💻 computer science

The Pragmatic Persona: Discovering LLM Persona through Bridging Inference

تقترح هذه الورقة إطار عمل جديداً لاكتشاف شخصيات النماذج اللغوية الكبيرة عبر نمذجة الاستدلالات الجسرية الضمنية كرسوم بيانية معرفية مهيكلة، مما يثبت أن التماسك الدلالي على مستوى الخطاب يوفر أساساً أكثر قوة واستقراراً لتحديد الشخصية من الإشارات المعجمية أو الأسلوبية السطحية التقليدية.

المؤلفون الأصليون: Jisoo Yang (Chung-Ang University), Jongwon Ryu (Chung-Ang University), Minuk Ma (University of British Columbia), Trung X. Pham (Van Lang University), Junyeong Kim (Chung-Ang University)

نُشر 2026-04-28

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jisoo Yang (Chung-Ang University), Jongwon Ryu (Chung-Ang University), Minuk Ma (University of British Columbia), Trung X. Pham (Van Lang University), Junyeong Kim (Chung-Ang University)

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 اكتشاف حقيقة شخص ما بمجرد الاستماع إليه وهو يتحدث.

تحاول معظم برامج الكمبيوتر الحالية تخمين شخصية الشخص من خلال عدّ عدد المرات التي يستخدم فيها كلمات معينة. إذا قال شخص ما كلمة "سعيد" كثيرًا، فإن البرنامج يعتقد أنه مرح. وإذا استخدم كلمات كبيرة ومعقدة، فإن البرنامج يعتقد أنه بروفيسور. هذا يشبه محاولة فهم فيلم من خلال قراءة قائمة الكلمات التي تظهر على الشاشة فقط، مع تجاهل الحبكة، ودوافع الشخصيات، وكيف تؤدي كل مشهد إلى المشهد الذي يليه.

تجادل الورقة البحثية التي قدمتها، "الشخصية البراغماتية" (The Pragmatic Persona)، بأن هذه الطريقة تفوت القصة الحقيقية. وبدلاً من ذلك، يقترح المؤلفون طريقة جديدة لفهم شخصيات الذكاء الاصطعي (التي تسمى "الشخصيات" أو "البرسونا") من خلال النظر في كيفية اتصال الأفكار ببعضها البعض، وليس فقط ما هي الكلمات المستخدمة.

إليك تفصيل فكرتهم باستخدام تشبيهات بسيطة:

1. المشكلة: "عداد الكلمات" مقابل "المحقق"

تخيل محققين يحاولان حل لغز ما.

المحقق (أ) (الطريقة القديمة): يعد كم مرة ذكر المشتبه به كلمة "قهوة". إذا كان العدد مرتفعًا، يفترض أن المشتبه به هو بائع قهوة. هذا تحليل سطحي؛ فهو ينظر فقط إلى القشرة الخارجية.
المحقق (ب) (الطريقة الجديدة - PD-Agent): يستمع إلى منطق المحادثة. إذا قال المشتبه به: "لقً فقدت مفاتيحي"، ثم قال لاحقًا: "أنا بحاجة إلى مصباح يدوي"، فإن المحقق (ب) يربط النقاط ببعضها: المفاتيح ضاعت -> المكان مظلم -> الحاجة إلى ضوء. هذا المحقق يفهم الجسر الخفي بين الجملتين.

يطلق المؤلفون على هذا الاتصال الخفي اسم "الاستدلال الجسري" (Bridging Inference). إنه القفزة الذهنية التي يقوم بها البشر لملء الفجوات عندما نتحدث. نحن لا نحتاج إلى قول كل شيء بشكل صريح؛ فنحن نعتمد على المعرفة المشتركة لفهم بعضنا البعض.

2. الحل: بناء "خريطة مفاهيم"

أنشأ المؤلفون أداة تسمى PD-Agent (الوكيل المكتشف للشخصية). فكر في هذا الوكيل كرسام خرائط للمحادثات.

