💬 NLP

Beyond Words: Evaluating and Bridging Epistemic Divergence in User-Agent Interaction via Theory of Mind

تعالج هذه الورقة الفجوة بين معتقدات المستخدم والحالات البيئية في تفاعلات النماذج اللغوية الكبيرة من خلال صياغة "نظرية العقل" كآلية لحل التباين المعرفي، مقدمةً معياراً جديداً ونموذجاً مدرباً بالتعلم التعزيزي يحسن أداء المهام بشكل كبير من خلال تعزيز تتبع المعتقدات والاستدلال.

المؤلفون الأصليون: Minyuan Ruan, Ziyue Wang, Kaiming Liu, Yunghwei Lai, Peng Li, Yang Liu

نُشر 2026-02-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Minyuan Ruan, Ziyue Wang, Kaiming Liu, Yunghwei Lai, Peng Li, Yang Liu

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 البحث بعنوان "ما وراء الكلمات: تقييم وجسر التباين المعرفي في التفاعل بين المستخدم والوكيل عبر نظرية العقل" باستخدام لغة بسيطة وتشبيهات إبداعية.

المشكلة الكبرى: لحظة "الضياع في الترجمة"

تخيل أنك تحاول إصلاح صنبور مياه يسرب الماء مع صديق لك خبير في السباكة. تقول له: "المياه تتناثر في كل مكان، لذا سأضرب الأنبوب بمطرقة لإيقاف التسرب".

الذكاء الاصطناعي العادي قد يقول: "حسناً، سأحضر لك مطرقة". هو يتبع تعليماتك حرفياً.
لكن الذكاء الاصطناعي الذكي (الذي يمتلك "نظرية العقل") سيفكر: "انتظر لحظة. صديقي يعتقد أن ضرب الأنبوب سيصلحه. لكنني أعلم أن هذا خطأ. إنه لا يفهم كيف تعمل السباكة. إذا أحضرت له مطرقة فقط، سينفجر الأنبوب. يجب أن أشرح له بلطف أن المشكلة تكمن في غسالة (جلدة) مرتخية، وليست في الأنبوب نفسه".

هذه الورقة البحثية تدور حول تعليم وكلاء الذكاء الاصطناعي القيام بهذا بالضبط: فهم ليس فقط ما تقوله، بل ما تعتقده أنت أنه حقيقة، حتى لو كان اعتقادك خاطئاً.

المفهوم الجوهري: "التباين المعرفي" (الفجوة في المعرفة)

يطلق المؤلفون على الفجوة بين ما تعتقده عما يحدث وبين ما يحدث فعلياً اسم "التباين المعرفي" (Epistemic Divergence).

وجهة نظر المستخدم: لديك "خريطة ذهنية" للعالم بناءً على تجاربك الماضية. وأحياناً، تحتوي هذه الخريطة على ثغرات أو مسارات خاطئة.
الواقع: العالم له "حالة حقيقية" (الحقائق الفعلية).
التباين: عندما لا تتطابق خريطتك الذهنية مع الواقع، تتعثر. قد تستمر في محاولة إصلاح خطأ برمج في برنامج عبر إعادة تشغيل الكمبيوتر، دون أن تدرك أن المشكلة هي ملف مفقود.

التشبيه: تخيل أنك تقود سيارة بجهاز GPS معطل يظهر لك طريقاً خاطئاً. أنت تستمر في الانعطاف يساراً لأن الـ GPS يخبرك بذلك. لا ينبغي لوكيل الذكاء الاصطناعي الذكي أن يكتفي باتباع أمرك بـ "انعطف يسلاً"؛ بل يجب أن يدرك: "أوه، السائق يعتقد أنه في شارع (Main Street)، لكنه في الواقع في شارع (Elm Street). أحتاج إلى تصحيح خريطته، وليس فقط توجيه عجلة القيادة لديه".

الحل: SynchToM (اختبار "قراءة العقول")

أنشأ الباحثون اختباراً جديداً يسمى SynchToM. اعتبر هذا الاختبار بمثابة "مدرسة تعليم قيادة" للذكاء الاصطناعي، ولكن بدلاً من اختبار قدرة السيارة على ركن نفسها، فإنه يختبر قدرة الذكاء الاصطناعي على فهم سبب ارتباك السائق.

لقد بنوا 390 سيناريو مختلفاً حيث يمتلك المستخدم اعتقاداً خاطئاً. على سبيل المثال:

الثقافة: مستخدم يعتقد أن وضع الأناناس على البيتزا علامة على الصدمة لأنه لا يعرف أنه مكون شائع في بعض الأماكن.
البرمجيات: مستخدم يعتقد أن خطأ برمجياً ناتج عن فيروس، بينما هو في الواقع مجرد خطأ مطبعي بسيط.
التعليم: طالب يعتقد أن مسألة رياضية غير قابلة للحل لأنه فاتته قاعدة أساسية.

