💻 computer science

Large language model-assisted discovery of cohorts from scientific literature

تقدم هذه الورقة إطار عمل قائماً على الأسئلة يسخر النماذج اللغوية الكبيرة لأتمتة استخراج أسماء المجموعات (cohorts) من الأدبيات العلمية، مما يثبت قدرته على تحديد المجموعات ذات الصلة بعلم وراثة العدوان لدى الشباب والتي غالباً ما يتم إغفالها من قبل فهارس المجموعات التقليدية.

المؤلفون الأصليون: Moritz Sturm, Lisa M. Berg, Inken Berg, Harishny Sarma, Jasmin Hartmann, Denissa Girschik, Gemma Roig, Christine M. Freitag, Andreas G. Chiocchetti

نُشر 2026-08-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Moritz Sturm, Lisa M. Berg, Inken Berg, Harishny Sarma, Jasmin Hartmann, Denissa Girschik, Gemma Roig, Christine M. Freitag, Andreas G. Chiocchetti

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

في المشهد الواسع للعلوم الحديثة، غالبًا ما يواجه الباحثون مشكلة لا تكمن في العثور على بيانات جديدة، بل في العثور على البيانات القديمة الصحيحة. تخيل عالمًا يريد فهم سبب إظهار بعض الأطفال لسلوك عدواني. لكي يحصل على إجابة واضية، لا يمكنه الاعتماد على مجموعة واحدة من بضع مئات من الأشخاص؛ بل يحتاج إلى دمج بيانات من آلاف الأفراد عبر دراسات عديدة. هذه العملية، المعروفة باسم تحليل الدراسات المتعددة، تتطلب إيجاد مجموعات محددة من الناس، تسمى "الأفواج" (cohorts)، والتي تمتلك الخصائص المناسبة: العمر المناسب، والتاريخ الطبي المناسب، ونوع القياسات المناسب، مثل الشفرات الجينية أو صور الدماغ. لعقود من الزمن، كان العثور على هذه المجموعات عملية بحث بطيئة ويدوية. فقد اضطر العلماء إلى الاعتماد على ذاكرتهم الخاصة، أو سؤال زملائهم عن توصيات، أو البحث في قوائم متخصصة لمجموعات البيانات التي قد لا تغطي كل سؤال بحثي محتمل. هذه القوائم مفيدة، لكنها غالبًا ما تكون منظمة حسب نوع البيانات التي تحتويها بدلاً من الأسئلة المحددة التي يريد العلماء طرحها، مما يترك العديد من المجموعات المفيدة مخفية في وضح النهار.

لقد طور فريق من الباحثين من ألمانيا طريقة جديدة لحل هذا اللغز، محولين البحث عن مجموعات البيانات هذه إلى عملية نظامية ومؤتمتة. فبدلاً من الانتظار حتى يقرأ إنسان آلاف الأوراق العلمية واحدة تلو الأخرى، قاموا ببناء سير عمل رقمي يستخدم نموذج لغة كبير — وهو نوع من الذكاء الاصطناعي المدرب على كميات هائلة من النصوص — ليعمل كمساعد بحث دؤوب. يبدأ النظام بسؤال بسيط، مثل: "أي الدراسات تحتوي على بيانات جينية عن الأطفال العدوانيين؟". ثم يقوم الكمبيوتر بترجمة هذا السؤال إلى مئات من مصطلحات البحث المحددة ويمسح الأدبيات العلمية، مستخرجًا آلاف عناوين المقالات وملخصاتها. يقرأ الذكاء الاصطناعي هذه الملخصات، باحثًا عن أسماء المجموعات المحددة من الناس المذكورة في النص. يقوم باستخراج هذه الأسماء، وينقي التكرارات، وينظمها في قائمة ليراجعها الخبراء البشريون.

