💬 NLP

Focus particles and scalar inferences across humans and language models

تبحث هذه الورقة فيما إذا كان البشر والنماذج اللغوية الكبيرة يولدون أحكامًا كمية متسقة لجزئيات التركيز مثل "حتى" و"فقط"، وتجد أنه بينما تتوافق مخرجاتهم غالبًا، إلا أنهم على الأرجح يعتمدون على آليات أساسية مختلفة جوهريًا.

المؤلفون الأصليون: Catherine M. Brousse, Nelu D. Radpour

نُشر 2026-08-11

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Catherine M. Brousse, Nelu D. Radpour

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 كيف يقرر دماغ ما — أو كمبيوتر فائق الذكاء — معنى شيء ما. لطال Wald زمنًا طويلًا والعلماء يتساءلون عما إذا كانت أدمغتنا تعامل الكلمات كأشياء مادية يمكننا تحريكها في الفضاء، أم أنها تعاملها كإشارات عاطفية أكثر. فكر في الأمر بهذه الطريقة: عندما تسمع كلمة تعني "جيد"، هل تفكر تلقائيًا في "يمين" أو "أعلى"، وعندما تسمع "سيء"، هل تفكر في "يسار" أو "أسفل"؟ تُسمى هذه الفكرة "الترميز المكاني"، وهي تشير إلى أن عقولنا قد تكون مثل خريطة حيث يُرسم المعنى بالأسهم. لكن هناك فكرة أخرى: ربما تكتفي أدمغتنا بالنظر إلى "شعور" الكلمة (هل هي إيجابية أم سلبية؟) وتتجاهل الخريطة تمامًا. هذه هي الرؤية "التقييمية". إن فهم أي من الفكرتين هي الصحيحة أمر بالغ الأهمية لأنه يساعدنا في معرفة ما إذا كان الذكاء الاصطناعي يفكر مثلنا، أم أنه مجرد مقلد بارع لا "يشعر" حقًا كما نفعل نحن.

في هذه الدراسة، قرر الباحثان كاثرين بروس ونيلي رادبور اختبار ذلك باستخدام "أدمغة" مختلفة تمامًا: مجموعة مكونة من 108 متطوعين بشريين ونموذج لغوي ضخم يسمى Llama 3.3 70B. لقد استخدموا نوعًا خاصًا من حيل الكلمات يسمى "جزيئات التركيز". هل تعرف تلك الكلمات الصغيرة مثل "حتى" و"فقط" التي تغير نبرة الجملة دون تغيير الحقائق الأساسية؟ على سبيل المثال، قولنا "مايك يستطيع حتى خبز كعكة" يوحي بأن خبز الكعكة أمر مفاجئ أو معيار منخفض، بينما قولنا "مايك يستطيع فقط خبز كعكة" يوحي بأنه لا يملك مهارات أخرى، وهو حكم محدد للغاية ومقيد. أراد الباحثون معرفة ما إذا كان تغيير تنسيق خيارات الإجابة سيغير كيفية تقييم الناس والذكاء الاصطناعي لهذه الجمل.

لقد أعدوا أربع طرق مختلفة لطلب الإجابات. تخيل شريط تمرير لتقييم القدرة: أحيانًا كان خطًا أفقيًا (منخفض على اليسار، مرتفع على اليمين)، وأحيانًا خطًا رأسيًا (منخفض في الأسفل، مرتفع في الأعلى). كما قاموا بقلب الملصقات، بحيث أصبح "منخفض" على اليمين أو الأعلى، فقط ليروا ما إذا كان الدماغ سيصاب بالارتباك بسبب الاتجاه. قرأ كل من البشر والذكاء الاصطناعي 60 جملة حول أشخاص يقومون بمهام، بعضها يحتوي على "حتى" وبعضها على "فقط"، وقاموا بتقييم مدى قدرة الشخص على مقياس من 1 إلى 5.

