💬 NLP

Estimating Commonsense Plausibility through Semantic Shifts

تقدم هذه الورقة ComPaSS، وهو إطار تمييزي مبتكر يقدر المعقولية المنطقية من خلال قياس التحولات الدلالية الناجمة عن التعزيزات، مما يظهر أداءً متفوقاً على النماذج التوليدية عبر النماذج اللغوية ونماذج اللغة والرؤية، مع تسليط الضوء على فوائد التدريب المسبق التبايني.

المؤلفون الأصليون: Wanqing Cui, Wei Huang, Keping Bi, Jiafeng Guo, Xueqi Cheng

نُشر 2026-04-21

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Wanqing Cui, Wei Huang, Keping Bi, Jiafeng Guo, Xueqi Cheng

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إليك شرح لورقة بحثية بعنوان "تقدير المعقولية المنطقية من خلال التحولات الدلالية" (ComPaSS) باستخدام لغة بسيطة وتشبيهات إبداعية.

المشكلة الكبيرة: لماذا يخطئ الذكاء الاصطناعي في "المنطق السليم"؟

تخيل أنك تعلم روبوتًا كيف يفهم العالم. تقول له: "البطريق طائر". يتعلم الروبوت هذا الأمر ببراعة. ولكن بعد ذلك تسأله: "هل البطريق أخضر؟"

الإنسان يعرف فوراً: لا، هذا سخيف. البطاريق سوداء وبيضاء.
لكن الذكاء الاصطناعي القياسي (النماذج اللغوية الكبيرة - LLM) قد يتردد. لماذا؟ لأنه تعلم من قراءة مليارات الجمل على الإنترنت. ربما قرأ قصة عن "بطريق أخضر" في رسوم متحركة، أو ربما يخمن فقط بناءً على مدى تكرر ظهور كلمتي "بطريق" و"أخضر" بالقرب من بعضهما. إنه يكافح للتمييز بين ما هو مرجح إحصائياً كتابته وبين ما هو حقيقي بالفعل في العالم الواقعي.

تحاول الطرق الحالية إصلاح ذلك عبر مطالبة الذكاء الاصطناعي بـ "التخمين" أو حساب احتمالية الجملة. لكن مؤلفي هذه الورقة يقولون: "توقفوا عن التخمين. ابدأوا بالمقارنة."

الحل: ComPaSS (أداة "فحص الواقع")

يقترح المؤلفون طريقة جديدة تسمى ComPaSS. بدلاً من مطالبة الذكاء الاصطناعي بتوليد إجابة، يعاملونه كـ محقق يبحث عن "التحولات الدلالية" (تغيرات المعنى).

إليك الفكرة الجوهرية، مشروحة بتشبيه بسيط:

التشبيه: "اختبار العصير المخلوط" (Smoothie Test)

تخيل أن لديك كوباً من الماء الصافي (الجملة المرجعية/الأساسية).

السيناريو أ: أضفت قطرة من ملون الطعام الأزرق. تحول الماء إلى اللون الأزرق قليلاً. التغيير صغير وطبيعي.
السيناريو ب: سكبت دلواً كاملاً من الخرسانة في الماء. تحول الماء إلى وحل رمادي سميك. التغيير هائل وغير طبيعي.

يعمل ComPaSS كالتالي:

المرجع: يأخذ جملة أساسية، مثل: "هناك بطريق."
المرشح: يضيف تفصيلاً محدداً لصنع جملة جديدة، مثل: "هناك بطريق أخضر."
القياس: يقيس مقدار تغير "معنى" الجملة.
- إذا قال الذكاء الاصطناعي: "انتظر، البطاريق ليست خضراء"، فإن المعنى يتغير كثيراً. "نكهة" الجملة تغيرت جذرياً. هذا يعني أن الفكرة غير منطقية (غير معقولة).
- إذا قال الذكاء الاصطناعي: "نعم، البطاريق سوداء"، فإن المعنى يتغير قليلاً جداً. لا تزال الجملة تشبه "ماء البطريق". هذا يعني أن الفكرة منطقية (معقولة).

