يشهد عالم التكنولوجيا تحولات جذرية بفضل البيانات الرقمية التي توفر سجلات موضوعية لاستخدام التطبيقات. ومع ذلك، يظهر التحدي الأكبر في تحليل هذه البيانات بسبب الضوضاء والتفاصيل الدقيقة التي تجعل من الصعب استخراج رؤى ذات معنى حول تفاعلات المستخدمين. وفقًا لدراسة جديدة نُشرت في arXiv، صُمم إطار عمل مبتكر باسم WorkflowView يهدف إلى تجاوز هذه العقبات من خلال استخدام نماذج اللغة الضخمة (Large Language Models) لتحويل تسلسلات الإجراءات المنخفضة إلى نشاطات قابلة للتفسير.

تتجه استراتيجيات سابقة نحو استخدام نماذج التعلم العميق لدمج إجراءات المستخدم في نشاطات عالية المستوى، ولكن هذه الأساليب كانت حساسة للغاية للضوضاء وتعاني من صعوبة في التعميم عبر التطبيقات المختلفة. ومع WorkflowView، تم تقديم نهج جديد يؤدي إلى نتائج مثيرة للإعجاب عبر ثلاث مهام معقدة ومجالات متنوعة:

1. **إعادة بناء وصف المهمة بدون وجود مثال** من سجلات المتصفح، حيث حققت الدراسة دقة عالية في تشابه المعاني تصل إلى 0.91.
2. **توقع تسرب الطلاب** في منصات التعلم عن بعد (MOOC) باستخدام سجلات تفاعلاتهم، وقد وصل الأداء إلى درجة F1 منخفضة تصل إلى 0.90 مع خمسة أمثلة فقط.
3. **تحليل مجهول الهوية يحافظ على الخصوصية** لتكامل أدوات الذكاء الاصطناعي ضمن سير العمل في مستندات Microsoft Word.

تظهر هذه الدراسة أن استخدام نماذج اللغة الضخمة يمكن أن يكون مسارًا قويًا وفعالًا لتحويل البيانات السلوكية المنخفضة إلى رؤى قابلة للتفسير وفعالة. كما تم مناقشة بعض الاعتبارات العملية لتنفيذ استنتاجات تستند إلى نماذج اللغة الضخمة ضمن الهياكل التحتية للتسجيل، بما في ذلك الكفاءة الحاسوبية وخصوصية المستخدم. تفتح هذه البحوث آفاقاً جديدة لتحسين تجربة المستخدم وجعل البيانات أكثر قابلية للإدارة.