Fine-tuning LLMs for Tourist Trajectory Prediction using Field Experiment Data
تُثبت هذه الورقة أن الضبط الدقيق للنماذج اللغوية الكبيرة باستخدام بيانات تجريبية ميدانية من منتزه قلعة واكاياما يتيح تنبؤاً دقيقاً وواعياً بالسياق لمسارات السياح، بما في ذلك في سيناريوهات نقص البيانات مثل الأيام الممطرة، مما يؤسس قاعدة متينة لتقييم تدخلات التنقل من خلال التحليل المقابل للواقع.
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 تقف عند حافة منتزه شاسع وصاخب، تراقب مئات الأشخاص وهم يتسللون عبر المسارات، ويتوقفون عند الحدائق، ويتجولون نحو القلاع. بالنسبة لمخططي المدن ومسؤولي السياحة، فإن فهم سبب اختيار هؤلاء الزوار لمسار دون غيره ليس مجرد مسألة فضول؛ بل هو أداة حاسمة لإدارة الحشود، وحماية المواقع الهشة، وضمان تدفق الأموال إلى الأماكن الصحيحة. عندما تحاول وجهة سياحية تقديم خدمة حافلات كهربائية جديدة أو نظام مشاركة دراجات للمساعدة في تنقل الناس بين المعالم المتباعدة، فإنهم يواجهون سؤالاً صعباً: هل ستغير هذه الخدمة الجديدة بالفعل طريقة استكشاف الناس للمكان، أم أن الزوار سيستخدمونها ببساطة للوصول إلى نفس الأماكن المزدحمة بشكل أسرع؟ تعاني النماذج الحاسوبية التقليدية في الإجابة على ذلك لأنها غالباً ما تعامل حركة البشر كأنها سلسلة بسيطة من الخطوات، متجاهلة العوامل الواقعية الفوضوية التي تؤثر على خياراتنا، مثل هطول مطر مفاجئ، أو طفل متعب، أو الرغبة البسيطة في العثور على مقعد هادئ. تتطلب هذه الأنظمة القديمة كميات هائلة من البيانات التاريخية لتعلم الأنماط، وعند مواجهة موقف جديد لم تره من قبل، فإنها غالباً ما تفشل في التخمين بشكل صحيح.
لقد اتخذ فريق من الباحثين من جامعة أوساكا ومركز ريكن (RIKEN) للعلوم الحاسوبية نهجاً مختلفاً من خلال اللجوء إلى نوع من الذكاء الاصطناعي يُعرف بالنماذج اللغوية الكبيرة. هذه هي نفس الأنظمة الحاسوبية القوية التي يمكنها كتابة القصص، والإجابة على الأسئلة المعقدة، وإجراء المحادثات، والتي تم تدريبها على مكتبات ضخمة من النصوص البشرية. أدرك الباحثون أن هذه النماذج تمتلك بالفعل فهماً عميقاً وفطرياً للسلوك البشري؛ فهي "تعرف" أن الناس يبحثون عن مأوى عندما تمطر، وأن العائلات تحتاج إلى فترات راحة متكررة، وأن وقت الغداء يعني عادةً البحث عن الطعام. وبدلاً من بناء نموذج جديد من الصفر، قرر الفريق تعليم هذا النظام الموجود والمطلع بالفعل كيفية التنقل في موقع محدد. لقد ركزوا دراستهم على حديقة قلعة واكايااما في اليابان، وهي وجهة مترامية الأطراف تضم برج قلعة تاريخي، وحدائق، وحديقة حيوان، والعديد من مناطق الاستراحة. خلال برنامج تجريبي في ديسمبر 2023، جمع الباحثون سجلات حركة مفصلة لـ 566 سائحاً، وتتبعوا أين ذهبوا، ومتى وصلوا، وماذا فعلوا، مع تدوين حالة الطقس والوقت من اليوم أيضاً.
