🤖 machine learning

CRAwDAD: Causal Reasoning Augmentation with Dual-Agent Debate

تقدم الورقة البحثية CRAwDAD، وهو إطار عمل للمناظرة بين وكيلين يعزز الاستدلال السببي في نماذج اللغة الاستدلالية من خلال تسهيل الحوار المنظم والنقد التنافسي بين الوكلاء، مما يحسن الدقة بشكل كبير في معيار CLadder عبر جميع مستويات سلم بيرل للسببية.

المؤلفون الأصليون: Finn G. Vamosi, Nils D. Forkert

نُشر 2026-03-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Finn G. Vamosi, Nils D. Forkert

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

تخيل أنك تحاول حل لغز منطقي صعب للغاية. قد تفكر: "إذا فعلت (س)، فسيحدث (ص)". ولكنك تتوقف فجأة وتتساءل: "مهلاً، ماذا لو فعلت (ع) بدلاً من ذلك؟ هل سيغير ذلك النتيجة؟"

هكذا يفكر البشر بشكل طبيعي حول السبب والنتيجة. نحن لا نحسب الإجابة فحسب؛ بل نجادل أنفسنا، ونختبر سيناريوهات "ماذا لو" المختلفة حتى نجد السيناريو الذي يبدو أكثر منطقية.

هذه الورقة البحثية، CRAwDAD، تدور حول تعليم الحواسيب القيام بنفس الشيء. فبدلاً من محاولة حاسوب واحد حل المشكلة بمفرده، وضع المؤلفون نادي مناظرة بين نموذجين متطورين من نماذج الذكاء الاصطناعي.

إليك تفصيل الورقة البحثية باستخدام تشبيهات بسيطة:

1. المشكلة: "الببغاء السببي"

لفترة طويلة، كانت نماذج الذكاء الاصطناعي مثل الببغاوات. إذا سألتهم: "هل التدخين يسبب السرطان؟"، سيقولون "نعم" لأنهم سمعوا هذه العبارة ملايين المرات في بيانات التدريب الخاصة بهم. ولكن إذا سألتهم سؤالاً غريباً ومبتكراً مثل: "إذا أكل فيل أزرق تفاحة حمراء، فهل سيتحول لونه إلى الأخضر؟"، سيصاب الببغاء بالارتباك لأنه لم يسمع هذه الجملة المحددة من قبل.

لإصلاح ذلك، ابتكر الباحثون اختباراً يسمى CLadder. إنه يشبه اختبار الرياضيات للسبب والنتيجة. الأسئلة مبنية على قواعد صارمة (مثل لعبة الشطرنج)، وليست حقائق من العالم الحقيقي. لا يمكنك مجرد التخمين بناءً على ما سمعته؛ بل يجب عليك إجراء المنطق فعلياً.

2. الحل: "نادي المناظرة"

أخذ المؤلفون نموذجين ذكيين من الذكاء الاصطناعي (يُسميان Qwen3 و DeepSeek-R1) ووضعوهما في غرفة للمناظرة.

الإعداد: ينظر أحد النموذجين (لنسمّه أليكس) إلى سؤال ما ويعطي إجابة مع شرح خطوة بخطوة.
الناقد: يقرأ النموذج الثاني (لنسمّها سام) إجابة أليكس وتعمل كمحررة صارمة. هي تبحث عن الثغرات في منطقه. "مهلاً، لقد قلت إن (س) يسبب (ص)، لكن القواعد تقول إن (ع) يسبب (ص). لقد ارتكبت خطأً!"
الحل: إذا اختلفا، يستمران في الجدال ذهاباً وإياباً. قد يقول أليكس: "أوه، أنتِ على حق، لقد أسأت قراءة القاعدة"، ويغير إجابته. أو قد تقول سام: "في الواقع، كنت مخطئة، منطقك سليم". يستمران في الحديث حتى يتفقا على إجابة نهائية.

3. النتائج: رأسان (وصوتان) أفضل من رأس واحد

وجدت الدراسة أن هذه "المناظرة" جعلت الذكاء الاصطناعي أكثر ذكاءً، خاصة في الأسئلة الأكثر صعوبة.