القاعدة: كلما قل تغير المعنى عند إضافة تفصيل ما، زادت "المعقولية المنطقية" لهذا التفصيل.

لماذا هذا أفضل من الطرق القديمة؟

تقارن الورقة بين ComPaSS وطريقتين أخريين يستخدمهما الذكاء الاصطناعي عادةً للحكم على الحقيقة:

طريقة "الاحتمالية" (مقلد العملة المعدنية):
- كيف تعمل: تسأل "ما مدى احتمالية أن يكتب الذكاء الاصطناعي كلمة 'أخضر' بعد 'بطريق'؟"
- العيب: إذا قرأ الذكاء الاصطناعي الكثير من القصص المضحكة عن البطاريق الخضراء، فقد يعتقد أن "أخضر" كلمة محتملة، رغم أنها خاطئة. إنه يخلط بين الشعبية وبين الحقيقة.
طريقة "التعبير اللفظي" (المُحاور):
- كيف تعمل: تسأل الذكاء الاصطناعي: "هل البطريق الأخضر معقول؟ نعم أم لا؟"
- العيب: قد يرتبك الذكاء الاصطناعي بسبب ثقته بنفسه. قد يقول "نعم" لمجرد أن يبدو متعاوناً، أو قد يبالغ في التفكير في السؤال.

ComPaSS (فحص الواقع):

لا يطلب من الذكاء الاصطناعي التخمين أو التحدث. هو ببساطة يقيس المسافة بين الجملتين في "عقل" الذكاء الاصطناعي.
الأمر يشبه فحص ما إذا كانت قطعة الأحجية (Puzzle) تناسب مكانها. أنت لا تسأل الأحجية: "هل تعتقدين أن هذه القطعة تناسب؟" بل تحاول فقط دفعها للداخل. إذا دخلت بسلاسة (تغير طفيف)، فهي مطابقة. إذا أجبرت الأحجية على التباعد (تغير كبير)، فهي خاطئة.

الأسلحة السرية: العيون والتباين

وجدت الورقة مكونين خاصين يجعلان ComPaS يعمل بشكل أفضل:

1. نماذج الرؤية واللغة (VLMs) = "العيون"

تعاني نماذج النصوص فقط (مثل LLMs القياسية) من "تحيز التقارير".
- تشبيه: تخيل تقريراً إخبارياً يذكر فقط "الأغنام السوداء" لأنها عبارة شهيرة. المراسل لا يذكر أبداً "الأغنام البيضاء" لأنها مملة. يعتقد الذكاء الاصطناعي أن الأغنام السوداء شائعة لأنه يقرأ عنها فقط.
نماذج VLMs (النماذج التي يمكنها رؤية الصور) تعالج هذا. فهي تنظر إلى صورة لغنم، وترى أنه أبيض. تعرف أن التقرير النصي كان منحازاً.
النتيجة: ComPaSS المزود بـ "عيون" (VLMs) أفضل بكثير في الحكم على أشياء مثل الألوان والأشكال مقارنة بالنماذج النصية فقط.

2. التدريب التبايني (Contrastive Pre-training) = "المِسن" (الذي يشحذ الأدوات)

تخيل طالباً جيداً في الرياضيات ولكنه سيء في ملاحظة الفروق الدقيقة بين الأرقام.
التدريب التبايني يشبه تمريناً خاصاً حيث يُجبر الطالب على ممارسة التمييز بين الأشياء "المتشابهة جداً" والأشياء "المختلفة جداً".
النتيجة: عندما تستخدم نموذجاً خضع لـ "تدريب الحدة" هذا، يستطيع ComPaSS اكتشاف حتى أدق وأصغر أخطاء المنطق السليم التي تفوتها النماذج الأخرى.