كانت النتائج رائعة. اتفق كل من البشر والذكاء الاصطناعي على المنطق الأساسي: الجمل التي تحتوي على "فقط" حصلت على تقييمات عالية (بمعنى أن الشخص يبدو قادرًا جدًا بطريقة محددة)، والجمل التي تحتوي على "حتى" حصلت على تقييمات أقل. والأهم من ذلك، لم يهم ما إذا كانت أزرار الإجابة مقلوبة رأسًا على عقب أو جانبًا؛ فقد ظلت الأحكام كما هي. هذا يشير إلى أنه بالنسبة لكل من البشر والذكاء الاصطناعي، فإن أحكام الكلمات مدفوعة بـ "معنى" الكلمات، وليس بمكان الأزرار على الشاشة. لم تفز نظرية "الخريطة"؛ بل فازت نظرية "المعنى".

ومع ذلك، لم يكن الذكاء الاصطناعي والبشر توأمين متطابقين. كان الذكاء الاصطناعي أكثر تطرفًا في آرائه؛ فعندما يرى جملة تحتوي على "فقط"، فإنه يعطي الدرجة القصوى وهي 5 في كل مرة، دون أي تباين. أما البشر، فقد كانوا أكثر دقة وتنوعًا، حيث أعطوا مزيجًا من الدرجات العالية ولكن ليس دائمًا الدرجة الكاملة 5. وجد الباحثون أنه حتى عندما حاولوا جعل الذكاء الاصطناعي أكثر "عشوائية" عن طريق تغيير إعداداته الداخلية (المسمى "درجة الحرارة" أو temperature)، فإنه ظل يعطي نفس الإجابة مرارًا وتكرارًا. وهذا يشير إلى أنه بينما يمكن للذكاء الاصطناعي نسخ النمط العام للتفكير البشري، فإنه يفتقر إلى التباين الطبيعي "الفوضوي" الذي يمتلكه البشر الحقيقيون. الأمر يشبه أن يكون الذكاء الاصطنافي روبوتًا حفظ كتاب القواعد بدقة، بينما البشر هم حشد من الناس الذين يتفقون جميعًا على القاعدة ولكن لا يزال لكل منهم سماته الخاصة الصغيرة. تشير الدراسة إلى أن نماذج الذكاء الاصطناعي الحالية قد تكون بارعة في الوصول إلى "المتوسط" الصحيح، لكنها قد لا تكون النماذج الأفضل لفهم كيفية عمل العقول البشرية الحقيقية، لأنها لا تبدو قادرة على امتلاك نفس نطاق الاختلافات الفردية.

ملخص تقني: الجسيمات البؤرية والاستدلالات القياسية عبر البشر والنماذج اللغوية

المشكلة والدوافع
تتناول هذه الدراسة سؤالاً مركزياً في العلوم المعرفية ومعالجة اللغات الطبيعية: كيف يفسر البشر والأنظمة الاصطناعية المعنى المهيكل، وتحديداً فيما يتعلق بالجسيمات الحساسة للبؤرة مثل "حتى" (even) و"فقط" (only). تقوم هذه الجسيمات بتعديل المعنى المستنتج للجملة من خلال إدخال توقعات حول البدائل (على سبيل المثال، تسلط "حتى" الضوء على البدائل ذات الاحتمالية المنخفضة، بينما تقدم "فقط" مفهوم الحصرية) دون تغيير المحتوى القضوي الجوهري.

هناك نقاش نظري رئيسي حول الآلية التي تقود الأحكام القياسية المرتبطة بهذه الجسيمات. يفترض أحد التفسيرات أن الأحكام تستند إلى الترميز المكاني، حيث يتم رسم خرائط للمقادير المجردة على أبعاد مكانية (مثل اليمين-اليسار أو الأعلى-الأسفل)، مما يعني أن توجه مقياس الاستجابة يجب أن يؤثر بشكل منهجي على الأحكام (Dehaene et al., 1993). أما التفسير البديل، القائم على مبدأ توافق القطبية، فيقترح أن الأحكام مدفوعة بالبنية التقييمية واللغوية، مما يعني أن الاختلافات بين الجسيمات يجب أن تظل مستقرة بغض النظر عن التكوين المكاني (Proctor & Cho, 2006).

