خبرني - ارتبطت أدوات الذكاء الاصطناعي التوليدي (Generative AI) تاريخيا بنماذج اللغات الكبيرة "إل إل إم" (LLMs) التي تميزت بالقدرة الفائقة على صياغة النصوص والدردشة التفاعلية، ولكنها عانت من عقدة معرفية كبرى تمثلت في الهلوسة المعرفية وغياب المرجعية الدقيقة.
ومع تطور الاحتياجات المهنية في قطاعات البحث الأكاديمي والصحافة الاستقصائية، حدثت قفزة نوعية حوّلت هذه الأدوات من مجرد "محاور رقمي" إلى "باحث علمي موثوق" يعتمد على بنية تحتية تقنية صارمة تضمن دقة استقاء المعلومات ونسبتها إلى مصادرها الأصلية؛ إذ تحوّل الذكاء الاصطناعي من مجرد تقنية مساعدة إلى أداة أساسية في بيئات البحث العلمي والأكاديمي.
واليوم يستخدم الباحثون أدوات الذكاء الاصطناعي في تلخيص الأوراق العلمية، وتحليل البيانات، واكتشاف الأنماط، وترجمة الدراسات، وحتى اقتراح أفكار بحثية جديدة، لكن مع هذا التوسع ظهرت مشكلة جوهرية، وهي: هل يمكن الوثوق فعلا بالذكاء الاصطناعي كمصدر للمعرفة العلمية؟
والإجابة عن هذا السؤال ليست بسيطة، فالذكاء الاصطناعي قادر على تسريع البحث العلمي بشكل غير مسبوق، لكنه في الوقت نفسه قد ينتج معلومات خاطئة أو مراجع وهمية تبدو مقنعة للغاية، ولذلك فإن التحدي الحقيقي لا يكمن في استخدام الذكاء الاصطناعي، بل في معرفة كيف نستخدمه بطريقة علمية موثوقة.
الذكاء الاصطناعي غيّر طريقة الوصول إلى المعرفة قبل ظهور أدوات الذكاء الاصطناعي التوليدي، كان الباحث يقضي ساعات طويلة في البحث اليدوي داخل قواعد البيانات الأكاديمية وقراءة الدراسات وفرز النتائج. أما اليوم، فيمكن لأداة مثل أوبن إيه آي (OpenAI) أو أنظمة البحث الذكية من غوغل إيه آي (Google AI) تلخيص عشرات الدراسات خلال دقائق.
كما ظهرت منصات متخصصة تعتمد على الذكاء الاصطناعي مثل: سيمانتك سكولار (Semantic Scholar) وكونيكتد بيبرز (Connected Papers)، وإليسيت (Elicit).
وهذه الأدوات لا تكتفي بإظهار نتائج البحث، بل تحاول فهم العلاقات بين الدراسات، واستخراج النتائج الأساسية، وتحديد الأوراق الأكثر تأثيرا في المجال.
لكن رغم هذه القدرات، فإن الذكاء الاصطناعي لا يفهم المعرفة كما يفهمها الإنسان، بل يعتمد على التنبؤ الإحصائي بالكلمات والأنماط.
المشكلة الكبرى.. "هلوسة" الذكاء الاصطناعي أحد أخطر التحديات في استخدام الذكاء الاصطناعي أكاديميا هو ما يعرف بـ "هلوسة الذكاء الاصطناعي" (AI Hallucination)، أي: إنتاج معلومات تبدو صحيحة لكنها في الواقع غير دقيقة أو مختلقة.
ففي دراسة منشورة في مجلة نيتشر البريطانية، أوضحت أن النماذج اللغوية الكبيرة قد تقدم أوهاما بالفهم العلمي، حيث تبدو الإجابات منطقية ومترابطة رغم افتقارها للدقة العلمية الحقيقية.
كما كشفت دراسة أخرى في ذات المجلة، أن النماذج اللغوية قد تولّد معلومات كاذبة بثقة عالية، خصوصا عندما لا تمتلك بيانات كافية حول السؤال المطروح.
وتظهر هذه المشكلة بوضوح في: اختلاق مراجع أكاديمية غير موجودة، وتقديم إحصاءات غير حقيقية، ونسب اقتباسات لأشخاص لم يقولوها، ودمج معلومات صحيحة مع أخرى خاطئة بطريقة يصعب اكتشافها، وهذا ما يجعل التحقق العلمي ضرورة لا خيارا.
لماذا يخطئ الذكاء الاصطناعي؟ لفهم كيفية جعل الذكاء الاصطناعي أكثر موثوقية، يجب أولا فهم طريقة عمله، فالنماذج اللغوية لا تبحث دائما عن الحقيقة، بل تتنبأ بالكلمة الأكثر احتمالا اعتمادا على البيانات التي تدربت عليها، ولذلك فهي قد تبدو واثقة حتى عندما تكون الإجابة خاطئة.
فباحثون في مراجعة علمية بعنوان "نحو نماذج لغات كبيرة جديرة بالثقة" (Towards trustworthy LLMs)، أشاروا إلى أن مشكلة التحيز والهلوسة تعد من أكبر العقبات أمام الاعتماد الكامل على الذكاء الاصطناعي في المجالات الحساسة مثل الطب والقانون والبحث العلمي.
كما أوضحت دراسة أخرى أن تدريب النماذج على بيانات مُولَّدة بالذكاء الاصطناعي نفسه قد يؤدي إلى انهيار معرفي وتدهور جودة النتائج مع الوقت.
كيف تجعل الذكاء الاصطناعي موثوقا في البحث العلمي؟ 1- استخدمه كمساعد لا كمرجع نهائي
القاعدة الذهبية هي أن الذكاء الاصطناعي أداة مساعدة وليس مصدرا أكاديميا مستقلا، إذ يمكن استخدامه في تلخيص الدراسات، وتبسيط المفاهيم، واقتراح أفكار بحثية، وتنظيم المراجع، ومقارنة الأبحاث.
لكن في ذات الوقت، لا يجب الاعتماد عليه مباشرة في توثيق الحقائق، أو كتابة النتائج النهائية دون مراجعة، أو إنشاء المراجع العلمية تلقائيا دون تحقق.
2- اعتمد على قواعد بيانات أكاديمية حقيقية
ولضمان الموثوقية، يجب التحقق من أي معلومة عبر منصات أكاديمية أصلية مثل: غوغل سكولار (Google Scholar)، أو بوبميد (PubMed)، أو سكوبس (Scopus)، أو آي إي إي إي إكسبلور (IEEE.....
لقراءة المقال بالكامل، يرجى الضغط على زر "إقرأ على الموقع الرسمي" أدناه
هذا المحتوى مقدم من خبرني