النتائج: من الفائز؟

اختبر الباحثون هذا على مهام عديدة، مثل:

"ما هو لون البطريق؟" (أحمر، أخضر، أسد، رمادي؟)
"أين يوجد المزارعون الذين لديهم محاصيل جديدة؟" (في شاحنة؟ في مزرعة؟)

الفائزون:

ComPaSS هزم جميع الطرق الأخرى تقريباً، بما في ذلك GPT-4 الشهير.
نماذج VLMs (النماذج ذات العيون) كانت هي الأبطال في المهام البصرية (الألوان، الأشكال).
النماذج الأصغر (ذات المعلمات الأقل) التي تستخدم ComPaSS غالباً ما هزمت النماذج الضخمة التي تستخدم الطرق القديمة. وهذا يثبت أن كيفية قياس الإجابة أهم من مجرد جعل الذكاء الاصطناعي أكبر حجماً.

الملخص

ComPaSS هو طريقة جديدة لاختبار ما إذا كان الذكاء الاصطناعي يفهم المنطق السليم. بدلاً من مطالبة الذكاء الاصطناعي بالتخمين أو التحدث، يقيس مدى "انكسار" معنى الجملة عند إضافة حقيقة غريبة.

انكسار صغير؟ الحقيقة صحيحة (مثلاً: البطاريق سوداء).
انكسار كبير؟ الحقيقة غير منطقية (مثلاً: البطاريق خضراء).

من خلال استخدام قياس "التحول الدلالي" هذا، وخاصة مع النماذج التي يمكنها رؤية الصور، يمكننا بناء ذكاء اصطناعي يفهم العالم الحقيقي بشكل أفضل بكثير من مجرد قراءة الكتب.

إليك ملخص تقني مفصل لورقة البحث بعنوان "تقدير المعقولية من خلال المنطق العام عبر التحولات الدلالية" (ComPaSS).

1. بيان المشكلة

تقدير معقولية المنطق العام (CSPE) هو مهمة تقييم ما إذا كانت عبارة ما، أو إضافة إلى عبارة ما، تتوافق مع المعرفة بالمنطق العام البشري. وبينما حققت النماذج اللغوية الكبيرة (LLMs) تقدماً في توليد النصوص، فإن ضمان أن مخرجاتها تتوافق مع المنطق العام يظل تحدياً قائماً.

تعتمد الأساليب الحالية لـ CSPE على منظورات توليدية، والتي تنقسم إلى فئتين:

القائمة على الاحتمالية (Likelihood-based): استخدام احتمالات توقع الرموز (الارتباك/Perplexity) للحكم على المعقولية.
القائمة على التعبير اللفظي (Verbalization-based): توجيه النماذج لتوليد أحكام بلغة طبيعية (مثل: "هل هذا معقول؟ نعم/لا").

محددات الطرق الحالية:

التمييز دقيق التفاصيل: تواجه الطرق التوليدية صعوبة في التمييز بين الفروق الدقيقة في المعقولية (على سبيل المثال، ترتيب "الخروف الأسود" مقابل "الخروف الرمادي" مقابل "الخروف الأحمر").
تحيز التقارير (Reporting Bias): تعاني النماذج اللغية المدربة على النصوص غالباً من تحيزات إحصائية حيث يتم تمثيل المصطلحات الشائعة (مثل "الخروف الأسود") بشكل مفرط، مما يؤدي بالنماذج إلى استنتاج خاطئ بأن السمة هي شائعة فيزيائياً بدلاً من كونها شائعة لغوياً.
عدم تطابق المهمة: إن CSPE هي بطبيعتها مهمة تمييزية (ترتيب الخيارات)، ومع ذلك غالباً ما تعامل الطرق الحالية هذه المهمة كأنها مهمة توليدية.

2. المنهجية: ComPaSS

يقترح المؤلفون ComPaSS (المنطق العام عبر التحولات الدلالية)، وهو إطار عمل تمييزي، صفري المعرفة (zero-shot)، يقوم بقياس المعقولية عن طريق قياس التحول الدلالي الناتج عن إضافة معلومات المنطق العام.

المفهوم الجوهري

الفرضية الأساسية هي: الإضافات المعقولة تسبب تحولات دلالية طفيفة، بينما الإضافات غير المعقولة تسبب انحرافات جوهرية.

