Input design for unsupervised cross-national branded food database alignment using large language models

ملخص تقني: محاذاة غير خاضعة للإشراف لقواعد بيانات الأغذ "العلامات التجارية" عبر الدول باستخدام النماذج اللغوية الكبيرة

بيان المشكلة
تتطلب دراسات الوبائيات الغذائية الدولية محاذاة قواعد بيانات التركيب الغذائي الوطنية (FCDBs) لمقارنة الاستهلاك الغذائي عبر البلدان. ومع ذلك، تختلف قواعد البيانات الحالية بشكل كبير في الهيكل، والنطاق الثقافي، ومنطق التصنيف. على سبيل المثال، تستخدم قاعدة بيانات USDA FoodData Central بنية مسطحة ذات توجه تجاري تضم 448 فئة من الأغذ ذات العلامات التجارية، بينما تستخدم قاعدة بيانات الأغذ ذات العلامات التجارية اليابانية (JBFD) نظامًا هرميًا ذا خصوصية ثقافية يضم 71 فئة متوسطة المستوى.

تواجه استراتيجيات المحاذاة الحالية قيودًا متميزة:

1. الأنطولوجيات الغذائية الموحدة (مثل FoodOn): تتطلب تنسيقًا مكثفًا من الخبراء وتظل غير مكتملة بالنسبة للمنتجات ذات العلامات التجارية التجارية.
2. النماذج المتخصصة في المجال والمعدلة دقيقًا (Fine-Tuned): تحقق دقة عالية، لكنها تتطلب مجموعات بيانات تدريبية مشروحة ضخمة وبنية تحتية حوسبية متخصصة.
3. الربط اليدوي من قبل الخبراء: دقيق ولكنه لا يتوسع ليشمل آلاف العناصر.

هناك فجوة حرجة في تقييم جودة المحاذاة عندما لا يوجد توافق "الحقيقة الأرضية" (ground-truth) بين أنظمة التصنيف غير المتجانسة. وخلافًا للتشفير السريري (مثل ICD-10 إلى SNOMED-CT)، فإن التصنيف الغذائي يتسامح مع الغموض، مما يجعل التحقق اليدوي على نطاق واسع غير عملي ويستلزم أطر تقييم آلية خالية من الملصقات (label-free).

المنهجية
يقترح المؤلفون إطار تقييم غير خاضع للإشراف لمحاذاة قواعد بيانات الأغذ القائمة على النماذج اللغوية الكبيرة (LLM) باستخدام JBFD (9,519 عنصرًا) وUSDA FoodData Central كدراسة حالة. تتجنب الدراسة التعديل الدقيق أو تطوير الأنطولوجيا، وتعتمد بدلاً من ذلك على النماذج اللغوية الكبيرة العامة (عائلة Claude من Anthropic) مع هندسة الأوامر (prompt engineering) التكرارية.

1. مقاييس التقييم
لتقييم المحاذاة دون وجود ملصقات "الحقيقة الأرضية"، تم تقديم مقييزين متكاملين:

• مسافة المركز المرجح (Weighted Centroid Distance): يقيس التقارب الغذائي. يحسب المسافة الإقليدية بين مركز العناصر المتطابقة من JBFD وعناصر USDA Foundation Foods في فضاء غذائي خماسي الأبعاد (الطاقة، البروتين، الدهون، الكربوهيدرات، الصوديوم). تشير القيم الأقل إلى محاذاة غذائية أفضل.
• حصة الفئة المهيمنة (Dominant Category Share): يقيس الاتساق الهيكلي. يحسب نسبة العناصر داخل فئة متوسطة المستوى في JBFD التي تم تعيينها لأكثر فئة USDA تكرارًا. تشير القيم الأعلى إلى محاذاة أكثر اتساقًا وقابلية للتفسير.
• معدل عدم التطابق (NO_MATCH Rate): نسبة العناصر التي لم يتم تحديد فئة USDA مناسبة لها، ويُعامل كأحد النتائج الصالحة التي تعكس الخصوصية الثقافية بدلاً من الفشل.

2. هندسة الأوامر ودراسة الاستئصال (Ablation Study)
تضمنت الدراسة أربعة إصدارات تكرارية من الأوامر (v1–v4) ودراسة استئصال منهجية عبر ثمانية ظروف مدخلات (A–H) طُبقت على عينة من 500 عنصر من JBFD. تباينت ظروف المدخلات بمجموعات من:

• اسم المنتج
• ملفات تعريف المغذيات (تتراوح من الملفات الكاملة إلى المجموعات الدنيا: الطاقة، البروتين، الملح)
• تسميات الفئات الدلالية (أسماء الفئات متوسطة المستوى في JBD)

عملت إصدارات هندسة الأوامر على تحسين أولوية المدخلات، من الاعتماد على اسم المنتج فقط (v1) إلى نظام أولوية ثلاثي المستويات (v4) حيث تكون الأولوية لـ: اسم الفئة > ملف المغذيات > اسم المنتج.

