← أحدث الأبحاث
💬 NLP

When Less Is More: An Empirical Study of Minimal Responses in Counseling Dialogues and the Behavior of LLMs

تثبت هذه الورقة تجريبياً أنه في حين تُعد الاستجابات الدنيا (minimal responses) حاسمة لفعالية الإرشاد البشري، إلا أنها ممثلة تمثيلاً ناقصاً بشكل كبير في الحوارات التي تولدها النماذج اللغوية الكبيرة، وغالباً ما يتم التقليل من قيمتها من قبل أطر التقييم الحالية، حيث تكافح النماذج لنشرها بشكل مناسب دون تعليمات صريحة.

المؤلفون الأصليون: Zhiyang Qi

نُشر 2026-08-26
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Zhiyang Qi

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 المساحة الهادئة لجلسة الاستشارة النفسية، غالبًا ما تكون الأداة الأكثر قوة التي يستخدمها المعالج ليست شرحًا طويلًا أو استراتيجية معقدة، بل صوتًا بسيطًا. فكلمة مثل "مم-هم" (mm-hmm)، أو "أفهم" (I see) المقتضبة، أو "نعم" القصيرة، يمكن أن تشير إلى اهتمام عميق، وتؤكد على مشاعر العميل، وتدعوه لمواصلة الحديث. تُعرف هذه بـ "الاستجابات الدنيا" (minimal responses). وهي لا تقطع تدفق قصة الشخص، بل تعمل كيد حانية على الكتف، تقول له: "أنا هنا، وأنا أصغي". لعقود من الزمن، اعتمد المستشارون البشريون على هذه الإشارات اللفظية الصغيرة لبناء الثقة وتشجيع العملاء على استكشاف أعمق أفكارهم. ومع ذلك، ومع بدء دخول الذكاء الاصطناعي في دور المستشار الافتراضي، برز سؤال جوهري: هل يمكن للكمبيوتر أن يتعلم فن قول القليل لتحقيق المزيد؟

لقد شرع باحث في جامعة طوكيو في استقصاء هذا السؤال تحديدًا. حيث بحث في مدى فهم أنظمة الذكاء الاصطنا الحالية لقيمة الإيجاز في الدعم النفسي. قام الباحث بتحليل مجموعة واسعة من محادثات الاستشارة، مقارنًا بين تلك المسجلة من معالجين بشريين حقيقيين وتلك التي أنتجتها النماذج اللغوية الكبيرة، وهي البرامج الحاسوبية المتطورة التي تشغل روبوتات الدردشة الحديثة. ووجد فرقًا صارخًا؛ ففي التسجيلات الواقعية، كانت الاستجابات الدنيا شائعة، حيث تظهر بشكل متكرر بينما يشجع المعالجون العملاء على مواصلة مشاركة أعبائهم. أما في المحادثات التي يولدها الكمبيوتر، فقد كانت هذه الإقرارات الموجزة غائبة تمامًا تقريبًا. وبدلاً من ذلك، مال الذكاء الاصطناعي إلى إنتاج ردود طويلة ومثقلة بالمعلومات، تتضمن غالبًا أسئلة أو نصائح، حتى عندما كانت الحالة تستدعي الصمت والحضور البسيط.

ولفهم سبب وجود هذه الفجوة، طور الباحث منهجية دقيقة لتحديد هذه الردود القصيرة عبر لغات مختلفة، بما في ذلك الصينية واليابانية والإنجليزية. لقد بحثوا عن عبارات المعالج التي كانت قصيرة جدًا ولم تقدم مواضيع أو أسئلة جديدة، وتحققوا مما إذا كان العميل يستمر في التحدث مباشرة بعد ذلك. وأكد تحليلهم أن المعالجين البشريين يستخدمون هذه الإشارات الدنيا في حوالي 5% إلى 24% من مداخلاتهم، اعتمادًا على مجموعة البيانات. وفي المقابل، فإن نماذج الذكاء الاصطناعي المدربة على بيانات اصطناعية — أي محادثات أنشأتها أجهزة الكمبيوتر بدلاً من تسجيلها من البشر — أنتجت استجابات دنيا بمعدلات منخفضة للغاية بلغت 0.00% و0.35% في النماذج المحددة التي تم اختبارها. بدا أن النماذج المدربة على البيانات الاصطناعية قد تعلمت نمطًا جامدًا: استمع، ثم قدم فورًا ردًا مفصلاً ومفيدًا. وبدت وكأنها تفتقر إلى القيمة التفاعلية الدقيقة لمجرد "إفساح المجال" للعميل.