مثال: إضافة كلمة "أسود" إلى جملة "هناك بطريق" تسبب تحولاً دلالياً صغيراً (معقول). أما إضافة "أخضر" فتسبب تحولاً كبيراً (غير معقول).

سير العمل

بناء الجملة:
- الجملة المرجعية ( $s_{anchor}$ ): تحتوي على السياق الأساسي ولكنها تغفل تفصيل المنطق العام المحدد (مثل: "هناك بطريق").
- الجملة المرشحة ( $s_{candi}$ ): تعزز الجملة المرجعية بالسمة المرشحة (مثل: "هناك بطريق أسود").
- القابلية للتكيف: بالنسبة للمدخلات المهيكلة (الثلاثيات)، تُستخدم القوالب. أما بالنسبة للمدخلات الحرة (الأسئلة)، فيقوم نموذج لغوي كبير (GPT-4) بتوليد جمل متماسكة.
التمثيل الدلالي:
- يتم تشفير كلتا الجملتين إلى تمثيلات متجهية كثيفة ( $r_{anchor}$ و $r_{candi}$ ) باستخدام نموذج أساسي مدرب مسبقاً ( $\theta$ ).
- يمكن أن يكون النموذج الأساسي نموذجاً لغوياً (LM) (مثل RoBERTa أو Mistral) أو نموذجاً لغوياً-بصرياً (VLM) (مثل CLIP أو EVA-CLIP).
- المنهجية مستقلة عن البنية، حيث تستخدم رموزاً محددة (مثل [CLS] أو [EOS] أو الرمز الأخير) لاستخراج تضمينات الجملة.
التسجيل عبر التحول الدلالي:
- تُحسب المعقولية كـ تشابه دلالي بين تضمينات الجملة المرجعية والمرشحة.
- الصيغة: $p_i \propto \text{sim}(r_{anchor}, r_{candi})$ .
- تشابه أعلى = تحول دلالي أقل = معقولية أعلى.
- يتم ترتيب المرشحين بناءً على هذه الدرجات.

التحسينات الرئيسية

اختيار النموذج الأساسي: يختبر إطار العمل كلاً من النماذج اللغوية (LMs) والنماذج اللغوية-البصرية (VLMs). يُفترض أن النماذج اللغوية-البصرية (VLMs) تخفف من تحيز التقارير من خلال دمج التأسيس البصري (على سبيل المثال، معرفة أن البطاريق سوداء عبر الصور، وليس فقط عبر إحصائيات النصوص).
التعلم التبايني (Contrastive Pre-training): يستخدم المؤلفون نماذج تم تدريبها مسبقاً باستخدام التعلم التبايني (مثل Sup-SimCSE أو E5) لشحذ قدرة النموذج على التمييز بين الفروق الدلالية الدقيقة، وهو أمر بالغ الأهمية لقياس التحولات الصغيرة.

3. المساهمات الرئيسية

إطار عمل تمييزي مبتكر: ينقل ComçaSS النموذج من الاحتمالية التوليدية أو التعبير اللفظي إلى قياس التحول الدلالي التمييزي، مما يثبت فعالية أكبر في الترتيب دقيق التفاصيل.
تحليل الأنماط (Modality Analysis): يثبت أن النماذج اللغوية-البصرية (VLMs) تتفوق بشكل كبير على النماذج اللغوية النصية فقط (LMs) في المهام ذات التأسيس البصري (مثل ألوان الأشياء، أشكالها) من خلال التغلب على تحيز التقارير النصي.
تأثير التعلم التبايني: يظهر أن النماذج المعززة بالتعلم التبايدي تحقق نتائج أفضل، حيث تخلق حدوداً دلالية أكثر حدة ضرورية لاكتشاف الاختلافات الطفيفة في المعقولية.
القدرة على التعميم: تعمل الطريقة عبر تنسيقات مدخلات متنوعة (الثلاثيات المهيكلة مقابل النصوص الحرة) ومستويات معرفية مختلفة دون الحاجة إلى ضبط دقيق خاص بالمهمة.