المحادثة: يتحدث الذكاء الاصطناعي مع الـ PD-Agent.
بناء الجسور: يستمع الـ PD-Agent لتلك "الجسور الخفية". ويسأل: كيف ترتبط هذه الجملة بالجملة السابقة؟
- مثال: إذا قال الذكاء الاصطناعي: "ذهبت في رحلة"، ثم قال: "كان شروق الشمس جميلًا"، يبني الـ PD-Agent جسرًا: رحلة $\leftarrow$ شروق الشمس (لأن الرحلات غالبًا ما تتضمن رؤية شروق الشمس).
- مثال: إذا قال الذكاء الاصطناعي: "أستخدم كاميرا عديمة المرآة"، يبني الـ PD-Agent جسرًا: كاميرا $\leftarrow$ رحلة (لأن الكاميرات أدوات تُستخدم في الرحلات).
الخريطة: يرسم الـ PD-Agent خريطة (رسمًا بيانيًا) حيث الكلمات هي نقاط و"الجسور" هي الخطوط التي تربط بينها.

3. النتيجة: رؤية "روح" الذكاء الاصطنا Artificial Intelligence

بمجرد رسم الخريطة، ينظر الـ PD-Agent إلى هيكل الخريطة، وليس فقط النقاط.

إذا كانت الخريطة مليئة بالاتصالات بين الأدوات والأفعال (مثل: "سكين" تتصل بـ "التقطيع")، فقد يكون لدى الذكاء الاصطناعي شخصية عملية وتقنية.
إذا كانت الخريطة مليئة بالاتصالات بين المشاعر والأحداث (مثل: "الحزن" يتصل بـ "المطر")، فقد يكون الذكاء الاصطناعي عاطفيًا أو تأمليًا أكثر.

تزعم الورقة أنه من خلال النظر في هذا الهيكل، يمكن للـ PD-Agent تخمين شخصية الذكاء الاصطناعي الخفية (مثل "هل هم بروفيسور؟" أو "هل يعيشون بمفردهم؟") بشكل أفضل بكثير من طرق "عداد الكلمات" القديمة.

4. ما وجدوه (الدليل)

اختبر الباحثون ذلك على العديد من نماذج الذكاء الاصطناي المختلفة، من الصغيرة إلى الضخمة (التي تصل إلى 80 مليار معلمة/parameter).

الطريقة القديمة (عد الكلمات): أصابت حوالي 75-80% من سمات الشخصية بشكل صحيح.
الطريقة الجديدة (الاستدلال الجسري): أصابت حوالي 90-98% من السمات بشكل صحيح.

كان الاكتشاف الأهم هو أن نماذج الذكاء الاصطناعي الأكبر والأذكى عملت بشكل أفضل مع هذه الطريقة الجديدة. لماذا؟ لأن النماذج الأذكى تصنع "جسورًا" أكثر تعقيدًا بين الأفكار. الطريقة القديمة كانت ترتبك بسبب التعقيد، لكن الطريقة الجديدة استخدمت هذا التعقيد لبناء صورة أوضح للشخصية.

تشبيه ملخص

فكر في شخصية الذكاء الاصطناعي مثل المنزل.

الطريقة القديمة: تمشي حول الخارج وتعد كم عدد الطوب الأحمر الموجود. وتخمن أن المنزل "أحمر".
الطريقة الجديدة (PD-Agent): تدخل إلى الداخل وتنظر إلى المخطط الهندسي. ترى كيف يتصل المطبخ بغرفة المعيشة، وكيف تتصل غرفة النوم بالحمام. ومن خلال فهم التصميم والتدفق داخل المنزل، يمكنها تخمين من يسكن هناك بدقة (على سبيل المثال: "هذا منزل عائلي" أو "هذا منزل لشخص يعيش بمفرده").

باخت-صار: تقول الورقة إننا نتوقف عن تخمين شخصيات الذكاء الاصطناعي عبر عد الكلمات، ونبدأ في فهمها من خلال رسم خرائط لكيفية اتصال أفكارهم منطقيًا ببعضها البعض. وهذا يكشف عن "شخصية" أعمق وأكثر دقة مخبأة داخل الآلة.

إليك ملخص تقني مفصل لورقة البحث: "الشخصية البراغماتية: اكتشاف شخصية النماذج اللغوية الكبيرة من خلال الاستدلال الجسري."

