في السنوات الأخيرة، أصبحت نماذج اللغات الضخمة (Large Language Models) جزءًا أساسيًا من عملية البحث الأكاديمي، لكن ماذا يحدث عندما تتداخل هذه النماذج مع استعراض الأبحاث؟ في تحليلٍ مثير، وُجد أن نماذج الذكاء الاصطناعي تميل إلى اختيار عدد محدود للغاية من المراجع، مما يعكس ظاهرة تُعرف بـ "استشهاد أحادي".

تتناول الدراسة 120 ورقة بحثية حقيقية، حيث أظهرت نتائج مذهلة، إذ اختارت 11 نموذجًا من ثلاث شركات على الأكثر عشر ورقات من مجموعة عشوائية تضم ثلاثين ورقة. الفرص التي تُقدم للباحثين للاطلاع على أعمالهم قد تتقلص كنتيجة لتكرار بعض المراجع. فعلى الرغم من أن جميع المراجع كانت حقيقية، إلا أن الضغط الذي تمارسه نماذج الذكاء الاصطناعي يؤدي إلى تقليص التنوع العلمي.

كارثة هذه الظاهرة تكمن في أن التوافقات بين مختلف النماذج قد تترك آثارًا سلبية على المعرفة العلمية، حيث أظهرت الأبحاث أن أعلى 10% من المراجع حصلت على ما بين 23.3% و30.2% من الاستشهادات، في حين كانت النسبة في حالة الاختيار العشوائي 15.6%. وعندما يقترح الخبراء المعنيون بالفعل استشهاداتهم، لم تُظهر أي تفضيلات مشتركة.

تشير النتائج إلى أن مجرد تغيير مصادر الاسترجاع أو خلط الشركات ليس كافيًا؛ بل يجب تعديل خريطة التفضيلات المشتركة ذاتها. هذه الدعوة للتغيير تدعو إلى إعادة النظر في كيفية استخدام نماذج الذكاء الاصطناعي في البحث العلمي والتأكيد على أهمية التنوع الفكري.

ما رأيكم في ضرورة تعديل أساليب الاسترجاع العلمي لضمان تنوع أكبر في مصادر المعلومات؟ شاركونا آراءكم في التعليقات.