كشفت دراسات حديثة أن طرح السؤال نفسه بلغات مختلفة على نماذج الذكاء الاصطناعي لا يؤدي بالضرورة إلى الحصول على الإجابة ذاتها. وأوضح الخبراء أن هذه النماذج لا تتعامل مع اللغات بالطريقة نفسها دائما، حيث يظهر الاختلاف في دقة المعلومات، واختيار المصطلحات، وفهم السياق الثقافي، وهو ما يعود إلى كيفية تدريب هذه النماذج وتمثيلها للغات داخل بنيتها التقنية.
وبينت الدراسات أن البيانات تحدد نقطة البداية، حيث تعتمد النماذج اللغوية الكبيرة على كميات ضخمة من النصوص، إلا أن هذه البيانات ليست موزعة بالتساوي. وأظهرت ورقة بحثية منشورة في دورية ساينتفيك ريبورتس أن أداء النماذج يختلف باختلاف اللغة، كما أن حجم بيانات التدريب ومصدرها والمسافة اللغوية تعد عوامل حاسمة في جودة المخرجات، مشيرة إلى أن الإنجليزية ليست دائما اللغة الأفضل أداء في جميع الاختبارات.
وأضاف الباحثون أن طريقة تقطيع الكلمات تلعب دورا جوهريا في معالجة الأسئلة. وأظهرت أبحاث متخصصة أن اختيار أداة تقسيم النص إلى رموز يؤثر في كفاءة النموذج وتكلفته، حيث إن الأدوات المصممة للإنجليزية قد تؤدي إلى تراجع في الأداء عند التعامل مع لغات أخرى، مما يعني أن السؤالين المتطابقين في المعنى قد لا يصلان إلى النموذج في صورة متطابقة حسابيا.
وأكد الخبراء أن اللغة لا تنفصل عن الثقافة، إذ وجدت دراسات قدمت في مؤتمر إيه سي إل وجود ما وصفه الباحثون بالتآزر اللغوي الثقافي، حيث يكون أداء النماذج أفضل عندما يتوافق السؤال ثقافيا مع اللغة المستخدمة. وأوضح الباحثون أن اللغة قد توفر إشارات ضمنية حول البلد أو الثقافة، مما يجعل الإجابة على الأسئلة المتعلقة بالعادات أو الأنظمة القانونية متغيرة بتغير اللغة.
وفيما يخص العربية، أوضحت الأبحاث أن التحدي يكمن في ندرة البيانات الموجهة للهجات والسياقات المحلية. وأظهر مؤشر بالسم أن أداء النماذج بالعربية يتأثر بالتعقيد الصرفي والتنوع اللهجي، وهي فجوة تحاول معايير مثل أراديس معالجتها. وختاما، أشار الخبراء إلى أن اختلاف الإجابات لا يعني دائما وجود تحيز متعمد، بل يعكس طبيعة بناء النموذج لإجاباته بناء على تمثيلات لغوية وثقافية تشكلت خلال مراحل التدريب المختلفة.