ثم اختبر الباحث ما إذا كان يمكن تعليم أنظمة الذكاء الاصطناعي هذه استخدام الاستجابات الدنيا إذا طُلب منها ذلك صراحةً. فقد أخذ لحظات محددة من جلسات استشارية حقيقية استخدم فيها معالج بشري عبارة قصيرة وداعمة، وطلب من الذكاء الاصطناعي توليد رد لنفس الموقف. وعندما أُعطيت تعليمات قياسية للعمل كمستشار، أنتجت أكثر النماذج التجارية تطورًا إجابات طويلة ومفصلة. ومع ذلك، عندما أضاف الباحث تعليمًا محددًا لاستخدام رد قصير عندما لا يزال العميل يعبر عن مشاعره، غيرت النماذج سلوكها. فقد نجحت في توليد استجابات دنيا في جميع الحالات تقريبًا، مما أثبت أن التكنولوجيا قادرة على إنتاجها. ومع ذلك، بدون تلك التعليمات المحددة، ظلت النماذج تعاني في التعرف على اللحظة المناسبة لتكون موجزة، وغالبًا ما عادت إلى عادتها في تقديم الكثير من المعلومات.

هذا الميل له أثر جانبي كبير على كيفية حكمنا على جودة هذه المحادثات. فقد كشفت الدراسة أن الطرق المستخدمة حاليًا لتقييم استجابات الاستشارة في الذكاء الاصطناعي غالبًا ما تعاقب الإيجاز. فعندما طلب الباحث من الذكاء الاصطناعي تقييم الاستجابات بناءً على معايير قياسية مثل الاحترافية والاكتمال، حصلت الاستجابات القصيرة الشبيهة بالبشر على درجات منخفضة. لقد فضلت أدوات التقييم الردود الطويلة الغنية بالمحتوى، رغم أن تلك الردود الطويلة كانت أكثر عرضة لقطع تدفق أفكار العميل. في العالم الحقيقي، يمكن للمستشار الذي يتحدث كثيرًا أن يغلق رغبة العميل في المشاركة، لكن أنظمة التقييم الحالية تبدو وكأنها تثمن مظهر الخبرة على حساب التدفق الفعلي للمحادثة.

تشير النتائج إلى أن الطريق نحو أنظمة استشارة اصطناعية أفضل يتطلب تحولًا في كيفية تدريب وتقييم هذه النماذج. فمجرد تغذية أجهزة الكمبيوتر بمزيد من البيانات ليس كافيًا إذا كانت تلك البيانات تفتقر إلى الإيقاع الطبيعي للتفاعل البشري. وتوضح الدراسة أن النماذج المدربة على بيانات اصطناعية مولدة حاسوبيًا تفشل في تعلم دقة الاستجابات الدنيا، بينما تؤدي النماذج المدربة على محادثات بشرية حقيقية أداءً أفضل. علاوة على ذلك، يحذر الباحث من أن الاعتماد على أنظمة التقييم الآلي قد يدفع المطورين دون قصد إلى إنشاء روبوتات دردشة تتحدث كثيرًا، وتفتقد إلى القوة العلاجية للصمت. ولكي يتمكن الذكاء الاصطناعي حقًا من دعم الصحة العقلية، يجب أن يتعلم أن الشيء الأكثر احترافية وتعاطفًا الذي يمكنه قوله أحيانًا هو لا شيء على الإطلاق، أو مجرد كلمات قليلة تقول: "أنا أسمعك".

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.CL →