---
title: بحث جديد يتناول تقييم موثوقية التشخيصات الطبية لنماذج اللغة الكبيرة عبر واجهة برمجة التطبيقات
url: https://www.elseif.net/ar/bhth-gdyd-ytnaol-tkyym-mothoky-altshkhysat-altby-lnmathg-allgh-alkbyr-aabr-oagh-brmg-alttbykat
published: 2026-11-09T07:07:04+00:00
language: ar
section: النماذج
source: https://habr.com/ru/companies/airi/articles/1101686/?utm_campaign=1101686&utm_source=habrahabr&utm_medium=rss
organizations: FusionBrain, EMNLP, UncertaiNLP
publisher: elseif
---

# بحث جديد يتناول تقييم موثوقية التشخيصات الطبية لنماذج اللغة الكبيرة عبر واجهة برمجة التطبيقات

قدم باحث من مختبر FusionBrain عملاً بحثياً بعنوان "حواجز الحماية من عدم اليقين لأنظمة التشخيص الطبي القائمة على نماذج اللغة الكبيرة"، حيث تم عرض هذا البحث في مسار الصناعة بمؤتمر EMNLP 2026، وحصل على تصنيف تسليط الضوء في ورشة عمل UncertaiNLP 2026. ركزت الدراسة على كيفية تقييم عدم اليقين في إجابات نماذج التشخيص الطبي، خاصة عندما يكون النموذج الأساسي متاحاً فقط من خلال واجهة برمجة التطبيقات.

تكمن أهمية هذا البحث في معالجة مشكلة الهلوسة في نماذج اللغة الكبيرة ضمن المجال الطبي، حيث تؤثر هذه الأخطاء مباشرة على صحة البشر. تهدف طرق تقدير عدم اليقين إلى منح الطبيب مقياساً لمدى ثقة النموذج في إجابته، مما ينبه الطبيب لضرورة توخي الحذر عند انخفاض هذه الثقة. وفي هذه الدراسة، تم استخدام نموذج GigaChat-2-Max لتقديم فرضيات تشخيصية بناءً على حوارات جمع التاريخ المرضي، بما في ذلك الشكاوى وتطور الأعراض.

اقترح الباحثون آلية تسمى "حواجز الحماية" تعمل كطبقة إضافية فوق النظام الأساسي لتقييم جودة الإجابات دون الحاجة إلى إعادة تدريب النموذج الأساسي. يقوم هذا النظام بتعيين مستوى ثقة لكل تشخيص على حدة، بدلاً من حساب متوسط الثقة لجميع الفرضيات في الرد الواحد، وذلك لأن الرد قد يحتوي على تشخيص مدعوم جيداً وآخر يفتقر إلى الأسس. وأوضح البحث أن هذه الثقة تعبر عن موثوقية استنتاج النموذج بناءً على الحوار المتاح، ولا يجب اعتبارها احتمالية إصابة المريض بالمرض.

قارنت الدراسة 16 طريقة لتقدير عدم اليقين، قسمت إلى ثلاث مجموعات رئيسية. تعتمد المجموعة الأولى على توليد إجابات متكررة ومقارنة تنوع معانيها باستخدام نماذج الاستدلال اللغوي الطبيعي، وهي مناسبة للنماذج المغلقة لكنها تتطلب عمليات توليد إضافية. وتعتمد المجموعة الثانية، التي سميت تقدير عدم اليقين القائم على النص، على تدريب مصنف منفصل باستخدام نصوص الحوارات والتشخيصات وأمثلة معروفة الصحة.

أما المجموعة الثالثة، فتركز على السمات الداخلية للنماذج مثل احتمالات الرموز والحالات المخفية وقيم الانتباه، وهو النهج الذي يعتمد عليه نظام UHead. ومع ذلك، أشار البحث إلى أن هذه السمات غير متاحة في نموذج GigaChat-2-Max. كما واجه الباحثون تحديات في مقارنة التشخيصات دلالياً، حيث قد تبدو بعض المصطلحات الطبية متشابهة لغير المتخصصين ولكنها تعبر عن حالات مختلفة، أو قد تختلف الصياغة بينما يتفق الخبراء على أنها تشير إلى نفس الحالة، وهو ما قد لا تدركه نماذج الاستدلال اللغوي الطبيعي التقليدية.