير أحدث الدراسات إلى أن نماذج صغيرة ذات تعليمات محددة يمكن أن تعاني من ضعف في الثقة: سجلت معدلات الثقة اللفظية لديها 95% تقريباً، لكن الأداء الفعلي كان قريباً من الصدفة.

تحت المجهر، تمت دراسة تأثير تنسيق الثقة بالاعتماد على التعلم الذاتي، حيث تم استخدام الأهداف المستمدة من الثقة الذاتية لسد الفجوة بين المعلومات الداخلية والنتاج اللفظي. وفي دراسة مثبتة مع نموذج Gemma 3 4B-it، أظهرت النتائج الأولية تراجعًا في الأداء، حيث انخفضت قيم AUROC2 من 0.554 إلى 0.509 بسبب انهيار تنوع العلامات المستهدفة.

لكن الباحثين لم يتوقفوا عند هذا الحد. في محاولات لاستعادة النتائج، قرروا إزالة الفلاتر المقيدة وتدريب النموذج على جميع عناصر المعايرة البالغ عددها 2000. هذه الخطوة أنتجت مميزًا ثنائيًا لل correctness اللفظي بقيمة AUROC2 تجاوزت 0.774، مما يدل على إمكانية ضغط التنبؤات من إشارة الثقة الذاتية ذات العشر عينات إلى نتائج أحادية تتجاوز التعقيد.

ومع ذلك، أظهرت الدراسات التجريبية الأخرى أنه لا تحسن قد تحقق مع أنماط عشوائية، ما أثار تساؤلات حول فعالية التقنيات المستخدمة. وبينما أظهرت النتائج تحسنًا في دقة الاختبارات إلى 77.4%، تبقى الدراسات مستقبلية ومتوجهة نحو الكشف عن كيفية تحسين النماذج بشكل فعال.

تسلط هذه الدراسة الضوء على درسين مهمين؛ أولهما أن التدريب على الثقة يتطلب تنوعًا في العلامات، والثاني أن الأهداف الصحيحة المستهدفة تحدد شكل المخرجات. هل تعتقد أن هذه النتائج ستساهم في تطوير نماذج أكثر فعالية؟ شاركونا آراءكم في التعليقات!