فوز "الأقل حظاً": كان النموذج الأضعف (DeepSeek-R1) مثل طالب يعرف الأساسيات ولكنه يتعثر في الأسئلة المعقدة. عندما ناقش النموذج الأقوى (Qwen3)، تعلم الكثير. قفزت دقة إجابته من 78% إلى 87%.
"النجم" يتحسن أيضاً: حتى النموذج الأقوى (Qwen3) أصبح أفضل، حيث ارتفعت دقته من 84% إلى 89%. اتضح أنه حتى الشخص الأكثر ذكاءً يمكنه الاستفادة من وجود صديق يشير إلى نقاطه العمياء.
الأسئلة الأصعب: حدث أكبر تحسن في الأسئلة الشرطية المضادة للواقع (أسئلة "ماذا لو؟"). هذه هي الأصعب بالنسبة للذكاء الاصطناعي لأنها تتطلب تخيل عالم غير حقيقي. ساعدت المناظرة في حل هذه الأسئلة بشكل صحيح أكثر بكثير.

4. تحول مضحك: "الشريك الصامت"

لاحظ الباحثون شيئاً مضحكاً بشأن أسلوب المناظرة.

Qwen3 كان مثل المحامي. قدم حججاً طويلة ومفصلة، وشرح منطقه، وحاول جاهداً إقناع النموذج الآخر.
DeepSeek-R1 كان مثل الطالب الخجول. غالباً ما كان يعطي إجابات قصيرة جداً، أحياناً مجرد "نعم" أو "لا"، رغم أنه كان يفكر بعمق داخل "دماغه".

ولأن DeepSeek-R1 لم يشرح لماذا يعتقد شيئاً ما، كان من الصعب على Qwen3 التعلم منه. ولكن عندما كان DeepSeek-R1 يغير رأيه، كان ذلك عادةً لأن شرح Qwen3 الطويل والمنطقي كان من الصعب جداً مجادلته!

5. لماذا يهم هذا؟

تثبت هذه الورقة أن الذكاء الاصطناعي ليس بالضرورة أن يكون عبقرياً منعزلاً. من خلال إنشاء نظام يتحدى فيه وكلاء الذكاء الاصطناعي بعضهم البعض، يمكننا الحصول على نتائج أفضل بكثير.

إنه يشبه مراجعة الأقران في العلوم. يقترح عالم نظرية ما، ويحاول آخر كسرها. إذا صمدت النظرية أمام الهجوم، فمن المرجح أنها صحيحة. يظهر المؤلفون أن هذه الطريقة تعمل مع الذكاء الاصطناعي أيضاً، مما يجعله أفضل بكثير في حل ألغاز "السبب والنتيية" المعقدة مما كان عليه من قبل.

باختصار: تظهر الورقة أنه إذا جعلت نموذجين من الذكاء الاصطناعي يتجادلان مع بعضهما البعض، فإنهما سيتوقفان عن التخمين ويبدآن في التفكير، مما يؤدي إلى إجابات أكثر ذكاءً بكثير.

إليك ملخص تقني مفصل لورقة البحث بعنوان "CRAwDAD: تعزيز الاستدلال السببي عبر مناظرة الوكلاء المزدوجة".

1. بيان المشكلة

لا يزال الاستدلال السببي، ولا سيما ما يتعلق بالاستدلال المضاد للواقع (سيناريوهات "ماذا لو")، يشكل تحديًا كبيرًا للنماذج اللغوية الكبيرة (LLMs). وبينما ينخرط البشر بشكل طبيعي في حوار جماعي لتحدي الافتراضات وصقل الفرضيات، تعتمد النماذج اللغوية الكبيرة القياسية غالبًا على الارتباطات اللغوية بدلاً من المنطق السببي الرسمي، مما يؤدي إلى "استدلال سببي مجمّع" (حفظ الأنماط بدلاً من الاستدلال).

وعلى الرغم من أن نماذج اللغة الاستدلالية (RLMs) (مثل DeepSeek-R1 و Qwen3) قد أظهرت قدرات محسنة في الخطوات المنطقية المتسلسلة، إلا أن أداءها في معايير الاستدلال السببي الرسمية مثل CLadder لا يزال دون المستوى الأمثل، خاصة في الأسئلة المضادة للواقع المعقدة (الدرجة الثالثة/Rung 3). علاوة على ذلك، لم تستكشف الأبحاث السابقة بشكل مكثف ما إذا كان الجدل متعدد الوكلاء (MAD) يمكنه تعزيز مهارات الاستدلال السببي في نماذج RLMs، كما لم يتم إجراء تقييم شامل لنماذج RLMs على مجموعة بيانات CLadder الكاملة (10,112 سؤالاً).