1. بيان المشكلة

تعتمد الأساليب الحالية لاكتشاف الشخصيات الكامنة في النماذج اللغوية الكبيرة (LLMs) بشكل كبير على الإشارات المعجمية أو الأسلوبية السطحية (مثل: تكرار الكلمات، أو النبرة، أو تسميات المطالبات الصريحة). تعامل هذه الأساليب الحوار باعتباره تسلسلاً مسطحاً من الرموز (tokens)، مما يؤدي إلى الفشل في التقاط البنى الخطابية الأعمق التي تحافظ على اتساق الشخصية.

القصور: لا يمكن للتحليل السطحي تفسير كيفية حفاظ النماذج اللغوية الكبيرة على التماسك الدلالي أو لماذا تظهر سمات معينة. كما أنه يغفل الروابط المفاهيمية الضمنية (الجسور) التي يستخدمها البشر لربط الأفكنا عبر المعرفة الخلفية.
الهدف: الانتقال من مجرد مطابقة الكلمات المفتاحية إلى تطوير إطار عمل يفسر حوار النماذج اللغية الكبيرة من خلال الاستدلال الجسري (Bridging Inference) — وهي العملية المعرفية لربط العبارات عبر علاقات دلالية ضمنية للكشف عن أنماط الاستدلال الكامنة في النموذج.

2. المنهجية: إطار عمل PD-Agent

يقترح المؤلفون وكيل اكتشاف الشخصية (PD-Agent)، وهو إطار عمل معرفي يعمل على تشغيل الاستدلال الجسري (بناءً على تصنيف Irmer ونظرية تمثيل الخطاب المجزأ) لاستخراج سمات الشخصية.

أ. المفهوم الجوهري: الاستدلال الجسري

يربط الاستدلال الجسري بين كيان تم تقديمه حديثاً ("الجسر") وحدث أو كيان تم ذكره سابقاً ("المرساة") باستخدام المعرفة العالمية الضمنية. يستخدم إطار العمل سبعة أنواع علاقات معيارية:

العلاقات الميرولوجية (Mereological): (جزء من، عضو في) - (الاعتمادات الهيكلية).
العلاقات المتعلقة بالإطار (Frame-related): (الأداة، الموضوع، السبب لـ، في، الزمان) - (الأدوار الديناميكية داخل إطار الحدث).

ب. بنية النظام

يعمل إطار العمل كخط إنتاج تفاعلي يتضمن وكيلين:

النموذج المستهدف (Target LLM): يتم توجيهه بشخصية خفية (دور اجتماعي، شخصية، خلفية، اهتمامات) لتوليد الحوار.
وكيل PD-Agent (وكيل الاستدلال): وكيل ميتا (Meta-agent) يقوم بإجراء المقابلة، واستخراج العلاقات، واستنتاج الشخصية.

ج. خط سير التنفيذ

تتبع العملية أربع مراحل متميزة (موضحة بالتفصيل في الخوارزمية 1):

تعيين الشخصية: يتم اختيار شخصية خفية من مخطط رباعي الأبعاد وتعيينها للنموذج المستهدف.
المقابلة التفاعلية: يقوم وكيل PD-Agent بإجراء حوار مفتوح مع النموذج المستهدف يتكون من 3 إلى 5 جولات لاستخراج الإشارات الكاشفة للشخصية دون الكشف المباشر عن الذات.
استخراج الاستدلال الجسري: يقوم وكيل PD-Agent بتحليل الحوار لتحديد أزواج (المرساة-الاسم الإشاري) الضمنية. ويستخدم التعلم من أمثلة قليلة (few-shot learning) لتصنيف الروابط إلى أنواع الاستدلال الجسري السبعة (على سبيل المثال: ربط "السكين" بـ "القتل" كعلاقة "أداة").
بناء الرسم البياني الدلالي والاستدلال:
- يتم تحويل الحوار إلى رسم بياني دلالي موجه $G = (V, E)$ ، حيث تمثل العقد المفاهيم وتمثل الحواف علاقات الجسر الموسومة.
- تحليل المركزية: يتم حساب أهمية المفاهيم باستخدام مركزية الدرجة المعيارية: $Importance(v_i) = \frac{deg(v_i)}{\max deg(v_j)}$ .
- الاستدلال: يقوم وكيل PD-Agent بتحليل توزيع أنواع العلاقات والمراكز المحورية للتنبؤ بسمات الشخصية الكامنة عبر أبعاد المخطط الأربعة.