مع الأدلة الحديثة التي تشير إلى أن النماذج اللغوية الكبيرة (LLMs) تطور تمثيلات داخلية مهيكلة للمعلومات اللغوية (Kryvosheieva et al., 20 25)، يبحث المؤلفون فيما إذا كانت النماذج اللغوية الكبيرة تظهر أنماط حكم قياسية شبيهة بالبشر. ومن الأهمية بمكان، أنه على عكس البشر الذين تتشكل تمثيلاتهم المكانية من خلال التفاعل المتجسد، تعالج نماذج المحولات (Transformers) الرموز (tokens) بشكل متزامن عبر الانتباه ثنائي الاتجاه (Vaswani etet al., 2017). تختبر هذه الدراسة ما إذا كانت الأحكام القياسية المماثلة تنبثق من مبادئ تمثيلية مشتركة أو من آليات أساسية متميزة.

المنهجية
أجرى الباحثون دراسة مقارنة شملت مشاركين بشريين ونموذج لغوي كبير عبر أربعة تكوينات لمقياس الاستجابة.

المثيرات: 60 جملة تصف مهاماً متعلقة بالقدرة (على سبيل المثال، "مايك يستطيع خبز كعكة"). احتوت ثلاثون مادة على الجسيم "حتى" (even)، وثلاثون مادة احتوت على "فقط" (only).
المشاركون البشريون: أكمل $N = 108$ من المشاركين واحدة من أربع دراسات عبر Qualtrics.
التلاعبات التجريبية: تم التلاعب بالتكوين المكاني لمقياس الاستجابة عبر بُعدين:
1. التنسيق المكاني: أفقي مقابل رأسي.
2. تخطيط الملصقات: قياسي (قدرة منخفضة على اليسار/الأسفل، قدرة عالية على اليمين/الأعلى) مقابل معكوس (قلب الملصقات).
  وقد نتج عن ذلك أربع حالات: أفقي-قياسي، أفقي-معكوس، رأسي-قياسي، ورأسي-معكوس.
الإجراء: قام المشاركون بتقييم قدرة الفرد في الجملة على مقياس ليكرت المكون من 5 نقاط.
جمع بيانات النموذج اللغوي الكبير: تم جمع البيانات باستخدام Llama 3.3 70B عبر واجهة برمجة تطبيقات Groq. تم تقديم كل مثير في "مطالبة" (prompt) تحاكي هيكل الاستطلاع البشري. تم توجيه النموذج لإخراج عدد صحيح واحد (1-5). ولأخذ عينة من توزيع استجابة النموذج، تم تشغيل كل مطالبة 20 مرة عند درجة حرارة (temperature) قدرها 1.0، مما أنتج 4,800 ملاحظة (60 جملة $\times$ 4 حالات $\times$ 20 عينة).

النتائج
تم تحليل التقييمات باستخدام نموذج التأثيرات المختلطة الخطية، حيث كانت "الجسيم"، و"المصدر" (بشري مقابل نموذج لغوي)، و"التنسيق"، و"التخطيط" هي التأثيرات الثابتة.

