في العالم الحديث، أصبح الذكاء الاصطناعي رفيقاً مألوفاً للإجابة على الأسئلة، من التخطيط لرحلة إلى صياغة رسالة بريد إلكتروني. وفي مجال الصحة والتغذية، يلجأ الناس بشكل متزايد إلى برامج الدردشة الآلية (chatbots) للحصول على نصائح حول ما يجب تناوله أو كيفية فقدان الوزن. ومع ذلك، لا تزال هناك فجوة كبيرة بين الإجابة العامة وتلك التي تساعد الفرد حقاً. إن التوصية التي تتجاهل عمر الشخص، ووزنه، وتاريخه الطبي، وعاداته اليومية تختلف جوهرياً عن الخطة المخصصة. وبينما تحاول العديد من الأدوات الحالية تخصيص النصائح ببساطة عبر لصق ملف تعريف المستخدم في الطلب، إلا أنها غالباً ما تفشل في فهم التفاصيل حقاً قبل التحدث. وهذا يترك فجوة هيكلية حرجة: فالحاسوب يرى البيانات، لكنه لا يتوقف لتحليل ما تعنيه هذه البيانات للشخص المحدد الذي يطرح السؤال.

لقد طور باحثون في جامعة ITMO في سانت بطرسبرغ طريقة جديدة لسد هذه الفجوة، بهدف جعل النصائح الغذائية أكثر أماناً وفائدة. وقد أطلقوا على نهجهم اسم PA-CoT، وهو اختصار لـ "سلسلة الأفكط المتكيفة مع الملف الشخصي" (Profile-Adaptive Chain-of-Thought). وبدلاً من الاندفاع لتوليد إجابة، يجبر هذا الأسلوب الذكاء الاصطناعي على التراجع خطوة مدروسة للخلف وتحليل ملف تعريف المستخدم كمهمة منفصلة ومخصصة. فكر في الأمر كطبيب يقرأ ملف المريض ويدون القضايا الرئيسية قبل التحدث إلى المريض، بدلاً من محاولة تحديد التشخيص أثناء الكلام. وقد اختبر الباحثون هذه الفكرة مقابل أحد عشر طريقة أخرى شائعة لتوجيه الذكاء الاصطناعي (prompting)، باستخدام مجموعة جديدة من 200 سيناريو استشاري غذائي واقعي. وتظهر نتائجهم أنه من خلال فصل تحليل بيانات المستخدم عن توليد النصيحة، ينتج النظام توصيات أكثر تخصيصاً وأماناً بشكل ملحوظ مقارنة بالطرق القياسية.

يكمن جوهر هذه الطريقة الجديدة في كيفية هيكلة عملية التفكير. في النهج التقليدي، يتلقى الذكاء الاصطناعي سؤالاً وكتلة نصية تحتوي على ملف تعريف المستخدم، ثم يحاول الإجابة على كل شيء دفعة واحدة. وقد وجد الباحثون أن هذا يؤدي غالباً إلى إغفال الذكاء الاصطناعي لتفاصيل حاسمة أو تقديم نصائح عامة قد تكون ضارة. يغير PA-CoT سير العمل عن طريق تقسيمه إلى مراحل متميزة. أولاً، يقوم النظام بتحليل ملف تعريف المستخدم لتحديد النقاط الأكثر أهمية التي يجب أن تعالجها الإجابة. فهو ينظر إلى قيم محددة، مثل العمر والوزن والأهداف الغذائية، ويحدد بالضبط ما يجب أن تغطيه الاستجابة. وتنشئ هذه الخطوة خارطة طريق واضحة للمرحلة التالية. وفقط بعد اكتمال هذا التحليل، يقوم الذكاء الاصطناعي بتوليد الاستجابة الفعلية، مستخدماً خارطة الطريق لضمان دمج كل قطعة من البيانات ذات الصلة في النصيحة. وأخيراً، تعمل مرحلة ثالثة كفحص للسلامة، حيث تراجع الإجابة المولدة للتأكد من أنها لا تحتوي على توصيات ضارة وتتضمن التحذيرات اللازمة للفئات الضعيفة.

ولاختبار ما إذا كانت هذه الخطوة الإضافية قد أحدثت فرقاً بالفعل، أنشأ الفريق معياراً جديداً يسمى QPA، وهو اختصار لـ "السؤال-الملف الشخصي-الإجابة" (Question-Profile-Answer). لقد بنوا هذه المجموعة من البيانات من آلاف الأسئلة الطبية الحقيقية الموجودة في المنتديات عبر الإنترنت، وقاموا بتصفيتها للاحتفاظ فقط بتلك المتعلقة بالتغذية. ولكل سؤال، استخرجوا تفاصيل ملف تعريف المستخدم، مثل العمر والوزن والأهداف الصحية، مما خلق مجموعة اختبار مهيكلة مكونة من 200 حالة. وقد صُممت هذه الحالات لمحاكاة مواقف العالم الحقيقي حيث قد تكون البيانات غير كاملة، تماماً كما هو الحال غالباً في تطبيقات الصحة الفعلية. ثم قام الباحثون بتشغيل طريقة PA-CoT الخاصة بهم مقابل مجموعة واسعة من التقنيات الأخرى، بما في ذلك التوجيه القياسي، والطرق التي تحاول تحسين الإجابات من خلال التكرار، والأنظمة الآلية التي تحسن كيفية طرح الأسئلة. وتم تقييم كل استجابة بواسطة حكم ذكاء اصطناعي متقدم بناءً على أربعة معايير: ما إذا كانت النصيحة صحيحة واقعياً، وما إذا كانت تغطي جميع أجزاء السؤال، ومدى جودة استخدامها لملف تعريف المستخدم المحدد، وما إذا كانت آمنة.