4. النتائج التجريبية

تم تقييم الطريقة في مهمتين لـ CSPE دقيقتي التفاصيل:

ترتيب قيم السمات: CoDa (اللون) و ViComTe (اللون، الشكل، المادة).
إكمال إطار المنطق العام (CFC): ترتيب الإجابات على الأسئلة المفتوحة.

النتائج الرئيسية:

التفوق: تفوق ComPaSS باستمرار على النماذج المرجعية (بما في ذلك الطرق القائمة على الاحتمالية والتعبير اللفظي) عبر جميع النماذج الأساسية.
- مثال: في مهمة CoDa (اللون)، حقق ComPaSS مع EVA-CLIP معامل ارتباط سبيرمان بنسبة 62.87%، متفوقاً بشكل ملحوظ على أفضل نموذج مرجعي (VERA-T5 بنسبة 58.93%).
تفوق النماذج اللغوية-البصرية (VLM): تفوقت النماذج اللغوية-البصرية (EVA-CLIP, CLIP) بشكل كبير على النماذج اللغوية الكبيرة (Mistral-7B, Qwen2-7B) في السمات البصرية. وهذا يؤكد أن التأسيس البصري ضروري لتصحيح التحيزات النصية.
التعلم التبايني: النماذج المزودة بالتعلم التبايني (مثل RoBERTa w/ CL, Mistral w/ CL) تفوقت باستمرار على نظيراتها التقليدية.
المقارنة مع النماذج مغلقة المصدر: تفوق ComPaSS (باستخدام نماذج مفتوحة المصدر) على GPT-4 في عدة مهام تصنيف ثنائي، مما يسلط الضوء على حدود نهج التعبير اللفظي لـ GPT-4 في الترتيب دقيق التفاصيل.
كفاءة المعلمات: حققت النماذج الأصغر (مثل RoBERTa-355M) المدمجة مع ComPaSS نتائج مماثلة أو أفضل من النماذج بمليارات المعلمات (decoder-only).

5. الأهمية والآثار المترتبة

تحول في النموذج الفكري: تجادل الورقة بأن CSPE هي مهمة تمييزية في الأساس. استخدام التشابه الدلالي (التمييزي) أكثر قوة من تقدير الاحتمالية أو التوليد اللفظي (التوليدي) للترتيب حسب المعقولية.
معالجة التحيز: تقدم الدراسة دليلاً تجريبياً على أن التعلم متعدد الوسائط (VLMs) ضروري لتصحيح "تحيز التقارير" في النماذج اللغوية، حيث يتم الخلط بين التكرار اللغوي والواقع الفيزيائي (مثل مصطلح "الخروف الأسود" مقابل الألوان الحقيقية للأغنام).
الكفاءة: يوفر ComPaSS مساراً عالي الكفاءة من حيث عدد المعلمات للحصول على تقييم عالي الجودة للمنطق العام، وذلك عبر الاستفادة من التضمينات المدربة مسبقاً دون الحاجة إلى مجموعات بيانات ضخمة للضبط الدقيق.
الاتجاه المستقبلي: تشير النتائج إلى أن أنظمة الاستدلال بالمنطق العام في المستقبل يجب أن تعطي الأولوية لـ جودة التمثيل الدلالي (عبر التعلم التبايني) و التأسيس متعدد الوسائط بدلاً من مجرد زيادة حجم المعلمات التوليدية.

6. المحددات

الأحكام المطلقة: يوفر ComPaSS ترتيبات مقارنة (المعقولية النسبية) بدلاً من درجات نقطية مطلقة. ويظل وضع عتبات مطلقة للمعقولية أمراً صعباً.
وراثة التحيز: مثل جميع النماذج، يرث ComPaSS التحيزات من بيانات التدريب الخاصة به (LMs/VLMs). إذا كانت بيانات التدريب تحتوي على توزيعات سمات منحازة، فقد يكرر النموذج هذه التحيزات في ترتيباته.