← أحدث الأبحاث
🤖 AI

Self-prompting and cross-model consensus enable reproducible data extraction from scientific literature with large language models

تُثبت هذه الورقة أن الجمع بين التلقين الذاتي والتوافق عبر النماذج مع النماذج اللغوية الكبيرة يتيح استخراج البيانات من الأدبيات العلمية بشكل قابل للتكرار والقابلية للتوسع، مع الحفاظ على الإشراف الخبير من خلال تقسيم عملي للمهام.

المؤلفون الأصليون: Valentin Romanov, Monique Bax, Steven Niederer

نُشر 2026-08-20
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Valentin Romanov, Monique Bax, Steven Niederer

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

تعتمد العلوم على مكتبة ضخمة من الاكتشافات الماضية، لكن العثور على الحقائق المحددة الكامنة داخل تلك الأوراق البحثية القديمة مهمة بطيئة ومضنية. تخيل باحثاً يحتاج إلى معرفة كيفية سلوك بروتين في عضلة القلب تحت ظروف معينة؛ فعليه أن يقرأ عشرات المقالات، بعضها كُتب منذ عقود، بحثاً عن تفاصيل دقيقة مثل درجة الحرارة، والتركيزات الكيميائية، وطرق القياس. غالباً ما تكون هذه التفاصيل مدفونة في نصوص كثيفة أو مبعثرة عبر الجداول، وفقدان حتى تفصيل واحد منها قد يؤدي إلى أخطاء في الأبحاث الجديدة. لسنوات، أمل العلماء أن تتمكن برامج الكمبيوتر من القيام بهذا العمل الشاق، ولكن حتى وقت قريب، كانت هذه الأدوات غير موثوقة بما يكفي للوثوق بها في مثل هذا العمل الدقيق؛ إذ كانت غالباً ما تغفل عن السياق الحيوي أو تخترع حقائق لم توجد قط.

تختبر دراسة جديدة أجراها باحثون من إمبريال كوليدج لندن وجامعة كامبريدج ما إذا كان الجيل الأحدث من الذكاء الاصطناعي يمكنه أخيراً حل هذه المشكلة. لم يكتف الفريق بسؤال الكمبيوتر أن يقرأ ورقة بحثية فحسب، بل عاملوه كمساعد بحث مبتدئ يحتاج إلى تدريب وإشراف دقيقين. لقد وضعوا سلسلة من التجارب لمعرفة مدى قدرة هذه البرامج على استخراج بيانات محددة من المقالات العلمية، بدءاً من المهام البسيطة حيث يقدم الإنسان مجموعة واضحة من التعليمات، وصولاً إلى المهام المعقدة حيث يتعين على الكمبيوتر العثور على المقالات بنفسه. كان الهدف هو رسم خريطة توضح بدقة أين تنجح هذه الآلات وأين لا تزال بحاجة إلى يد بشرية لتوجيهها.

بدأ الباحثون بتحدٍ مباشر: هل يمكن للكمبيوتر استخراج أرقام دقيقة حول كيفية ارتباط الكالسيوم ببروتينات القلب من ثمانية عشر بحثاً علمياً مختلفاً؟ لقد قدموا لسبعة من أكثر برامج الكمبيوتر تقدماً مجموعة مفصلة من التعليمات التي كتبها خبراء، وطلبوا منها العثور على سبعة قطع محددة من المعلومات لكل تجربة، مثل نوع الحيوان المستخدم، ودرجة الحرارة، والقيم الكيميائية. كانت النتائج قوية بشكل مفاجئ؛ فقد أصابت أفضل البرامج الأرقام الصحيحة أكثر من 95% من المرات. في الواقع، عندما طُلب من أجهزة الكمبيوتر العثور على الأرقام الخام وحدها، كانت صحيحة بنسبة تقارب 100%. ومع ذلك، واجهت الآلات صعوبة عندما طُلب منها فهم القصة وراء هذه الأرقام؛ فغالباً ما فشلت في تحديد أي نسخة بالضبط من البروتين تم اختبارها أو الظروف المحددة التي أُجري فيها القياس. أظهر هذا أنه بينما كانت أجهزة الكمبيوتر ممتازة في العثور على الأرقام، إلا أنها كانت لا تزال تتعلم فهم السياق العلمي الذي يجعل تلك الأرقام ذات معنى.