2. المنهجية: إطار عمل CRAwDAD

يقترح المؤلفون إطار عمل CRAwDAD، وهو إطار مناظرة مزدوج الوكلاء مصمم لمحاكاة الحوار الداخلي صراحةً بين الفرضيات السببية المتنافسة.

أ. مجموعة البيانات

CLadder: معيار يربط الأسئلة باللغة الطبيعية برسوم بيانية سببية محددة رسميًا عبر درجات بيرل الثلاثة للسببية:
- الدرجة 1 (الرؤية): الارتباطات الإحصائية.
- الدرجة 2 (الفعل): التدخلات.
- الدرجة 3 (التخيل): السيناريوهات المضادة للواقع (الأكثر صعوبة).
تتضمن مجموعة البيانات أسئلة ذات توافق طبيعي، وغير منطقي، ومعارض للمنطق العام لمنع النماذج من الاعتماد على المعرفة الواقعية.

ب. تكوين الوكلاء

النماذج: تم اختيار نموذجين من النماذج مفتوحة المصدر لضمان التنوع وتجنب التحيزات المشتركة:
- Qwen3-32B
- DeepSeek-R1-Distill-Qwen-32B (المشتق من قاعدة Qwen2.5).
هيكل المناظرة: إعداد ثنائي الوكلاء (بدون قاضٍ).
- الجولة 1: يقوم "المتحدث الأول" المختار عشوائيًا بتوليد استدلال سببي مهيكل (CausalCoT) يتضمن إجابة نهائية بنعم/لا ودرجة ثقة.
- الجولة 2: يقوم "المتحدث الثاني" بنقد استجابة المتحدث الأول. إذا اتفقوا، تصبح الإجابة نهائية. إذا اختلفوا، تبدأ المناظرة.
- الجولة 3 و4: يستجيب المتحدث الأول للنقد (الدفاع أو المراجعة). ثم يقدم المتحدث الثاني استجابة نهائية.
- التوقف المبكر: تستمر المناظرة فقط في حالة اختلاف الوكلاء. إذا اتفقوا فورًا، تتوقف العملية.
استراتيجية التلقين (Prompting):
- يتم توجيه الوكلاء ليكونوا واثقين من أنفسهم ويتجاهلوا التناقضات مع المنطق العام (بما أن مجموعة البيانات اصطناعية).
- يُستخدم نموذج مساعد صغير (Granite3.3-2B) لاستخراج إجابات نعم/لا المهيكلة ودرجات الثقة، حيث تعاني نماذج RLMs غالبًا من صعوبة في الالتزام بتنسيق المخرجات الصارم.

ج. مقاييس التقييم

الدقة: مقارنة دقة الوكيل المنفرد الأولية مقابل دقة الإجماع النهائي.
ديناميكيات الإقناع: تتبع التحولات (مثل: خطأ $\leftarrow$ صحيح مقابل صحيح $\leftarrow$ خطأ).
معايرة الثقة: تحليل العلاقة بين درجات الثقة والصحة.
خصائص الاستجابة: قياس طول الاستجابة، والمشاعر، وجولات المناظرة المطلوبة.

3. المساهمات الرئيسية

تقييم شامل: أول تحليل معمق لنماذج RLMs مفتوحة المصدر (Qwen3 و DeepSeek-R1) على مجموعة بيانات CLadder الكاملة (10,112 سؤالاً)، مصنفة حسب الصعوبة (الدرجة) والتوافق مع المنطق العام.
إطار عمل مناظرة ثنائي الوكلاء: تنفيذ نظام MAD مبتكر مخصص للاستدلال السببي يشجع على الاشتباك العدائي المباشر دون وجود قاضٍ، باستخدام تقدير الثقة واستراتيجيات التوقف المبكر.
التحقق التجريبي: إثبات أن المناظرة تحسن دقة الاستدلال السببي بشكل كبير، لا سيما في المهام المضادة للواقع الأكثر صعوبة، وأن النماذج الأقوى تستفيد أيضًا من مناظرة النماذج الأضعف.

