تكشف الأبحاث أن طلاب الماجستير في القانون يلجأون إلى التفكير البسيط عندما تزداد التعقيدات

فريق من الباحثين نشر دراسة شاملة في 20 نوفمبر، تم تحليل أكثر من 192,000 أثر استدلالي من نماذج اللغات الكبيرة (LLMs)، مما يكشف أن أنظمة الذكاء الاصطناعي تعتمد على استراتيجيات سطحية خطية بدلاً من العمليات المعرفية الهرمية التي يستخدمها البشر بشكل طبيعي.

قام فريق البحث بفحص 18 نموذجًا مختلفًا عبر مهام التفكير النصي والبصري والسمعي، وقارنوا مناهجهم بـ 54 أثرًا بشريًا للتفكير بصوت عالٍ جُمعت خصيصًا للدراسة. وحدد التحليل تصنيفًا لـ 28 عنصرًا معرفيًا تشمل القيود الحسابية، والضوابط المعرفية، وتمثيلات المعرفة، وعمليات التحويل، مما يوفر إطارًا لتقييم ما إذا كانت النماذج تُنتج إجابات صحيحة فحسب، بل وكيفية وصولها إلى تلك الاستنتاجات أيضًا.

الاختلافات الأساسية في البنية المعرفية

يُظهر التفكير البشري باستمرار تداخلًا هرميًا ورصدًا فوق معرفيًا - أي القدرة على التفكير في عمليات التفكير الذاتية وتنظيمها. يُنظم البشر المعلومات بسلاسة في هياكل متداخلة، بينما يتتبعون بنشاط تقدمهم في حل المشكلات المعقدة.

يستخدم طلاب الماجستير في القانون بشكل رئيسي التسلسل الهرمي السطحي، حيث يتقدمون خطوة بخطوة عبر المشكلات دون التنظيم الهرمي أو التأمل الذاتي الذي يميز الإدراك البشري. ويتجلى هذا الاختلاف بشكل أوضح عندما تكون المهام غير منظمة أو غامضة، حيث تتفوق القدرة البشرية على التكيف بشكل ملحوظ على أساليب الذكاء الاصطناعي.

وجدت الدراسة أن نماذج اللغة تمتلك المكونات السلوكية المرتبطة بالاستدلال الناجح، لكنها غالبًا ما تفشل في توظيفها تلقائيًا. يتفاوت الأداء بشكل كبير حسب نوع المشكلة: أظهر الاستدلال المعضلة أعلى تباين، حيث واجهت النماذج الأصغر صعوبة كبيرة، بينما أظهر الاستدلال المنطقي أداءً متوسطًا، حيث تفوقت النماذج الأكبر عمومًا على النماذج الأصغر. تُظهر النماذج نقاط ضعف غير بديهية، حيث تنجح في المهام المعقدة بينما تفشل في المتغيرات الأبسط.

تحسينات الأداء من خلال التفكير الموجه

طوّر فريق البحث توجيهًا استدلاليًا خلال وقت الاختبار، يُعزز تلقائيًا الهياكل المعرفية الناجحة، مُظهرًا تحسنًا في الأداء يصل إلى 66.7% في المسائل المعقدة عند حثّ النماذج على اعتماد أساليب استدلال أقرب إلى أساليب التفكير البشري. تشير هذه النتيجة إلى أن حاملي شهادة الماجستير في القانون يمتلكون قدرات كامنة على استدلال أكثر تعقيدًا، لكنهم يحتاجون إلى توجيه واضح لاستخدامها بفعالية.

تتسع الفجوة بين التفكير البشري والذكاء الاصطناعي مع ازدياد تعقيد المهام. فبينما تستطيع النماذج معالجة المشكلات البسيطة من خلال التسلسل الأمامي وحده، إلا أنها تواجه صعوبات في استخدام استراتيجيات التكرار والمراقبة الذاتية التي يستخدمها البشر بشكل طبيعي عند مواجهة تحديات غامضة أو متعددة الطبقات.

تُوفر مجموعة بيانات الدراسة المتاحة للجمهور أساسًا لأبحاث مستقبلية تُقارن الذكاء الاصطناعي بالذكاء البشري. ومن خلال رسم خريطة لـ 28 عنصرًا معرفيًا مُختلفًا، يُمكّن الإطار الباحثين من تحديد مواطن ضعف منطق الذكاء الاصطناعي بدقة، بدلًا من مجرد قياس درجات الدقة.

الآثار المترتبة على تطوير الذكاء الاصطناعي

تُسلّط النتائج الضوء على قصورٍ جوهريٍّ في أنظمة الذكاء الاصطناعي الحالية: الفجوة بين القدرة الحسابية والتطور المعرفي الحقيقي. فالنماذج المُدرّبة على مجموعات بيانات ضخمة قادرة على مطابقة أنماطها للوصول إلى إجابات صحيحة في العديد من المهام، لكنها تفتقر إلى التفكير التأملي والتسلسلي الذي يُميّز حل المشكلات البشرية.

يعتمد هذا البحث على المخاوف المتزايدة بشأن حدود تفكير الذكاء الاصطناعي تم تحديدها عبر مجالات متعددة. يشير تحسن الأداء الناتج عن التفكير الموجه إلى أن استراتيجيات التحفيز الأفضل والتعديلات الهيكلية قد تساعد النماذج على الوصول إلى قدراتها الكامنة على التفكير بشكل أكثر فعالية.

لعلّ أهم مساهمة للدراسة تكمن في تصنيفها المُفصّل للعناصر المعرفية، مُزوّدةً الباحثين والمُطوّرين بأهداف مُحدّدة للتحسين. فبدلاً من اعتبار التفكير قدرةً مُوحّدة، يُقسّم الإطارُ التفكيرَ إلى مُكوّناتٍ قابلةٍ للقياس، يُمكن مُعالجتها بشكلٍ فرديّ من خلال تعديلات التدريب أو تقنيات الهندسة السريعة.