مدلهای زبانی بزرگ بهطور فزایندهای در وظایف تصمیمگیری مورد استفاده قرار میگیرند، اما بهکارگیری آنها در حوزههای حساس با چالشهای اساسی مواجه است. از جمله این مشکلات میتوان به احتمالهای نادقیق که واقعیت وقوع رویدادها را منعکس نمیکنند، توضیحات غیرواقعی که به جای تبیین تصمیمات آنها را توجیه میکنند، و ناتوانی در ادغام دانش تخصصی با دقت و ضمانت ریاضی اشاره کرد.
چارچوب IDEA این محدودیتها را با استخراج دانش تصمیمگیری مدلهای زبانی در قالب یک مدل پارامتری قابل تفسیر که بر روی عوامل معنایی معنادار تعریف شده، برطرف میکند. این رویکرد امکان همکاری کمّی انسان و هوش مصنوعی را از طریق یادگیری نگاشتهای کلامی-عددی بهصورت مشترک با پارامترهای تصمیمگیری، با استفاده از الگوریتمهای تخمین بیشینهسازی انتظار فراهم میکند. این روش وابستگیهای بین عوامل را از طریق تکنیکهای نمونهبرداری همبسته حفظ میکند.
یکی از نوآوریهای کلیدی این چارچوب، توانایی ویرایش مستقیم پارامترها با ضمانتهای ریاضی است که اطمینان میدهد تغییرات در مدل، تغییرات قابل پیشبینی در خروجیها ایجاد میکنند. این ویژگی به متخصصان حوزههای مختلف امکان میدهد پارامترهای تصمیمگیری را با اطمینان از پاسخدهی مناسب و سازگار سیستم تنظیم کنند.
نتایج آزمایشی بر روی پنج مجموعه داده معیار، اثربخشی این چارچوب را نشان میدهد. IDEA پیادهسازیشده با Qwen-3-32B به دقت ۷۸.۶ درصد دست یافته و از DeepSeek R1 با ۶۸.۱ درصد و GPT-5.2 با ۷۷.۹ درصد پیشی گرفته است. قابل توجه آنکه این چارچوب به حذف کامل عوامل نامربوط و معیارهای کالیبراسیون دقیق دست مییابد که از طریق prompting ساده قابل دستیابی نیست.
قابلیت تفسیر مدل پارامتری به ذینفعان امکان میدهد دقیقاً درک کنند که کدام عوامل بر تصمیمات تأثیر میگذارند و میزان این تأثیر چقدر است. این شفافیت برای کاربردها در حوزههای بهداشت و درمان، حقوقی، مالی و سایر زمینههای حساس که پاسخگویی و درک تصمیمات خودکار ضروری است، حیاتی است. پیادهسازی این چارچوب بهصورت عمومی برای پژوهشگران و متخصصان در دسترس است تا بتوانند آن را ارزیابی و بهکار گیرند.
گفتگو