3. المساهمات الرئيسية

إطار عمل معرفي: يقترح أول إطار عمل لتحليل شخصية النماذج اللغوية الكبيرة يستند إلى نظرية الخطاب المعرفي، محولاً التركب من التكرار المعجمي إلى الاستدلال الهيكلي عبر الاستدلال الجسري.
تصنيف إجرائي: يطبق أنواع علاقات الجسر السبعة الخاصة بـ Irmer كأمثلة للتعلم من أمثلة قليلة لتعزيز استدلال النماذج اللغوية الكبيرة، مما يسمح باستخراج الروابط المفاهيمية الضمنية.
التمثيل القائم على الرسم البياني: يقدم طريقة لتصور وقياس سمات الشخصية من خلال التنظيم الهيكلي للخطاب (رسوم بيانية للمعرفة) بدلاً من الأنماط المعجمية المنعزلة.
تقييم منهجي: يوفر تقييماً قوياً عبر أحجام نماذج متنوعة (من 1.7 مليار إلى 80 مليار معلمة) وبنى استدلالية مختلفة.

4. النتائج التجريبية

قيمت الدراسة وكيل PD-Agent مقابل النماذج المرجعية التقليدية (Vanilla) (التنبؤ المباشر) والمدركة للتردد (Frequency-Aware) (تردد الرموز) باستخدام ستة نماذج استدلالية (بما في ذلك GPT-4o، وo1-mini، وClaude 3.5، وDeepSeek-V3) ونماذج مستهدفة متنوعة.

الأداء: تفوق وكيل PD-Agent باستمرار على النماذج المرجعية عبر جميع أحجام النماذج.
- درجات التشابه: حقق درجات تشابه جيب التمام (cosine similarity) تتراوح بين 0.90 و0.98 مع الشخصيات الحقيقية.
- التحسن: أظهر مكاسب كبيرة مقارنة بالاستدلالات القائمة على التردد (تحسن يصل إلى +0.15).
- أفضل أداء: حقق نموذج o1-mini (المحسن للاستدلال المنطقي) أعلى دقة (تشابه 0.99 على الأهداف الكبيرة)، مما يشير إلى أن قدرات الاستدلال المعقدة ضرورية لعملية الربط.
القابلية للتوسع: ازداد الأداء مع زيادة حجم النموذج المستهدف. فالنماذج الأكبر (30B–80B) تولد كثافة دلالية أغنى ورسوماً بيانية جسرية أكثر تعقيداً، والتي استفاد منها وكيل PD-Agent لتحقيق استدلال أكثر دقة.
الاستقرار: أظهر الإطار استقراراً عالياً مع انحراف معياري أقل من 0.03 عبر عمليات التشغيل المتعددة.
تحليل الخطأ: حدث نمط الفشل الرئيسي في فئة الخلفية (Background) (على سبيل المثال: الخلط بين "العيش وحيداً" و"العيش في الخارج" بسبب الإشارات الغامضة)، مما يشير إلى أنه بينما يعد الاستدلال الهيكلي قوياً، فإن الاستدلال الواقعي المحدد يظل تحدياً.

5. الأهمية والخاتمة

الأثر النظري: يجسّر هذا العمل الفجوة بين اللسانيات الحاسوبية والدلالات المعرفية، مبرهناً على أن شخصيات النماذج اللغوية الكبيرة مشفرة في التماسك الهيكلي للخطاب وليس في مجرد اختيارات الكلمات المنعزلة.
التطبيق العملي: يوفر أداة تشخيصية لفهم سلوك النماذج، وسلامتها، ومواءمتها من خلال الكشف عن التفضيلات الكامنة التي تغفلها التحليلات السطحية.
الاتجاهات المستقبلية: يقترح المؤلفون توسيع إطار العمل ليشمل السياقات متعددة اللغات والوسائط المتعددة لاستكشاف كيف تشكل القيم الثقافية والإشارات الإدراكية التعبير عن الشخصية.

باختصار، تثبت هذه الورقة أن الاستدلال الجسري هو آلية متفوقة لاكتشاف الشخصية، مما يثبت أن "شخصية" النموذج اللغوي الكبير تُفهم بشكل أفضل من خلال تحليل كيفية ربطه للمفاهيم منطقياً عبر المحادثة، بدلاً من مجرد الكلمات التي يكررها.