اختبر الباحثون هذا النظام على التحدي المحدد المتمثل في إيجاد الدراسات الجينية المتعلقة بالعدوانية لدى الشباب. لقد غدّوا النظام بمجموعة من مصطلحات البحث التي تغطي الأطفال، والمراهقين، والعدوانية، والوراثة. أنتج الكمبيوتر أكثر من خمسة آلاف استعلام بحث مختلف واسترجع أكثر من خمسة آلاف سجل علمي فريد. ومن هذه الكومة الضخمة من النصوص، حدد الذكاء الاصطناعي ما يقرب من مائتي مجموعة محتملة من الناس. وبعد أن قام خبراء بشريون بفحص هذه المرشحات بعناية وفق قواعد صارمة — لضمان أن المجموعات كبيرة بما يكفي، وتضم أطفالًا دون سن الثمانية عشر، وتمتلك البيانات الجينية اللازمة — استقرت القائمة النهائية على أربعة وأربعين فوجًا مؤهلًا. مثلت هذه المجموعات الأربعة والأربعون إجماليًا بلغ قرابة تسعمائة ألف مشارك، وهو حجم من البيانات كان من الصعب للغاية والمستهلك للوقت تجميعه يدويًا.

أراد الفريق أيضًا معرفة ما إذا كانت طريقتهم الجديدة تجد أشياء فاتتها القوائم الراسخة والمعروفة. قارنوا قائمتهم المكونة من أربعة وأربعين مجموعة من المجموعات المؤهلة مع نتائج أربع قواعد بيانات رئيسية مشهورة يعتمد عليها العلماء عادةً. وجدت قواعد البيانات الراسخة، عند البحث بنفس السؤال، سبع وعشرين مجموعة من أصل أربع وأربعين. ومع ذلك، فقد أغفلت تمامًا سبع عشرة مجموعة وجدها النظام الجديد القائم على الأدبيات. أظهرت هذه الفجوة أن القوائم التقليدية ليست خريطة كاملة للبيانات المتاحة. لم تكن الطريقة الجديدة بديلاً للقوائم القديمة، بل عملت كمكمل قوي، حيث كشفت عن موارد قيمة موثقة في الأوراق العلمية ولكن لم يتم فهرستها بعد في الكتالوجات المركزية.

ولضمان قيام الذكاء الاصطناعي بعمله بشكل صحيح، قارن الباحثون عمله مع الخبراء البشريين. طلبوا من مراجعين بشريين اثنين فحص عينة عشوائية من نفس الأوراق العلمية لمعرفة ما إذا كانت تحتوي على المجموعات الصحيحة. لم يتفق المراجعون دائمًا مع بعضهم البعض، وهو أمر شائع عند تفسير النصوص المعقدة، لكن أداء الذكاء الاصطناعي وقع تمامًا ضمن نطاق الاتفاق البشري. لقد كان دقيقًا للغاية في تجنب الإنذارات الكاذبة، مما يعني أنه نادرًا ما ادعى أن ورقة ما تحتوي على مجموعة بينما هي لا تحتوي عليها. وبينما فاتته بعض المجموعات التي وجدها البشر، فإن قدرته على معالجة آلاف الأوراق في جزء ضئيل من الوقت جعلت منه أداة عملية وموثوقة. ولم تكلف العملية برمتها، من البحث إلى استخراج الأسماء، سوى القليل من موارد الحوسبة مقارنة بمئات الساعات من العمل البشري التي استبدلتها.

تخلص الدراسة إلى أن هذا النهج يقدم طريقة عملية ومرنة لبناء قائمة من مجموعات البيانات لأي سؤال بحثي محدد. فمن خلال ترجمة فضول الباحث إلى بحث نظامي في السجل العلمي، تحول الطريقة عالم الأوراق المنشورة المشتت والواسع إلى مخزون قابل للاستخدام من البيانات البشرية. وهي لا تتطلب قائمة مسبقة من المجموعات لتعمل؛ بل تجدها من خلال قراءة القصص التي رواها العلماء بالفعل عن أعمالهم. وتعتبر هذه القدرة ذات قيمة خاصة في مجالات البحث المتخصصة حيث لا يوجد قاعدة بيانات مركزية، أو للأسئلة التي تشمل أنواعًا مختلفة من البيانات. لقد أتاح الباحثون أدواتهم وقائمتهم الناتجة المكونة من أربعة وأربعين فوجًا لعدوانية الشباب للجمهور، داعين الآخرين لاستخدام هذه الطريقة لاكتشاف البيانات لمجالاتهم الخاصة. ويُظهر هذا العمل أنه بينما تعد قوائم البيانات المنسقة ضرورية، فإن الأدبيات العلمية نفسها تحتوي على كنز تكميلي من المعلومات يمكن الآن الوصول إليه بمساعدة الأدوات الذكية والمؤتمتة.

أبحاث مشابهة