مسح لـ 14 ألف ورقة بحثية يرصد تحول مقاييس الذكاء الاصطناعي: تمدد تحكيم النماذج وتراجع الثقة في بياناتها المصطنعة

تكشف دراسة بحثية حديثة قادها الباحث المستقل تشاو وانغ عن تحول جوهري في بنية مقاييس أداء النماذج اللغوية الكبرى، مستندة إلى مسح منهجي شمل 14 ألفًا و767 ورقة بحثية أودعت في منصة «أركايف» بين يناير 2022 وأغسطس 2026. انطلقت الورقة، الواقعة في 15 صفحة وتضم خمسة أشكال بيانية وسبعة جداول، من تفكيك قوائم الترتيب العامة التي تكتفي بعرض درجات النماذج دون إيضاح كيفية تغير متطلبات التقييم نفسها، لترسم خريطة دقيقة لما يتوقعه المجتمع التقني من النماذج وما يعده معيارًا للأداء الناجح. تؤكد نتائج المسح أن اختبارات الذكاء الاصطناعي لم تعد تركز على استرجاع المعرفة المجردة، بل انحازت بوضوح نحو قياس القدرة على اتخاذ الإجراءات، والتفاعل المركب، وحل المشكلات في التطبيقات المهنية المتخصصة.

اعتمد البحث على مسار تدقيق متعدد المراحل مع ترميز آلي للنصوص الكاملة لفحص ثلاثة أركان رئيسية: الأنظمة والمجالات المستهدفة، ومواد وشروط التقييم، وآليات احتساب الدرجات. وأظهرت البيانات مفارقة واضحة في وتيرة تبني النماذج داخل بنيات الاختبار؛ فبينما واصلت تقنيات التحكيم المستندة إلى النماذج اللغوية نموها المطرد داخل مجموعات الوكلاء الأذكياء والأنظمة غير المعتمدة على الوكلاء على حد سواء، لم تسجل المواد الاختبارية المولدة بالذكاء الاصطناعي أي زيادة مستدامة مماثلة في مجموعات الأوراق الأخيرة. يعكس هذا التباين حذرًا متزايدًا من الاعتماد على مجموعات بيانات مصطنعة في بناء الاختبارات، مقابل اندفاع واسع نحو توظيف النماذج كقضاة لفحص مخرجات النماذج الأخرى وتصنيفها.

يثير هذا التوسع في آليات القياس سؤالًا محوريًا حول مدى استقلالية الأدلة التي تقدمها تلك الاختبارات، وما إذا كانت تسهم في تجويد الأداء أم تعيد إنتاج نقاط العمى والانحيازات الكامنة في النماذج المحكّمة نفسها. إن دخول الذكاء الاصطناعي في صياغة الاختبارات وتنفيذ المهام ثم تقييم النتائج يهدد بخلق حلقة مغلقة تعزز تفضيلات أسلوبية محددة بدل قياس الكفاءة الموضوعية بدقة تجريبية نزيهة.

إذا كنت تقود فريقًا هندسيًا أو تتولى إدارة بنية برمجية في الخليج أو مصر أو الشام، فإن هذا التحول يمس مباشرة المعايير التي تبني عليها قرارات الشراء واعتماد النماذج. تعتمد قطاعات حيوية مثل الخدمات المالية، والاتصالات، والمؤسسات الحكومية في المنطقة على لوحات الاختبار العامة لاختيار النماذج المناسبة لعملياتها. وحين تستند مقاييس الأداء العالمية إلى تحكيم آلي تجريه نماذج غربية لا تدرك خصوصية السياق اللغوي العربي ولا متطلبات الأعمال الإقليمية، فإن الاعتماد الأعمى على تلك الدرجات ينقل نقاط عمى النماذج المحكّمة مباشرة إلى صلب الأنظمة المؤسسية. يتطلب ذلك من الفرق المحلية التوقف عن اتخاذ القرارات استنادًا إلى لوحات الترتيب الشائعة، والانتقال إلى قياس تكلفة الاستدلال الفعلية وقدرة النماذج على استدعاء أدوات العمليات وواجهات البرمجة بنجاح.

تفرض هذه النتائج على المهندسين وقادة التحول الرقمي بناء بيئات تقييم معزولة ومحلية تعتمد على حالات استخدام حقيقية، لا سيما في التطبيقات المهنية الحساسة التي ترتبط بأنظمة الدفع، أو إدارة سلاسل الإمداد، أو الامتثال القانوني. لم يعد الاختبار الحقيقي متمثلًا في قدرة النموذج على توليد نصوص مقنعة، بل في دقته التشغيلية حين يُمنح صلاحية تنفيذ معاملة أو تعديل سجل بيانات دون خطأ كارثي.