11070 ورقة بحثية
تُثبت هذه الورقة أن النماذج اللغوية الكبيرة يمكنها أن تحل بفعالية محل البشر في توليد بيانات تدريبية للتنبؤ بالخيارات الاقتصادية ضمن ألعاب الإقناع القائمة على اللغة، وغالباً ما تتفوق على النماذج المدربة على بيانات بشرية فعلية مع الكشف عن أن التقاط أنماط اتخاذ القرار المعتمدة على التاريخ أمر بالغ الأهمية للتنبؤ الدقيق.
تقترح هذه الورقة "التجميع متعدد الحاويات" (Multi-Bin Batching)، وهو سياسة تحكم تقوم بتجميع طلبات النماذج اللغوية الكبيرة (LLM) ذات أوقات التنفيذ المتوقعة المتشابهة في حاويات محددة مسبقاً لتعظيم إنتاجية الاستدلال تحت ظروف التجميع الثابت بشكل مثبت، مما يقلل بشكل كبير من عدم استغلال الموارد الناتج عن تباين أطوال التوليد.
تستخدم هذه الورقة أساليب نفسية وتجارب مقارنة لإثبات أن النماذج اللغوية الكبيرة تظهر تمكناً مفاهيمياً في تطبيق القواعد، كما يتضح من قدرتها على محاكة أنماط متنوعة من اتخاذ القرار البشري والاستجابات المعتمدة على السياق تجاه ضغط الوقت.
تحدياً للرؤية القائلة بأن النماذج اللغوية الكبيرة لا تمتلك سوى انحيازات سياسية طفيفة، تُظهر هذه الدراسة أنه بينما يبدو تموضعها العام معتدلاً بسبب المواقف الحزبية المتعارضة بشأن موضوعات محددة، إلا أنها يمكنها مع ذلك ممارسة تأثير إقناعي على المواقف السياسية للمستخدمين يضاهي الإعلانات الحملاتية الاحترافية، لا سيما عندما يتم توجيه استجاباتها بشكل صريح.
يُعد LlamaRec-LKG-RAG إطار عمل جديداً قابلاً للتدريب من البداية إلى النهاية، يعمل على تعزيز ترتيب التوصيات القائم على النماذج اللغوية الكبيرة عبر دمج الرسوم البيانية المعرفية الفرعية المخصصة في عملية استدلال ذات تمريرة واحدة، مما يسمح بالاستفادة من الهياكل العلاقاتية للتفوق على مناهج توليد المحتوى المعزز (RAG) القائمة على التشابه الموجودة حالياً في مجموعات البيانات القياسية.
تقترح هذه الورقة إطار عمل للتحقق المزدوج لأبحاث النماذج اللغوية الكبيرة في علم النفس، والذي يعمل على توسيع نطاق المتطلبات الاستدلالية من مجرد الموثوقية البسيطة إلى صدق البناء والاستدلال السببي الصارم، مما يمنع ظهور "أشباح القياس" عبر ضمان عدم تطبيق الأدوات البشرية على الذكاء الاصطناه دون التحقق من قابليتها للتفسير ومسوغاتها العلمية.
تقترح هذه الورقة سير عمل مكوناً من ست مراحل وموجهاً بالصلاحية، يدمج بين القياس النفسي والاستدلال السببي لمعالجة عدم الموثوقية الشديدة في القياس في أبحاث النماذج اللغوية الكبيرة، مما يضمن أن تكون النتائج في علم نفس الذكاء الاصطناعي قوية وشفافة ومتميزة عن الآثار الإحصائية.
تقدم الورقة البحثية CulTrace، وهي طريقة للتفسير الآلي تكشف أن النماذج اللغوية الكبيرة تعالج الاستدلال الثقافي من خلال مسار متسق ثلاثي المراحل يتكون من الانخراط في المجال، وحل المعضلات الثقافية، واختيار الإجابة، بينما تكشف أيضاً عن اختلالات حيث تواجه النماذج صعوبة مع الثقافات الأقل تمثيلاً.
تقدم الورقة البحثية QA-Merging، وهو إطار عمل لا يتطلب تدريباً يقوم بدمج نماذج Long-CoT وShort-CoT بشكل تكيفي عبر معايرة طبقات المحولات (transformer layers) ذات التباين العالي في أنماط الاستدلال فقط، مما يقلل تكاليف الاستدلال مع الحفاظ على أداء قوي عبر مهام استدلال متنوعة.
تقترح هذه الورقة إطار عمل جديداً ثلاثي المراحل يستخدم نماذج لغوية كبيرة مضبوطة بدقة لتوليد واسترجاع وإعادة ترتيب المفاهيم الخاطئة المحتملة لدى الطلاب من حوارات التدريس، مما يثبت أن هذا النهج يتفوق على النماذج المرجعية والأنظمة الأكبر مغلقة المصدر في تحديد الأخطاء التعليمية بدقة.