مهمة الذكاء الاصطناعي هي:

رصد الفجوة: إدراك أن اعتقاد المستخدم خاطئ.
تخمين الملف الشخصي: معرفة لماذا يعتقد المستخدم ذلك (مثلاً: "إنه مبتدئ في الطبخ" أو "إنه مبرمج مبتدئ").
إصلاح المشكلة: توجيه المستخدم نحو الحل الصحيح عن طريق تصحيح خريطته الذهنية، وليس مجرد اتباع الأوامر.

ماذا وجدوا؟ (لحظات الإدراك)

النماذج الضخمة ليست دائماً الأفضل في "قراءة العقول": من المثير للدهشة أن بعض النماذج الأصغر والمفتوحة المصدر كانت في الواقع أفضل في فهم ارتباك المستخدم من النماذج الضخمة والمكلفة. وهذا يشير إلى أن كونك "ذكياً" في المهام العامة لا يعني بالضرورة أنك بارع في فهم النفس البشرية.
"رابط الاعتقاد والحل": الذكاء الاصطناعي الذي كان الأفضل في حل مشكلة المستخدم الفعلية هو الذي نجح أولاً في تحديد اعتقاد المستخدم الخاطئ بشكل صحيح. إذا أخطأ الذكاء الاصطناعي في تخمين اعتقاد المستخدم، فقد فشل في حل المشكلة، حتى لو كان ذكياً جداً في جوانب أخرى.
المزيد من المحادثة يساعد: تماماً كما في الحياة الواقعية، إذا تحدثت مع شخص ما لعدة جولات، ستتشكل لديك فكرة أفضل عما يفكر فيه. أصبح الذكاء الاصطناعي أفضل بكثير في فهم المستخدم عندما كان لديه سجل محادثة أطول لتحليله.

كيف قاموا بإصلاح الأمر؟ (التدريب)

لم يكتفِ الباحثون باختبار الذكاء الاصطناعي فحسب، بل علموه كيف يكون أفضل. استخدموا تقنية تسمى التعلم التعزيزي (Reinforcement Learning) (مثل تدريب الكلب بالمكافآت).

قدموا للذكاء الاصطناعي آلاف الأمثلة من سيناريوهات "الاعتقاد الخاطئ" هذه.
عندما يحدد الذكاء الاصطناعي ارتباك المستخدم بشكل صحيح ويحل المشكلة، يحصل على "مكافأة" (درجة عالية).
عندما يكتفي باتباع التعليمات بشكل أعمى، لا يحصل على أي مكافأة.

النتيجة: تعلم الذكاء الاصطناعي ألا يكون مجرد "تابع ينفذ الأوامر"، بل بدأ يتصرف كمرشد مفيد. تعلم أن يقول: "أرى أنك تحاول القيام بـ (س)، ولكنني أعتقد أنك قد تكون أسأت فهم (ص). دعنا نجرب (ع) بدلاً من ذلك".

الخلاصة

تجادل هذه الورقة بأن الذكاء الاصطناعي لكي يكون مفيداً حقاً في العالم الحقيقي، يحتاج إلى "نظرية العقل" (Theory of Mind). لا ينبغي أن يكون مجرد روبوت ينفذ الأوامر؛ بل يجب أن يكون شريكاً يفهم الارتباك البشري، ويصحح المفاهيم الخاطئة، ويجسر الفجوة بين ما نعتقده حقيقة وما هو حقيقي بالفعل.

باختاً مختصراً: أفضل ذكاء اصطناعي ليس هو الذي يستمع بأعلى صوت، بل هو الذي يفهم الصمت والارتباك الكامن خلف الكلمات.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "ما وراء الكلمات: تقييم وجسر التباين المعرفي في التفاعل بين المستخدم والوكيل عبر نظرية العقل".

1. بيان المشكلة

على الرغم من التقدم الكبير الذي حققته النماذج اللغوية الكبيرة (LLMs) والوكلاء القائمين عليها، إلا أنها لا تزال تعاني عندما تكون تعليمات المستخدم غير دقيقة أو مبنية على اعتقادات ذاتية خاطئة.

