💬 NLP

TreeProbe : A Tibetan Medicine Benchmark for Cultural Bias in LLMs

تقدم هذه الورقة TreeProbe، وهو أول معيار اختبار صُمم لتقييم التحيز الثقافي في النماذج اللغوية الكبيرة من خلال اختبار مدى التزامها بالإطار النظري الهيكلي للطب التبتي، مما يكشف أن النماذج الحالية غالباً ما تظهر انحرافاً معرفياً منهجياً نحو نماذج الطب الحيوي السائدة أو الطب الصيني التقليدي.

المؤلفون الأصليون: Jin Zhang, Linyu Li, Weili Jiang, Yuqing Cai, Yutong Liu, Guanquecairang, Yongbin Yu, Jingye Cai, Nyima Tashi, Gadeng Luosang

نُشر 2026-08-04

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jin Zhang, Linyu Li, Weili Jiang, Yuqing Cai, Yutong Liu, Guanquecairang, Yongbin Yu, Jingye Cai, Nyima Tashi, Gadeng Luosang

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 تدخل إلى مكتبة ضخمة وعالية التقنية حيث الكتب مكتوبة بواسطة روبوتات فائقة الذكاء. هذه الروبوتات، التي تُسمى النماذج اللغوية الكبيرة (LLMs)، قد قرأت كل شيء تقريبًا على الإنترنت. إنها مذهلة في الإجابة على الأسئلة، وكتابة القصص، وحتى التظاهر بأنها أطباء. لكن هناك مشكلة: معظم الكتب التي قرأتها كانت مكتوبة باللغة الإنجليزية ومبنية على العلوم الغربية. لذا، عندما تسألهم عن نظام طبي من ثقافة مختلفة — مثل الطب التبتي، الذي له طريقته الفريدة الخاصة في فهم الجسم والمرض — يصاب الروبوتات بالارتباك. فبدلاً من استخدام القواعد التبتية، ينتقلون دون قصد إلى القواعد الغربية أو حتى قواعد الطب الصيني، تمامًا مثل طباخ يعرف فقط كيفية صنع البيتزا، وفجأة يحاول صنع السوشي ولكن باستخدام عجينة البيتزا. تتحدث هذه الورقة البحثية عن بناء اختبار خاص لمعرفة كيف ولما-ذا يرتكب هؤلاء الروبوتات هذا الخطأ، وإلى أي مدى "ينحرفون" عن الحقيقة.

قام الباحثون وراء هذه الدراسة، بقيادة جين تشانغ وفريق من جامعات في الصين والتبت، بابتكار أداة جديدة تسمى TreeProbe. فكر في الطب التبتي كشجرة عملاقة وقديمة ذات جذور عميقة. تستخدم الورقة البحثية "شجرة الطب"، وهو إطار عمل كلاسيكي من النصوص التبتية، لبناء اختبار يحتوي على 4,719 سؤالاً تغطي 467 مرضاً مختلفاً. لم يكتفوا بسؤال الروبوتات أسئلة بسيطة حول المعلومات العامة؛ بل سألوهم عن سبب حدوث المرض، وكيفية تشخيصه باستخدام "الأخلاط الثلاثة" التبتية (وهو مفهوم يشبه توازن الطاقات)، وكيفية علاجه بنظام غذائي أو أعشاب محددة.

وجد الفريق أن حتى أذكى الروبوتات اليوم لا تزال تعاني. فعند الاختبار، لم تحصل أفضل النماذج إلا على حوالي 60% من الإجابات الصحيحة في أسئلة الاختيار من متعدد. لكن القصة الحقيقية ليست فقط في كونهم أخطأوا في الإجابة؛ بل في كيفية وقوعهم في الخطأ. لم تكن الروبوتات تخمن عشوائياً؛ بل انحرفت باستمرار نحو أنظمة طبية أخرى. فبعض النماذج، مثل نموذج شركة Anthropic (Claude)، مالَت نحو التفكير الطبي الحيوي الغربي، بينما انحرفت نماذج أخرى، مثل بعض النماذج الصينية، نحو الطب الصيني التقليدي (TCM). الأمر يبدو كما لو أن للروبوتات "إعدادات افتراضية" تتجاوز المعرفة التبتية المحددة التي يُفترض بها استخدامها.

اكتشف الباحثون أيضاً أن الروبوتات بارعة في التظاهر بالمعرفة. يمكنها كتابة جمل تبتية بليغة تبدو مثالية من الناحية النحوية، لكن النصيحة الطبية بداخلها غالباً ما تكون خاطئة أو مختلطة مع أنظمة أخرى. إنه يشبه روبوتاً يتحدث الفرنسية بطلاقة ولكنه يعطيك وصفة لطبق ألماني عندما طلبت منه طبقاً فرنسياً. تشير الدراسة إلى أن هذا يحدث لأن الروبوتات تم تدريبها على بيانات تكون فيها الأفكار الطبية الغربية والصينية أكثر شيوعاً من الأفكة التبتية. فعندما يتعثر الروبوت، فإنه يعود إلى ما يعرفه جيداً، مما يؤدي دون قصد إلى محو المنطق الفريد للطب التبتي.

باخت সহজ، يعمل TreeProbe كأداة تشخيص للروبوتات نفسها. فهو يوضح لنا أنه لكي نجعل الذكاء الاصطناعي عادلاً ومفيداً حقاً للجميع، لا يمكننا فقط تزويده بمزيد من البيانات؛ بل يجب علينا تعليمه احترام وفهم طرق مختلفة لمعرفة العالم. لا تدعي الورقة البحثية أنها حلت المشكلة بعد، لكنها توفر أول خريطة واضحة للأماكن التي يضل فيها الروبوتات طريقها، مما يساعد المطورين على بناء ذكاء اصطناعي أفضل وأكثر وعياً ثقافياً في المستقبل.

أبحاث مشابهة