4. النتائج الرئيسية

أ. تحسينات الدقة

عززت المناظرة الأداء بشكل كبير لكلا النموذجين:

DeepSeek-R1: ارتفعت الدقة الإجمالية من 78.03% إلى 87.45%.
- التحسن في السيناريوهات المضادة للواقع (الدرجة 3): 67.94% $\leftarrow$ 80.04%.
Qwen3: ارتفعت الدقة الإجمالية من 84.16% إلى 89.41%.
- التحسن في السيناريوهات المضادة للواقع (الدرجة 3): 71.53% $\leftarrow$ 80.35%.
المقارنة: تجاوز كلا النموذجين خط الأساس السابق لـ GPT-4 (70.40%) حتى قبل المناظرة، لكن المناظرة دفعتهما لمستويات أعلى بكثير.

ب. ديناميكيات الإقناع

تأثير إيجابي صافي: كانت المناظرات أكثر عرضة لتصحيح الإجابة الخاطئة منها لإفساد الإجابة الصحيحة.
عدم التماثل: كان DeepSeek-R1 أكثر عرضة للإقناع (غالبًا ما يصحح أخطاءه عند تحديه من قبل Qwen3). بينما كان Qwen3 أكثر قوة، حيث نجح في الدفاع عن الإجابات الصحيحة مع تصحيح أخطائه الأولية أيضًا.
المشاعر: اتخذ Qwen3 نبرة أكثر سلبية/نقدية أثناء المناظرات (المشاعر -0.239)، بينما ظل Deep-R1 محايدًا (0.015)، وهو ما ارتبط بقدرة Qwen3 العالية على الإقناع.

ج. الثقة والكفاءة

معايرة الثقة: غالبًا ما كانت النماذج مفرطة في الثقة (>60%) حتى في الإجابات الخاطئة. ومع ذلك، عندما يتم إقناع النموذج بتغيير إجابته، تزدوت ثقته في الإجابة الجديدة بشكل كبير.
جولات المناظرة:
- الدرجة 1: تم حل 93% من الحالات فورًا (لم تكن هناك حاجة للمناظرة).
- الدرجة 3: تطلبت حوالي 25% من الحالات مناظرة، وتمت تسويتها في الغالب في الجولة الثالثة.
- فشل 148 سؤالًا فقط من أصل 10,112 في الوصول إلى إجماع، مما يشير إلى تناقص العوائد بعد 4 جولات.
طول الاستجابة: مال DeepSeek-R1 إلى إنتاج استجابات مناظرة قصيرة جدًا (متوسط 249 حرفًا مقابل 739 حرفًا لـ Qwen3)، وغالبًا ما تجاهل التعليمات بالتوسع في الشرح، مما أعاق قدرته على إقناع Qwen3 رغم امتلاكه للاستدلال الداخلي الصحيح.

5. الأهمية والقيود

الأهمية:

التحقق من نماذج RLMs: يؤكد أن نماذج الاستدلال تتفوق على نماذج LLM القياسية في الاستدلال السببي ولكنها لا تزال تستفيد من المداولة التعاونية.
التآزر متعدد الوكلاء: يوضح أن وجهات النظر المتنوعة (النماذج غير المتجانسة) حاسمة لحل المشكلات السببية المعقدة، حيث تساعد الوكلاء الأضعف الأقوياء والعكس صحيح.
وضع المعايير: يضع خطوط أساس قوية للأبحاث المستقبلية عند تقاطع الاستدلال السببي والذكاء الاصطناعي التعاوني.

القيود:

تلوث البيانات: بما أن CLadder تم إنشاؤه في عام 2023 والنماذج صدرت في عام 2025، فهناك خطر من أن تكون النماذج قد رأت هذه البيانات أثناء التدريب.
الطبيعة الاصطناعية: تستخدم مجموعة البيانات نصًا اصطناعيًا نظيفًا، والذي قد لا يعكس الغموض الموجود في الاستدلال السببي في العالم الحقيقي.
قيود الموارد: استغرق تقييم 10,112 سؤالاً 380 ساعة، مما منع إجراء دراسات استبعاد واسعة (مثل اختبار 3+ وكلاء أو أطر عمل مختلفة للقضاة).
حجم النموذج: اقتصر الأمر على نماذج بـ 32 مليار معلمة بسبب الأجهزة؛ ولم يتم اختبار النماذج الأكبر (مثل DeepSeek-R1-671B).

الخلاصة:
يثبت CRAwDAD أن المناظرة المهيكلة بين نماذج الاستدلال هي آلية قوية لتعزيز قدرات الاستدلال السببي. فهي تحول الاستدلال السببي من عملية حسابية فردية إلى عملية مداولة، مما يحسن الدقة بشكل كبير في المهام المضادة للواقع الأكثر تحديًا.