التباين المعرفي (Epistemic Divergence): توجد فجوة حرجة بين الاعتقاد الذاتي للمستخدم (المتأثر بالملاحظات المحدودة، والملفات الشخصية، والمعرفة بالمجال) وبين الحالة الحقيقية الموضوعية للبيئة.
قصور نظرية العقل (ToM) الحالية: تركز تقييمات نظرية العقل الحالية للنماذج اللغوية الكبيرة على استنتاج الاعتقاد المنعزل (مثل: "ماذا يعتقد المستخدم؟") بدلاً من المنفعة الوظيفية لنظرية العقل في التفاعلات الواقعية. غالباً ما تفشل النماذج الحالية في اكتشاف سبب تمسك المستخدم باعتقاد خاطئ، وبالتالي تعطي الأولوية لاتباع التعليمات الخاطئة بدلاً من تصحيح النموذج الذهني للمستخدم، مما يؤدي إلى فشل المهمة.
الأسئلة البحثية:
1. هل يمكن تقييم نظرية العقل عبر منفعتها في السيناريوهات العملية بدلاً من كونها مهمة معرفية منعزلة؟
2. كيف يمكن دمج الاستدلال القائم على نظرية العقل لتحسين أداء المهام اللاحقة؟

2. المنهجية

أ. الإطار الرسمي: نظرية العقل البايزية (Bayesian Theory of Mind)

صاغ المؤلفون نظرية العقل كآلية لكشف وحل التباين المعرفي. هم ينمذجون التفاعل كعملية قابلة للملاحظة جزئياً:

البيئة: تُعرف بالحالة الكامنة الحقيقية ( $s^*$ ) وديناميكيات الانتقال.
المستخدم: يعمل بـ حالة معرفية $\Psi_u = \langle g, b \rangle$ ، حيث $g$ هو الهدف الصريح و $b$ هو توزيع الاعتقاد الكامن فوق مساحة الحالة. وبسبب محدودية الملاحظة، غالباً ما يتباعد $b$ عن $s^*$ . يُنتج المستخدم مسار تفاعل $\tau$ بناءً على $b$ ، والذي قد ينحرف عن المسار "المثالي".
الوكيل: يراقب مسار المستخدم، وتعليماته، والملاحظات الجزئية. يجب على الوكيل استنتاج اعتقاد المستخدم الكامن ( $\hat{b}$ ) وملفه الشخصي ( $P$ ) لسد الفجوة بين $b$ و $s^*$ . هدف الوكيل هو مزامنة فهمه مع المستخدم لتصحيح المفاهيم الخاطئة بدلاً من التنفيذ الأعمى للتعليمات.

ب. المعيار المرجعي: SynchToM

لتقييم هذا الإطار، قدم المؤلفون SynchToM، وهو معيار مرجعي مصمم لتشغيل نظرية العقل في سيناريوهات عملية.

خط إنتاج توليد البيانات:
1. تخليق السيناريوهات: تحويل البيانات الخام من أربعة مجالات (هندسة البرمجيات، تفضيلات المستخدم، التعليم، الثقافة) إلى سيناريوهات نظرية العقل. يتضمن ذلك توليد "فجوة معرفية" حيث يختلف اعتقاد المستخدم ( $b$ ) عن الحالة الحقيقية ( $s^*$ ).
2. بناء المسارات: محاكاة تفاعلات متعددة الأدوار (تصل إلى 10 أدوار) حيث يتصرف المستخدم بناءً على اعتقاده المعيب، مما يخلق مساراً يكشف عن حالته الذهنية.
3. ضبط الجودة: يضمن مُقيّم قائم على النماذج اللغوية الكبيرة دقة البيانات عبر خمسة أبعاد: الأمانة السلوكية، الواقعية، اتساق الإجراءات، القدرة على الاستنتاج، والسلامة المعرفية.
إحصائيات مجموعة البيانات: 390 حالة اختبار عالية الدقة و6,522 حالة تدريب.
أبعاد التقييم:
1. تفسير الاعتقاد الكامن: هل يحدد النموذج سوء الفهم لدى المستخدم وسببه؟
2. نمذجة ملف المستخدم: هل يمكن للنموذج استنتاج خلفية المستخدم/تفضيلاته التي تشكل الاعتقاد؟
3. حل المشكلة: هل يقدم النموذج حلاً صحيحاً يعالج السبب الجذري (وليس فقط الأعراض)؟

ج. استراتيجيات التعزيز

لسد الفجوة المحددة في التقييمات، يقترح المؤلفون طريقتين:

التعلم التعزيزي (RL): تدريب النماذج (تحديداً Qwen3-8B) على بيانات مسارات SynchToM باستخدام دالة مكافأة تعاقب الفشل في مواءمة الاعتقادات وتكافئ الحل الصحيح. توجه الرموز الخاصة (<ToM Belief>, <ToM Profile>) النموذج للتركيز على الفجوات المعرفية.
التعاون متعدد الوكلاء الخالي من التدريب: إطار عمل حيث تصوت نماذج متعددة على أفضل اعتقاد ملف شخصي كامن. يستخدم النموذج "الأساسي" هذه الحالات الذهنية المحسنة لتحسين أداء الحل الخاص به.