تأثيرات الجسيم: وُجد تأثير رئيسي معنوي للجسيم ( $\beta= 2.20, p < .001$ ). منح كل من البشر والنموذج اللغوي الكبير تقييمات أقل لجمل "حتى" وتقييمات أعلى لجمل "فقط".
اختلافات المصدر: كشف تفاعل (الجسيم $\times$ $\times$ المصدر) المعنوي ( $\beta= 1.38, p < .001$ $β = 1.38, p < .001$ ) أن النموذج اللغوي الكبير أنتج أحكاماً أكثر تطرفاً.
- البشر: كانت المتوسطات 2.07 لجمل "حتى" و4.31 لجمل "فقط" (الفرق: 2.20).
- النموذج اللغوي الكبير: كانت المتوسطات 1.41 لجمل "حتى" و5.00 لجمل "فقط" (الفرق: 3.58).
- ومن الملاحظ، أنه بالنسبة لجمل "فقط"، منح النموذج اللغوي الكبير التقييم الأقصى (5) في 100% من الملاحظات عبر جميع الحالات.
التأثيرات المكانية: لم يؤدِ تغيير اتجاه أو تخطيط الملصقات لمقياس الاستجابة إلى إلغاء أو عكس نمط الأحكام لكلا المجموعتين. وهذا يشير إلى أن الأحكام القياسية مدفوعة بالمحتوى الدلالي والتقييمي بدلاً من التنظيم المكاني.
التباين: أظهر النموذج اللغوي الكبير تبايناً أقل بكثير في الاستجابة مقارنة بالبشر. حتى مع استخدام درجة حرارة أخذ العينات عند 1.0، أنتجت عمليات أخذ العينات المتكررة استجابات متسقة للغاية. وأكد مسح لاحق لدرجة الحرارة (من 0.0 إلى 2.0) أن استجابات النموذج ظلت مستقرة، مما يشير إلى أن زيادة درجة الحرارة وحدها لم تكن كافية لتوليد تباين يشبه التباين البشري.

المساهمات الرئيسية

آلية الحكم القياسي: تقدم الدراسة دعماً تجريبياً للتفسير التقييمي للأحكام القياسية على حساب التفسير القائم على الترميز المكاني. إن استقرار الأحكام عبر التكوينات المكانية يشير إلى أن البنية الدلالية لـ "حتى" و"فقط" تقود التفسير بقوة أكبر من التنظيم المكاني لخيارات الاستجابة.
إدراك النموذج اللغوي الكبير مقابل الإنسان: توضح الورقة أنه بينما يمكن للنماذج اللغوية الكبيرة إعادة إنتاج الأنماط السلوكية البشرية الإجمالية (الاتجاهات النوعية)، إلا أنها تختلف بشكل كبير في تباين الاستجابة. ميل النموذج اللغوي الكبير نحو الأحكام الفئوية والمتطرفة يتناقض مع الاستجابات المتدرجة والمتغيرة لدى البشر.
محدودية أخذ العينات: تتحدى النتائج الافتراض بأن أخذ العينات المتكرر عند درجات حرارة عالية يمكن أن يحاكي الفروق الفردية البشرية. يجادل المؤلفون بأن التباين عبر تشغيلات النموذج يعكس ضوضاء حول حكم ثابت، في حين أن التباين البشري يعكس فروقاً فردية حقيقية في التفسير.

الأهمية والادعاءات
يخلص المؤلفون إلى أن عدم وجود تباين في الاستجابة في النموذج اللغوي الكبير يثير تساؤلات حول مدى ملاءمة النماذج اللغوية الكبيرة الحالية كنماذج للإدراك البشري، بالنظر إلى أن الفروق الفردية هي سمة محددة للسلوك البشري. تتماشى الورقة مع النتائج الحديثة (Qiu et al., 2025; Rodriguez et al., 2026) التي تشير إلى أن النماذج اللغوية الكبيرة المعاصرة تفشل في إعادة إنتاج اتساع التباين الملحوظ في المجموعات البشرية، حتى عندما يتطابق متوسط الأداء في المهام بشكل جيد. تقترح الدراسة بتواضع أنه بينما تلتقط النماذج اللغوية الكبيرة المنطق الهيكلي للاستدلالات القياسية، إلا أنها لا تزال غير قادرة على نمذجة الطبيعة العشوائية للحكم البشري.

أبحاث مشابهة