3. مقارنة النماذج
تم اختبار الإطار عبر ثلاثة أحجام من النماذج: Claude Haiku، وSonnet، وOpus، لتحديد ما إذا كان حجم النموذج يؤثر بشكل كبير على جودة المحاذاة.

النتائج الرئيسية

• تكرار الأوامر (v1–v4):

  • نهج "التغذية أولاً" (v3) حقق أدنى مسافة مركز مرجح (0.413) ولكنه أدى إلى انهيار في حصة الفئة المهيمنة (54.6%) وتصنيفات دلالية خاطلة بشكل منهجي (مثل تصنيف "الميسو" ضمن فئات الجبن). أظهر هذا أن المسافة الغذائية المنخفضة وحدها غير كافية لتحقيق التماسك الدلالي.
  • حقق الأمر النهائي v4 (نظام الأولوية الثلاثي) أداءً متوازنًا مع معدل عدم تطابق قدره 14.3%، ومسافة مركز قدرها 0.607، وحصة فئة مهيمنة بلغت 69.5%.

• دراسة الاستئصال (الظروف A–H):

  • مدخلات المغذيات فقط (B, C): أنتجت اتساقًا هيكليًا ضعيفًا (حصة الفئة المهيمنة ~47–48%)، مما يؤكد أن القيم الغذائية وحدها لا يمكنها دفع محاذاة متسقة دلاليًا.
  • التسميات الدلالية فقط (F): حققت أعلى حصة للفئة المهيمنة (89.3%) ولكنها أدخلت الدائرية (circularity)، حيث أن تسميات الفئات متوسطة المستوى في JBFD كانت هي نفسها مستمدة من تصنيف قائم على النماذج اللغوية الكبيرة في عمل سابق.
  • الشرط الموصى به (E): من بين الظروف الخالية من الدائرية، حقق الشرط E (اسم المنتج + الطاقة، البروتين، الملح) أفضل توازن:
    • مسافة المركز المرجح: 0.471 (الأدنى بين الظروف غير الدائرية).
    • حصة الفئة المهيمنة: 65.8%.
    • معدل عدم التطابق: 11.8%.
  • إضافة ملفات تعريف مغذيات كاملة (الشرط D) حسنت بشكل طفيف الاتساق الهيكلي ولكنها أدت إلى سوء في مسافة المركز، مما يشير إلى أن المغذيات الإضافية قد تسبب ضجيجًا.

• مقارنة النماذج:

  • كانت معدلات عدم التطابق متسقة عبر Haiku وSonnet وOpus (12–14%).
  • بلغ الاتفاق بين النماذج مع Sonnet حوالي 70% لكل من النماذج الأصغر (Haiku) والأكبر (Opus).
  • يشير هذا إلى أن تصميم الأوامر هو المحرك الأساسي لجودة المحاذاة، بينما يلعب حجم النموذج دورًا ثانويًا.

الأهمية والادعاءات
يدعي البحث توفير إطار تقييم عملي وغير خاضع للإشراف لمحاذاة قواعد بيانات الأغذ عبر الدول، وهو ما لا يتطلب ترميزًا للحقائق الأرضية أو بنية تحتية متخصصة.

• المساهمة المنهجية: يسمح تقديم مقياسين مزدوجين (مسافة المركز وحصة الفئة المهيمنة) للباحثين باكتشاف أوضاع الفشل (مثل عدم التماسك الدلالي رغم التقارب الغذائي) التي تغفلها التقييمات ذات المقياس الواحد.
• الإرشاد العملي: تحدد الدراسة أن الجمع بين أسماء المنتجات ومعلومات مغذيات دنيا (الطاقة، البروتين، الملح) يوفر أفضل مقايضة للمهام المتعلقة بالمحاذاة. وهذا أمر وثيق الصلة لأن هذه المغذيات الثلاثة غالبًا ما تكون هي الحد الأدنى المفصح عنه بموجب لوائح ملصقات الأغذ الإلزامية.
• كفاءة التكلفة: تشير النتائج إلى أن النشر منخفض التكلفة باستخدام نماذج أصغر (مثل Haiku) يعد أمرًا ممكنًا دون تدهور كبير في جودة المحاذاة، بشرما كان تصميم الأوامر قويًا.
• تحذير من الدائرية: يحذر المؤلفون صراحة من استخدام تسميات الفئات المستمدة من النماذج اللغوية الكبيرة كمدخلات لنفس فئة النماذج، مشيرين إلى أن الأداء العالي في هذه الظروف قد يعكس الاتساق الذاتي بدلاً من المنفعة الدلالية الحقيقية.

يُقدم الإطار كأداة لخفض الحواجز أمام المجموعات البحثية التي لا تملك القدرة على الوصول إلى البيانات التدريبية المشروحة، مما يسهل دراسات الوبائيات الغذائية عبر الدول. ويقر المؤلفون بالقيود المتعلقة بنطاق JBFD (مواقع الشركات المصنعة مقابل المنتجات الحرفية)، والتناقضات المحتملة في بيانات USDA المرجعية، والطبيعة غير الحتمية لمخرجات النماذج اللغوية الكبيرة.