ما الذي يجعل نموذج الذكاء الاصطناعي "يعرفك" حقًا؟ دراسة جديدة تكشف أن السيرة الذاتية ليست الإجابة

اسأل أي نموذج لغوي كبير (Large Language Model) عن هويتك، وستجد أن إجابته لا تعتمد كثيرًا على إنجازاتك المهنية بقدر ما تعتمد على ما إذا كنت قد أطلقت مشروعًا يحمل اسمًا لافتًا يسهل تذكره. هذه هي الخلاصة الأساسية لورقة بحثية جديدة بعنوان "النموذج يعرف مشروعك، لا يعرفك: قياس التعرف في النماذج اللغوية الكبيرة عبر NameRank"، نُشرت على أرشيف الأبحاث (arXiv) في 14 يوليو 2026، وصُنّفت تحت فئة الذكاء الاصطناعي (cs.AI).

انطلق الباحثون من سؤال يبدو بسيطًا لكنه يحمل تعقيدًا خفيًا: ما الذي يحدد بالفعل تعرّف نموذج لغوي على شخص أو كيان معين؟ للإجابة، طوّروا منهجية أسموها NameRank، اختبروا من خلالها 36 نموذجًا مختلفًا مقابل 4,685 كيانًا موزعة على 54 مجموعة (Cohorts)، يُرجّح أنها صُنّفت حسب المجال أو الشهرة أو نوع الكيان. لكل كيان، وُجّه سؤال مفتوح واحد، وقيّم محكّمون مستقلون الاستجابة الناتجة بأحكام ثنائية مقارنة بإجابات مرجعية مُنسّقة مسبقًا (Gold-standard answers). أفرزت هذه العملية درجة تعرّف (Recognition Score) لكل كيان، موحّدة على مقياس بين 0 و1، مما سمح بمقارنات مباشرة بين النماذج والفئات المختلفة.

المنتجات المسمّاة تتفوق على الألقاب

النتيجة الأبرز في الدراسة تتحدى فرضية بديهية حول كيفية بناء هذه الأنظمة لتمثيلاتها الداخلية عن الأشخاص. فبدلًا من الارتباط بالشهادات الرسمية أو المناصب الوظيفية أو مكانة المؤسسة، تبيّن أن التعرّف يرتبط بشكل أقوى بالمُنتجات القابلة للفهرسة والتسمية (Named, indexable artifacts), أي الأوراق البحثية أو الأدوات أو المنتجات أو المشاريع التي تحمل تسمية مميزة وقابلة للبحث. بعبارة أخرى، النموذج اللغوي الكبير أكثر ميلًا لـ"معرفة" شخص ما لأنه ابتكر أو أنتج شيئًا يحمل اسمًا فريدًا وجذابًا، لا لأنه يحمل لقبًا مرموقًا أو انتماءً مؤسسيًا لافتًا.

الاستشهادات العلمية (Citations) تلعب دورًا مهمًا لكنه جزئي في هذا السياق. تشير الورقة إلى أن عدد الاستشهادات يفسّر نحو ثلث التباين (Variance) في تعرّف النموذج على باحث معين. هذا يترك حصة كبيرة من ظاهرة التعرّف بلا تفسير من خلال مقاييس الاستشهاد وحدها، وهو ما يعزز الفكرة القائلة بأن المنتجات المسمّاة، وليس مقاييس التأثير الأكاديمي بمفردها، هي التي تلعب الدور الأكبر في التفسير.

لماذا يهم هذا في تقييم الذكاء الاصطناعي

الأثر العملي لهذه النتائج يتجاوز حدود الفضول الأكاديمي. فمع تزايد استخدام النماذج اللغوية الكبيرة في مهام مثل مراجعة الأدبيات العلمية، أو تحديد الخبراء، أو فحص المرشحين للوظائف، أو حتى التحقق غير الرسمي من معلومات عن أفراد، يصبح فهم آليات "التحيز في التعرّف" (Recognition Bias) أمرًا ذا قيمة عملية حقيقية. فإذا كان إدراك النموذج لمدى موثوقية أو شهرة شخص ما يتشكل أساسًا وفق ما إذا كان عمله يحمل اسمًا مميزًا وقابلًا للفهرسة، بدلًا من جوهر إنجازاته أو دقتها العلمية، فإن ذلك يحمل تبعات مباشرة على العدالة والدقة في أي تطبيق يعتمد على أحكام النموذج الضمنية بشأن الأشخاص.

لم تُسجّل الورقة البحثية أي نتائج متناقضة أو خلافات منهجية أثناء المراجعة. مساهمتها الأساسية تتمثل في معيار NameRank نفسه: إطار عمل قابل لإعادة الاستخدام لقياس أنماط التعرّف عبر عائلات النماذج المختلفة، يمنح الباحثين وسيلة لتدقيق كيفية تشكّل هذه الارتباطات الضمنية وظهورها على نطاق واسع.