3. المساهمات الرئيسية

صياغة نظرية العقل الوظيفية: نقل تعريف نظرية العقل من مهارة استدلال ثابتة إلى آلية تفاعل ديناميكية لكشف وحل التباين المعرفي بين اعتقادات المستخدم والواقع الموضوعي.
المعيار المرجعي SynchToM: تقديم معيار شامل يتضمن مسارات تفاعل عبر أربعة مجالات متنوعة، مما كشف عن "رابط حل نظرية العقل" (ToM-Resolution Linkage): وهو أن الإسناد الدقيق للحالة الذهنية هو شرط مسبق سببي للنجاح في حل المهمة.
التحقق التجريبي من التدريب: إثبات أن التدريب بالتعلم التعزيزي على بيانات مسارات نظرية العقل يحسن بشكل كبير أداء المهام اللاحقة، مما يثبت أن قدرات نظرية العقل قابلة للتدريب والنقل.
دراسات الاستئصال (Ablation Studies): تقديم دليل سببي على أن نمذجة الحالة الذهنية غير المتوافقة تؤدي إلى فشل الحل، بينما تعمل مسارات التفاعل الممتدة (المزيد من الأدوار) على استقرار التوفيق بين الاعتقادات.

4. النتائج الرئيسية

فجوات أداء النماذج: كشف تقييم 11 نموذجاً رائداً (بما في ذلك GPT-5، Gemini-3، Claude، والنماذج مفتوحة المصدر) أن النماذج المملوكة لا تتفوق دائماً على النماذج الأصغر مفتوحة المصدر في مهام نظرية العقل. على سبيل المثال، تفوقت نماذج مثل Kimi-K2 و MiniMax-M2.1 أحياناً على Claude-Sonnet-4.5.
"عنق زجاجة الاعتقاد" (The Belief Bottleneck): بينما أدى بذل الجهد في الاستدلال (مثل سلسلة الأفكار - CoT) إلى تحسين دقة الحل، ظل تتبع الاعتقاد الكامن هو عنق الزجاجة. غالباً ما كانت النماذج تحل المهمة عبر التخمين أو اتباع التعليمات دون فهم حقيقي لسبب خطأ المستخدم.
الحساسية للمجال: أدت النماذج أداءً أفضل في سيناريوهات هندسة البرمجيات والثقافة (حيث المعرفة بالعالم أكثر وضوحاً) مقارنة بسيناريوهات التفضيلات والتعليم (الأكثر ذاتية/تغيراً).
تأثير الحقيقة الأرضية (Ground Truth): أدى تزويد النماذج بالاعتقادات أو الملفات الشخصية الحقيقية (GT) إلى تعزيز درجات الحل بشكل كبير. وعلى العكس من ذلك، أدى خلط (shuffling) الاعتقادات والملفات الشخصية (خلق عدم تطابق) إلى انخفاض مستمر في الأداء، مما يثبت الرابط السببي بين نظرية العقل الدقيقة ونجاح المهمة.
نجاح التدريب: أظهر النموذج المدرب بالتعلم التعزيزي تحسناً مستمراً في بُعد الحل (بنسبة تصل إلى +10-15% في بعض المجالات) وقدرة أفضل على الصمود في الإعدادات متعددة الأدوار مقارنة بالنموذج الأساسي.
دراسة حالة (الثقافة): في سيناريو حاول فيه مستخدم إذابة عجينة السمسم في الماء (ظناً منه أنها قاعدة حساء)، حاولت النماذج ذات الأداء المنخفض (مثل InternLM) "إصلاح" الفيزياء (إضافة مواد مستحلبة)، بينما أدرك النموذج عالي الأداء (GPT-5) الخطأ المعرفي (العجينة هي صلصة تغميس وليست مرقاً) ووجه المستخدم نحو المسار الصحيح.

5. الأهمية

تحول في النموذج الفكري (Paradigm Shift): تجادل الورقة بأن نظرية العقل لا ينبغي معاملتها كاختبار معرفي مستقل، بل كـ آلية تفاعل أساسية للوكلاء الذكيين.
المنفعة العملية: تثبت أن الوكلاء القادرين على "القراءة ما بين السطور" (استنتاج الاعتقادات الكامنة) هم أكثر فعالية في حل مشكلات العالم الحقيقي حيث تكون تعليمات المستخدم معيبة.
الاتجاهات المستقبلية: يضع هذا العمل أساساً لتطوير وكلاء ذكاء اصطناعي أكثر تعاوناً، ومرونة، وتوافقاً مع البشر، يمكنهم إدارة الفجوات المعرفية بنشاط بدلاً من مجرد اتباع التعليمات بسلبية. كما يسلط الضوء على أن معايرة الاعتقاد (Belief Calibration) هي مكون حاسم للجيل القادم من التفاعل بين المستخدم والوكيل.