باحثون أوروبيون يرسمون مساراً مخصصاً للنماذج اللغوية الكبيرة في العلوم الاجتماعية والإنسانيات

تتشكل حالياً منظومة تقييم جديدة تهدف إلى تحويل النماذج اللغوية الكبيرة (Large Language Models) إلى مساعدين بحثيين موثوقين في مجالي العلوم الاجتماعية والإنسانيات، وذلك في إطار المشروع الأوروبي LLMs4EU. تفاصيل هذا العمل وردت في ورقة بحثية بعنوان "دمج الرسوم البيانية المعرفية (Knowledge Graphs) والمجموعات النصية الأكاديمية متعددة اللغات لتكييف النماذج اللغوية الكبيرة مع مجال العلوم الاجتماعية والإنسانية"، وقد رُفعت الورقة إلى منصة arXiv بتاريخ 7 يوليو 2026، وهي مرشحة للعرض في ورشة عمل LLMs4SSH المنعقدة على هامش مؤتمر LREC 2026.

يندرج المشروع تحت مظلة ALT-EDIC، وهو تحالف أوروبي للبنية التحتية الرقمية، ويعالج مشكلة يعرفها جيداً كل من حاول الاستعانة بنماذج لغوية عامة الغرض في عمل أكاديمي جاد: هذه النماذج نادراً ما تُصمَّم مع أخذ التنوع اللغوي، أو أعراف الاستشهاد المرجعي، أو الصرامة المعرفية التي يتطلبها البحث في العلوم الإنسانية والاجتماعية بعين الاعتبار. فمراجعات الأدبيات في هذه الحقول تمتد غالباً عبر لغات متعددة، وتستند إلى عقود من الإنتاج العلمي، وتحتاج إلى توثيق دقيق للمصادر، وهي شروط تتعثر فيها روبوتات المحادثة الجاهزة أو تدفعها إلى تلفيق مراجع من العدم.

دمج الرسوم البيانية المعرفية مع النصوص متعددة اللغات

يقوم منهج الباحثين على الربط بين الرسوم البيانية المعرفية المُهيكَلة (Structured Knowledge Graphs) والمجموعات النصية الأكاديمية متعددة اللغات (Multilingual Scholarly Corpora)، بهدف تكييف النماذج اللغوية الكبيرة خصيصاً للاستخدام المتخصص. وبدلاً من التعامل مع تجميع الأدبيات العلمية والبحث الببليوغرافي كمهام توليد نص عامة، تُرسِّخ هذه المنظومة مخرجات النموذج في معرفة مُهيكَلة ومنسّقة يمكن تتبعها إلى مصادرها الأصلية. وهذا الترسيخ يصبح أكثر أهمية في التخصصات التي قد يقوّض فيها استشهاد خاطئ أو مرجع مُلفَّق حجة بحثية كاملة.

منظومة تقييم مصمَّمة على أساس الدقة

ما يميز هذا الاستخدام عن جهود قياس الأداء (Benchmarking) التقليدية للنماذج اللغوية الكبيرة هو اتساع معايير التقييم المعتمدة. فالفريق البحثي يقيّم النماذج عبر أربعة أبعاد كمّية: دقة الاسترجاع (Retrieval Accuracy)، وجودة التلخيص (Summarization Quality)، وإمكانية تتبع الادعاءات المُولَّدة إلى وثائقها المصدرية (Traceability)، وكشف الهلوسة (Hallucination Detection). وهذا البعد الأخير يعالج واحدة من أعند نقاط الضعف في النماذج الحالية، وهي نزوعها لصياغة عبارات تبدو منطقية لكنها غير صحيحة، وهو خلل تتفاقم عواقبه بشكل خاص في السياقات العلمية.

والأهم أن المنظومة لا تتوقف عند المقاييس الآلية فقط، بل تضيف مراجعة نوعية من خبراء الإنسانيات الرقمية (Digital Humanities)، ما يوفر طبقة من التقييم البشري غالباً ما تغيب عن معايير القياس الآلي وحدها. وهذا التصميم الهجين يعكس وعياً متنامياً في الأوساط البحثية بأن الدرجات الكمّية لا تكفي لتحديد ما إذا كانت مخرجات النموذج مفيدة أو موثوقة بالفعل لدى المتخصصين في المجال.

أهمية تتجاوز ورقة ورشة عمل واحدة

يعكس هذا المشروع اتجاهاً أوسع داخل دوائر السياسات والبحث في الذكاء الاصطناعي الأوروبي، يهدف إلى ضمان ألا يهمّش تطوير النماذج اللغوية الكبيرة الإنسانيات لحساب معايير قياس واستخدامات متمركزة حول العلوم والتقنية. وببناء بنية تحتية مخصصة للعمل الأكاديمي متعدد اللغات والغني بالاستشهادات المرجعية، يرسل LLMs4EU وALT-EDIC رسالة واضحة: التكيف مع المجال، لا الحجم وحده، هو ما سيحدد فعلاً إن كانت هذه النماذج ستصبح أدوات مفيدة حقاً للباحثين خارج علوم الحاسوب.

وفي حال قُبل هذا العمل في ورشة LLMs4SSH، فسيقدّم للمؤتمر دراسة حالة ملموسة حول كيفية تقييم النماذج اللغوية الكبيرة في مهام لا تُعتبر فيها الدقة الواقعية وإمكانية تتبع المصادر ميزات اختيارية، بل شروطاً أساسية. وبالنسبة للمؤسسات التي تدرس إمكانية إدماج أدوات الذكاء الاصطناعي في سير عملها البحثي، قد يكون هذا النوع من القياس الصارم والمتخصص بمجال معين أكثر إفادة من جولة جديدة من نتائج قوائم الصدارة العامة.