One of the Above, None of the Above: Why the Same Model Should Not Predict Both
تجادل هذه الورقة بأن التنبؤ بالجدة يتطلب الفصل صراحةً بين امتصاص الفئة وانفتاح الفئة ضمن سياق محدد بدقة، مما يثبت أن نموذج العدم التوليفي البسيط غالباً ما يتفوق على نماذج "الغني يزداد غنى" المعقدة مثل عملية "بيتمان-يور" عندما يتم مراعاة بنية المهمة بشكل صحيح.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
كل يوم، تنشغل عقولنا بتصنيف العالم إلى مجموعات. فعندما تسمع كلمة جديدة، أو ترى حيواناً غريباً، أو تلاحظ نوعاً جديداً من السيارات، يتعين على دماغك أن يقرر: هل هذا شيء رأيته من قبل، أم أنه شيء جديد تماماً؟ هذا الحكم الذي يستغرق أجزاءً من الثانية هو الفرق بين التعرف على وجه مألوف وبين رصد شخص غريب. لعقود من الزمن، غالباً ما تعامل العلماء الذين يدرسون كيفية تعلمنا وتصنيفنا للأشياء مع هذا القرار كأنه عملية رمي عملة واحدة. لقد افترضوا أنه إذا لم يتناسب عنصر ما مع مجموعة موجودة، فلا بد أنه سيبدأ تلقائياً مجموعة جديدة، وأن الرياضيات التي تصف كيفية تمسكنا بالمجموعات القديمة هي نفسها الرياضيات التي تصف كيفية بدءنا لمجموعات جديدة.
ومع ذلك، تشير دراسة جديدة إلى أن هذه الرؤية البسيطة قد تكون خاطئة. فالبحث الذي أجراه لوكاش كونواليكك في جامعة وارسو الطبية، يجادل بأن الدماغ على الأرجح يستخدم استراتيجيتين مختلفتين لهاتين المهمتين. إحدى الاستراتيجيات مخصصة للتعرف على ما تعرفه بالفعل، والأخرى لاتخاذ القرار بشأن متى يتم إنشاء فئة جديدة. وتظهر الدراسة أن محاولة استخدام نموذج واحد لتفسير كلا السلوكين يؤدي إلى أخطاء، وأن السياق الذي نتعلم فيه — سواء كنا ننظر إلى مجموعة مغلقة من الخيارات أو إلى تدفق مفتوح ولا متناهٍ من الاحتمالات — يغير قواعد اللعبة تماماً.
لفهم التجربة، تخيل تدفقاً من المعلومات، مثل محادثة، أو فيديو، أو قائمة كلمات. وبينما تتحرك عبر هذا التدفق، تسأل نفسك باستمرار عما إذا كان العنصر التالي هو تكرار لشيء رأيته للتو أو اكتشاف جديد. لقد استخدم الباحثون خمسة أنواع مختلفة من البيانات الواقعية للاختبار. فقد نظروا في كيفية استخدام الناس للكلمات في الوثائق، وكيف يشيرون إلى الأشخاص والأشياء في القصص، وكيف يتحدث الناس في المحادثات، وكيف يحدد محررو الفيديو التغييرات في المشهد. في بعض هذه التدفقات، تكون قائمة العناصر الممكنة ثابتة وصغيرة، مثل مجموعة محددة من علامات الحوار المستخدمة في برنامج معين. وفي حالات أخرى، تكون القائمة مفتوحة ولانهائية محتملة، مثل التنوع اللامتناهي للكلمات أو الأسماء التي قد نواجهها.
بنى الباحثون نماذج حاسوبية للتنبؤ بما سيحدث بعد ذلك في هذه التدفقات. واختبروا نهجين رئيسيين. النهج الأول، الذي يسمونه النموذج "التركيبي" (combinatorial)، هو طريقة عد بسيطة؛ حيث ينظر فقط إلى عدد العناصر المتميزة التي ظهرت حتى الآن وإجمالي عدد العناصر، متجاهلاً عدد مرات تكرار عناصر معينة. إنه يطرح سؤالاً أساسياً: بالنظر إلى عدد الأشياء التي رأيتها، كم طريقة يمكنني بها تنظيمها؟ أما النهج الثاني فهو نموذج "الغني يزداد غنى" (rich-get-richer)؛ ويفترض هذا النموذج أنه إذا ظهر عنصر ما عدة مرات من قبل، فمن المرجح أن يظهر مرة أخرى، حيث يعطي وزناً إضافياً للعناصر الشائعة، مفترضاً أن الشعبية تولد المزيد من الشعبية.
وجدت الدراسة أن الإجابة على أي نموذج هو الأفضل تعتمد كلياً على ما يحاول الحاسوب التنبؤ به. فعندما تكون المهمة هي التنبؤ بما إذا كان العنصر تكراراً لشيء شوهد بالفعل (الاستيعاب/absorption)، يعمل نموذج العد البسيط بشكل أفضل في التدفقات المفتوحة واللانهاية. ولكن عندما تكون المهمة هي التنبؤ بما إذا كان العنصر اكتشافاً جديداً تماماً (الافتتاح/opening)، فإن نموذج "الغني يزداد غنى" غالباً ما يكون أفضل. ومن المثير للدهشة أن هذا النمط ينعكس عندما يكون للتدفق قائمة صغيرة وثابتة من الخيارات. ففي تلك الأنظمة المغلقة، يكون نموذج "الغني يزداد غنى" أفضل في رصد التكرارات، بينما يكون النموذج التركيبي أفضل في رصد العناصر الجديدة.
هذا النمط "المتقاطع" هو جوهر الاكتشاف. وهذا يعني أنه لا يوجد قاعدة رياضية واحدة يمكنها تفسير كل من التعرف على المألوف ورصد الجديد بشكل مثالي. فالنموذج نفسه الذي يتفوق في التنبؤ بأن كلمة ستتكرر، غالباً ما يكون سيئاً في التنبؤ بأن كلمة جديدة ستظهر، والعكس صحيح. كما اختبر الباحثون هذه الفكرة في تجربة منضبطة حيث طُلب من الناس تصنيف العناصر، ووجدوا أن النموذج الذي يتحقق ببساطة مما إذا كانت المهمة تسمت بوجود إجابة "جديدة" قد تفوق على النماذج المعقدة التي تحاول التخمين بناءً على التكرار السابق.
تشير النتائج إلى أن عقولنا لا تعامل الجدة (novelty) كمجرد بقايا متبقية من عملية التعرف. بدلاً من ذلك، من المرجح أن الدماغ يدير عمليتين منفصلتين. إحدى العمليات مضبوطة على هيكل الموقف الحالي، حيث تتحقق مما إذا كان العنصر يتناسب مع النمط الموجود. والعملية الأخرى مضبوطة على احتمالية المجهول، حيث تقرر متى لم يعد النمط الحالي كافياً ويجب فتح فئة جديدة. هذا التمييز أمر بالغ الأهمية لأنه يغير كيفية بناء الذكاء الاصطناعي وكيفية فهمنا للتعلم البشري. فإذا أردنا للآلات أن تتعلم مثل البشر، فلا يمكنها فقط أن تكون جيدة في رصد الأنماط؛ بل يجب أن تمتلك أيضاً آلية منفصلة لمعرفة متى تكسر النمط وتبدأ شيئاً جديداً. وتخلص الدراسة إلى أن سياق المهمة — سواء كان العالم مغلقاً ومحدوداً أو مفتوحاً ولانهائياً — هو الذي يحدد أي من هاتين الأداتين العقليتين يجب أن نستخدمهما في أي لحظة معينة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.