لتعليم الكمبيوتر، قام الباحثون بترجمة سجلات الحركة الخام هذه إلى تنسيق يمكن للنموذج اللغوي فهمه: قصة بسيطة ومنظمة. وصفوا كل زائر كشخصية ذات سمات محددة، مثل العمر أو نوع المجموعة، ووضعوا المشهد مع حالة الطقو الحالية. ثم سردوا رحلة الزائر خطوة بخطوة، مع ملاحظة الوقت، والحدث، والمكان المحدد الذي تمت زيارته، تماماً مثل كتابة مذكرات ليوم في المنتزه. ثم طلبوا من الكمبيوتر قراءة هذه القصص وتعلم الأنماط لكيفية تحرك الناس فعلياً عبر المنتزه. كان الهدف هو معرفة ما إذا كان بإمكان النموذج النظر إلى تاريخ الزائر حتى نقطة معينة والتنبؤ بدقة بمكانه التالي. هذه العملية، المعروفة باسم "الضبط الدقيق" (fine-tuning)، سمحت للنموذج بدمج معرفته العامة بالطبيعة البشرية مع المخطط والعادات الخاصة بحديقة قلعة واكايااما.
كانت النتائج مذهلة. فعند اختبار النموذج على زوار جدد لم يسبق له رؤيتهم، توقع بدقة الموقع المحدد التالي الذي سيزوره السائح بنسبة 49 في المئة تقريباً. وكان هذا تحسناً كبيراً مقارنة بالطرق الإحصائية التقليدية، التي نجحت في التخمين بشكل صحيح بنسبة تتراوح بين 9 إلى 15 في المئة فقط. فشلت الطرق القديمة غالباً لأنها لم تستطع مراعاة السياق؛ لم تكن تدرك أن يوماً ممطراً سيجعل الزائر يتخطى الحدائق المفتوحة ويتجه مباشرة إلى المتحف الداخلي. ومع ذلك، استخدم النموذج اللغوي منطقه السليم المتأصل فيه لإجراء هذه التعديلات. وحتى في المواقف الصعبة حيث كانت البيانات شحيحة، مثل الأيام الممطرة التي سُجل فيها عدد قليل جداً من الزوار، حافظ النموذج على مستوى عالٍ من الدقة، حيث تنبأ بشكل صحيح بأن الناس سيبحثون عن مأوى داخلي. كما نجح أيضاً في إنشاء مسارات رحلات كاملة ليوم كامل تبدو واقعية، تبدأ بزيارات صباحية للمعالم الرئيسية، ثم الانتقال إلى الغداء، وتنتهي بالراحة في فترة ما بعد الظهر، وكل ذلك دون أن يتم برمجته صراحة بهذه القواعد.
وجد الباحثون أن قدرة النموذج على فهم "السبب" وراء القرار كانت لا تقل أهمية عن قدرته على تخمين "المكان". وبينما كان أقل دقة قليلاً في التنبؤ بالاسم المحدد لمتجر أو حديقة معينة، إلا أنه كان جيداً جداً في التنبؤ بنوع المكان الذي سيختاره الزائر، مثل مطعم أو موقع تاريخي. يشير هذا إلى أن النموذج قد تعلم النوايا العامة للسياح. ومن المثير للاهتمام أن الفريق اختبر أيضاً نسخة من النموذج تم تدريبها خصيصاً على اللغة والثقافة اليابانية، لكن النسخة العامة متعددة اللغات حققت أداءً أفضل. وهذا يشير إلى أنه لفهم كيفية تحرك الناس واتخاذهم للقرارات، فإن المعرفة الواسعة والمتنوعة بالسلوك البشري الموجودة في نموذج عام هي أكثر قيمة من التدريب اللغوي المتخصص.
لا يدعي هذا العمل أنه حل مشكلة التنبؤ بالسلوك البشري بشكل مثالي، ولا يثبت أن هذه النماذج يمكنها التنبؤ بدقة بكيفية تغيير أي سياسة جديدة للمستقبل. ويؤكد الباحثون بحذر أن نموذجهم هو أداة قوية للتنبؤ بما سيفعله الناس في ظل الظروف الحالية، ولكن استخدام هذا النموذج لمحاكاة آثار تدخل جديد، مثل حافلة نقل جديدة، يتطلب مزيداً من الاختبار. ومع ذلك، توضح الدراسة أن هذه النماذج اللغوية الكبيرة يمكن أن تعمل كمرايا عالية الدقة للسلوك البشري، قادرة على فهم القرارات الدقيقة المعتمدة على السياق التي تحدد يوماً في المنتزه. ومن خلال التقاط المنطق الكامن وراء سبب اختيار والد متعب لمقعد بدلاً من المشي الطويل، أو لماذا يتجنب البعض التلال في يوم حار، توفر هذه التكنولوجيا طريقة جديدة لمديري الوجهات للتخطيط للمستقبل، متجاوزين مجرد الإحصاءات البسيطة نحو فهم أعمق للأشخاص الذين يزورون أراضيهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.