بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
نماذج اللغة الكبيرة تُجيد توليد أفكار بحثية معقولة، لكنها تقع في الفخ ذاته في كل مرة: تتجمّع حول نمط واحد من التفكير بدلاً من أن تنتشر عبر المساحة الإبداعية الكاملة التي يستكشفها الباحثون البشريون. هذه الخلاصة التي توصّل إليها بحث جديد نشره كلٌّ من Ziyu Chen وYilun Zhao وArman Cohan على arXiv في أول يوليو 2026، ويُقدّم أول إطار تقييمي واسع النطاق يقيس هذه الفجوة قياساً كمياً دقيقاً بدلاً من الاتكاء على التفضيل الذاتي للخبراء.
المنهجية التي اعتمدها الباحثون تختلف جوهرياً عن طرق التقييم السابقة. بدلاً من أن يطلبوا من LLM توليد فكرة ثم يحكّموا عليها خبيراً، بنوا إطاراً يعمل بالعكس: انطلقوا من أوراق بحثية عالية الجودة، ثم (وفقاً للورقة البحثية على arXiv) أعادوا هندسة مجموعة صغيرة من الأعمال السابقة التي يُرجَّح أنها أوحت بالفكرة الأصلية لكل ورقة. بعد ذلك، طلبوا من عدة LLMs توليد فكرة بحثية جديدة بالاستناد إلى عناوين تلك الأعمال وملخصاتها، ثم قارنوا ما أنتجته النماذج بما كتبه الباحثون البشريون فعلاً.
قلب الإطار هو تصنيف ثنائي المحور أسمياه “taxonomy of research taste”، يضع كل فكرة بحثية في إحداثيَّين: الأول هو نمط الفرصة التي تتصدى لها الفكرة (كيف تُؤطَّر الهوة المعرفية)، والثاني هو النموذج البحثي الذي تعتمده لبناء المساهمة. هذا التصنيف يحوّل الحكم على الأفكار من قرار ذاتي إلى توزيع قابل للقياس، ما يتيح رصد التباعد الفعلي بين توزيع نماذج اللغة وتوزيع الأوراق البشرية المرجعية.
النتائج تكشف عن نمط ثابت عبر جميع النماذج التي اختبرها الباحثون (وفقاً للدراسة): أفكار LLMs تتكدّس بشكل غير متناسب حول ما يُسمّى “فرص الجسر” (bridge-like opportunities) وطرق “التوليف” (synthesis methods)، أي ربط مفاهيم موجودة أو تجميع أساليب معروفة بطريقة جديدة. في المقابل، الأوراق البحثية البشرية تتوزع توزيعاً أوسع عبر أنماط مختلفة من تأطير الهوات المعرفية وبناء المساهمات، بما فيها أنماط أكثر جرأة وأصالة لا تلجأ إليها النماذج. الفجوة ليست عشوائية، بل هي انحياز منهجي متسق.
ما الذي يفسّر هذا الانحياز؟ الدراسة لا تُجيب مباشرة، لكنها تُلمّح إلى أن النماذج تعكس ما هو شائع في بيانات التدريب، وأفكار الجسر والتوليف هي بالفعل الأكثر حضوراً في الأدبيات العلمية لأنها الأسهل نشراً وقبولاً. المشكلة أن هذا يعني أن LLMs تُعيد إنتاج منتصف التوزيع البحثي، لا أطرافه الأكثر ابتكاراً.
الأهمية العملية لهذا البحث تتجاوز نقاش “هل الذكاء الاصطناعي مبدع؟”. أي باحث يستخدم LLM لتوليد أفكار أولية يجب أن يعرف أنه يحصل على نطاق أضيق مما يتخيّل، ومنحازاً نحو الأفكار التجميعية لا الأفكار التأسيسية. الإطار الذي بناه الباحثون — بمحوريه taxonomy وقياس التباعد التوزيعي — يُقدّم منهجاً قابلاً للتكرار لتتبع هذه الفجوة مع تطور النماذج مستقبلاً، وهو أدقّ بكثير من مجرد سؤال خبير “هل تبدو هذه الفكرة جيدة؟”
الخلاصة الجوهرية للدراسة: النماذج القوية قادرة على توليد مجموعة من الأفكار المعقولة، لكن هذه المجموعة تبقى أضيق من نطاق الإبداع البشري، ومتحوّلة بشكل منهجي عنه. ليس فشلاً، لكنه سقف معروف الآن — وهذا النوع من المعرفة الدقيقة هو ما يُميّز الباحث الذي يستخدم هذه الأدوات بوعي عمّن يستسلم لها دون تمحيص. للاطلاع على التفاصيل الكاملة للمنهجية والنتائج، يمكن الرجوع إلى النسخة HTML التفاعلية من الورقة.