كانت النتائج واضحة وحاسمة. حقق PA-CoT أعلى متوسط درجات بين جميع الطرق الاثنتي عشرة المختبرة. والأهم من ذلك، أنه تصدر القائمة في المجالين اللذين يهمان النصائح الصحية: التخصيص والسلامة. فقد سجلت الطريقة درجات أعلى بكثير في التخصيص مقارنة بأقرب منافس لها، بفجوة كبيرة لدرجة أن فترات الثقة الإحصائية لم تتداخل. وهذا يعني أن التحسن لم يكن ضربة حظ بل نتيجة متسقة. وبالمثل، سجلت أعلى درجة في السلامة، مما يضمن خلو النصيحة من التوصيات الضارة. ووجد الباحثون أن الطرق المعقدة الأخرى، التي حاولت تحسين التوجيه تلقائياً أو تحسين الإجابة من خلال تكرارات متعددة، لم تؤدِ بشكل جيد. في الواقع، سجلت بعض هذه النهج الأكثر تعقيداً درجات أقل في التخصيص مقارنة بالطرق البسيطة. وهذا يشير إلى أن إضافة التعقيد لا تؤدي تلقائياً إلى نتائج أفضل؛ بل كان المفتاح هو الخيار الهيكلي المحدد لتحليل ملف تعريف المستخدم قبل توليد الاستجابة.

كان أحد أكثر النتائج لفتاً للنظر هو كيفية تعامل الطريقة مع المقايضة بين كونها مفيدة وآمنة. في العديد من المحاولات السابقة، كان جعل الذكاء الاصطناعي أكثر تخصيصاً يجعل الأمر أكثر خطورة، حيث قد يحاول النظام جاهداً ملاءمة بيانات المستخدم ويقترح بالخطأ شيئاً خطيراً. حل PA-CoT هذه المشكلة من خلال فصل المهام. فالمرحلة التي تنشئ النصيحة المخصصة ركزت تماماً على استخدام بيانات المستخدم، بينما ركزت مرحلة منفصلة تماماً على السلامة. سمح هذا للنظام بأن يكون عالي التخصيص دون المساس بالسلامة. على سبيل المثال، في حالة اختبار تتعلق بمراهق يحاول فقدان الوزن، حدد النظام بشكل صحيح أن عمر المستخدم ووزنه هما عاملان حاسمان، وصاغ خطة تحترم تلك الحدود، مع التنبيه أيضاً إلى الحاجة إلى إشراف طبي متخصص. في المقابل، غالباً ما قدمت الطرق الأخرى نصائح عامة تجاهلت عمر المستخدم أو فشلت في تضمين تحذيرات السلامة الضرورية.

كما استكشف الباحثون مدى كمية البيانات المطلوبة ليعمل النظام بفعالية. ووجدوا أنه حتى عندما كان ملف تعريف المستخدم غير مكتمل، مع وجود العديد من الحقول المحددة كـ "غير معروف"، فإن الطريقة لا تزال تعمل بشكل جيد. يمكنها تحديد المعلومات المفقودة، وفي إعداد منتج حقيقي، يمكن تصميمها لطرح أسئلة متابعة على المستخدم لملء تلك الفجوات. في الدراسة الحالية، عمل النظام مع البيانات الثابتة المتاحة، ولكن البنية صُممت للتعامل مع الطبيعة الديناميكية للمحادثات الحقيقية. كما تم النظر في تكلفة استخدام هذه الطريقة؛ فبينما تتطلب خطوات معالجة حاسوبية أكثر من الإجابة البسيطة ذات الخطوة الواحدة، إلا أن التكلفة الإضافية كانت ضئيلة مقارنة بالمكاسب الكبيرة في الجودة والسلامة.

يسلط هذا العمل الضوء على تحول جوهري في كيفية تطبيق الذكاء الاصطناعي في المجالات الحساسة مثل الصحة. إنه يوضح أن الطريقة التي يتم بها توجيه النموذج لكيفية التفكير لا تقل أهمية عن النموذج نفسه. ومن خلال معاملة ملف تعريف المستخدم ليس ككتلة نصية ثابتة بل كموضوع للتحليل المخصص، نجح الباحثون في إنشاء نظام يحترم فردية الشخص الذي يطلب المساعدة. لا تدعي الدراسة أن هذا النظام يحل محل الأطباء أو أخصائيي التغذية المحترفين؛ إذ صرح المؤلفون صراحةً بأنه نموذج بحثي أولي وأن النشر في العالم الحقيقي يتطلب التحقق من قبل خبراء بشريين. ومع ذلك، توفر النتائج أدلة قوية على أن النهج الهيكلي متعدد الخطوات للتفكير يمكن أن يحسن بشكل كبير جودة النصيحة المولدة بواسطة الذكاء الاصطناعي. ومع دمج الذكاء الاصطناعي في الحياة اليومية، تقدم طرق مثل هذه مساراً نحو أدوات ليست ذكية فحسب، بل أيضاً متأنية، وآمنة، ومفيدة حقاً للناس الذين هم في أمس الحاجة إليها.