ولرؤية ما إذا كان بإمكان أجهزة الكمبيوتر تقديم أداء أفضل دون أن يكتب البشر التعليمات، ترك الباحثون البرامج تكتب أدلتها الخاصة. فقد طلبوا من كل كمبيوتر البحث عن أفضل الطرق لطرح الأسئلة ثم إنشاء ورقة تعليمات رئيسية للمهمة. نجحت أجهزة الكمبيوتر في إنشاء أدلة مفيدة، لكن البيانات التي استخرجتها باستخدام هذه التعليمات التي كتبتها بنفسها كانت أقل دقة قليلاً مما كانت عليه عند اتباع خطة الخبير البشري الأصلية. كانت الفجوة صغيرة بالنسبة للبرامج المتفوقة، لكنها اتسعت في البرامج الأخرى، مما يشير إلى أنه بينما يمكن لأجهزة الكمبيوتر تعلم طرح أسئلة جيدة، فإن الخبير البشري يظل الأدرى بكيفية صياغة الفروق الدقيقة لمشكلة علمية معينة.

ثم دفع الفريق أجهزة الكمبيوتر إلى أبعد من ذلك، بطلب منهم أن تعمل كباحثين مستقلين. في هذا السيناريو، كان على البرامج العثور على الأوراق العلمية ذات الصلة بنفسها، وقراءتها، واستخراج البيانات دون أي مساعدة من إنسان لتوجيهها نحو الطريق الصحيح. وهنا اصطدمت الأنظمة بحائط مسدود؛ فحتى أكثر البرامج تقدماً أغفلت أكثر من نصف الأوراق الصحيحة التي كان من المفترض أن تجدها. كما قامت بعضها باختراع استشهادات لأوراق بحثية غير موجودة، وهي مشكلة تُعرف باسم "الهلوسة"، بينما فشلت أخرى ببساطة في تحديد المصادر الصحيحة. وجدت الدراسة أنه عندما يتعين على الكمبيوتر البحث عن معلوماته الخاصة، يصبح أقل موثوقية بكثير. الأمر يشبه مطالبة طالب بكتابة تقرير دون إعطائه بطاقة مكتبة؛ قد يخمن العناوين الصحيحة، لكنه مرشح أيضاً لتأليف عناوين من عنده.

اختبر الجزء الأخير من الدراسة كيفية جعل هذه العملية ناجحة في العالم الحقيقي. اختبر الباحثون طريقة استخدموا فيها عدة أجهزة كمبيوتر لمراجعة عمل بعضها البعض. ووجدوا أنه إذا ارتكب أحد أجهزة الكمبيوتر خطأً، فإن جهازاً آخر غالباً ما يكتشفه. ومن خلال تشغيل المهمة نفسها خمس مرات وأخذ الإجابة الأكثر شيوعاً، تمكن الفريق من تحسين الدقة بشكل كبير. كما اكتشفوا أن وجود أجهزة كمبيوتر مختلفة تعمل على نفس المشكلة كان أفضل من جعل جهاز كمبيوتر واحد يكرر المهمة خمس مرات. خلق هذا النهج شبكة أمان حيث يمكن للكمبيوترات تحديد الحالات الصعبة لمراجعتها من قبل البشر. خلصت الدراسة إلى أن أفضل طريقة لاستخدام هذه الأدوات ليست استبدال العلماء البشر، بل خلق شراكة. في سير العمل الجديد هذا، يتولى الكمبيوتر العمل المتكرر المتمثل في العثور على البيانات واستخراجها، بينما يتدخل الخبير البشري للتحقق من الأجزاء الصعبة وحل أي خلافات بين الآلات. يسمح هذا التقسيم للعمل للعلماء بمعالجة كميات هائلة من الأدبيات بسرعة دون فقدان الحكم الدقيق الذي لا يملكه إلا البشر.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →