في عالم الذكاء الاصطناعي، يعد فهم دور السياقات المسترجعة في الإجابات الناتجة عن نماذج اللغة الكبيرة أمراً أساسياً لبناء نظم موثوقة وتفسيرية. ولتحقيق هذه الغاية، تم تقديم إطار عمل مبتكر يعيد صياغة مفهوم تخصيص السياق (Context Attribution) على أنه مشكلة متعددة الأذرع (Multi-Armed Bandit Problem).

تستخدم هذه الإستراتيجية الجديدة تقنية **Linear Thompson Sampling** لتحديد المقاطع السياقية الأكثر تأثيراً بكفاءة، مع تقليل عدد الاستعلامات المطلوبة للنموذج. يعتمد نموذج المكافآت الخاص بهم على **احتمالات تسجيل الرموز (Token Log-Probabilities)** لقياس مدى دعم مجموعة فرعية من السياقات للاستجابة الأصلية.

وهذا يجعل النهج قابلاً للتطبيق سواء على النماذج مفتوحة المصدر أو تلك التي تعتمد على واجهات برمجة التطبيقات المظلمة (Black-Box API). على عكس طرق توضيح التقدير التقليدية مثل **SHAP** والطرق المبنية على الاضطرابات، فإن هذه النهج يفضل بشكل ديناميكي المجموعات المعلوماتية بناءً على تقديرات الملاءمة، مما يقلل التكاليف الحاسوبية بشكل كبير.

وقد أظهرت التجارب على عدة معايير أسئلة وأجوبة (QA Benchmarks) أن هذه الطريقة تحقق تخفيضاً يصل إلى 30% في عدد الاستعلامات مقارنة بالطرق السابقة، مع الحفاظ على جودة تخصيص عالية أو حتى تجاوزها.

يمكنك العثور على الكود المستخدم في هذه الدراسة على [GitHub](https://github.com/pd90506/camab). في عصر يتزايد فيه الطلب على نماذج الذكاء الاصطناعي، قد تكون هذه الاستراتيجيات مفتاحاً لحل العديد من التحديات الحالية.