تسعى نماذج اللغات الضخمة (Large Language Models) إلى تحقيق تقدم ملحوظ في مهارات التفكير المنطقي، إلا أنها لا تزال بعيداً عن مستوى الأداء البشري. يعد التعلم في السياق (In-context Learning) حلاً فعالاً يُعزز أداء النموذج من خلال توجيه مدخلاته استناداً إلى أمثلة مختارة بعناية من خبراء المجال.
مع ذلك، فإن العديد من المجالات الواقعية تعاني من نقص في الخبرات، مثل التخصصات العلمية الناشئة أو المجالات الطبية الحديثة أو النظم القانونية المتخصصة، مما يجعل الحصول على أمثلة ذات جودة عالية أمراً محدودًا أو غير متاح بالكلية. هذا يقيد مدى استخدام هذه الأساليب في تطبيقات واسعة.
في ضوء هذه التحديات، تم استكشاف حقول نموذجية أخرى كمصادر بديلة، لكن النتائج ظلت متواضعة بسبب الفجوة الكبيرة بين مجالات المصدر والهدف، مما يصعّب من قدرة النموذج على تحديد واستغلال الهياكل المشتركة أو الأنماط المنطقية الكامنة.
وعليه، يصبح التركيز على التوجيه النصي الخام غير كافٍ، إذ تعاني نماذج اللغة من صعوبة في تجريد ونقل المعرفة عبر المجالات بشكل موثوق ومنهجي.
تُقدِّم أداة CoDA (Adaptation) حلاً مبتكراً حيث تستخدم مُكيّفًا خفيفًا للتدخل مباشرة في حالات الخفاء المتوسطة. من خلال دمج عملية تصفية قائمة على الخصائص مع استخدام مفهوم أقصى تباين متوسط (Maximum Mean Discrepancy) لمطابقة التوزيعات، يتوافق تمثيل الاستدلال الكامن بين مجالات المصدر والهدف.
تُظهر نتائج الاختبارات الشاملة عبر مهام التفكير المنطقي المتعددة تفوق CoDA بصورة ملحوظة على الأداء السابق، مُحققًا قفزات ملحوظة مقارنة بالنماذج الأخرى، مما يُظهر فعالية أسلوبنا الجديد في تعزيز أداء نماذج الذكاء الاصطناعي.