في عالم الذكاء الاصطناعي، تطورت نماذج اللغة الضخمة (Large Language Models) بشكل مذهل من مجرد مولدات نصوص ثابتة إلى أنظمة قادرة على تنفيذ سير عمل معقد وبشكل مستقل. لكن مع هذه التطورات تأتي تحديات جديدة تتعلق بالموثوقية. لذا، يتم استخدام أطر العمل متعددة الوكلاء التي تعين أدواراً متخصصة لتعزيز عملية التأمل الذاتي والتدقيق المتبادل.

ومع ذلك، يكشف بحث جديد وجود انحياز معرفي يُعرف باسم "عدم التوازن بين الفاعل والمراقب" (Actor-Observer Asymmetry - AOA). هذا الانحياز يعني أن الوكيل الذي يؤدي دور الفاعل يتمكن من نسبة الفشل إلى عوامل خارجية، بينما المراقب يميل إلى إرجاع الأخطاء نفسها إلى أعطال داخلية. لدراسة هذا الظاهرة، قدم الباحثون أداة جديدة تسمى "معيار الفشل الغامض" (Ambiguous Failure Benchmark)، والتي تُظهر أن تغيير وجهات النظر يمكن أن يؤدي إلى تأثير AOA في أكثر من 20% من الحالات بالنسبة للعديد من النماذج.

لمعالجة هذا الانحياز، يقدّم الباحثون نموذجاً جديداً يُطلق عليه "ReTAS" (التفكير عبر الأطروحة - النقيض - التركيب). تم تدريب هذا النموذج من خلال التوافق الجدلي لتعزيز التفكير المستقل عن المنظورات. إذ يجمع ReTAS بين سلسلة الأفكار الجدلية وتقنية تحسين السياسة النسبية الاجتماعية، مما يساعد الوكلاء على دمج وجهات النظر المتعارضة في توافق موضوعي.

تظهر التجارب أن ReTAS فعّال في تقليل عدم تجانس النسبة وتحسين معدلات حل الأخطاء في السيناريوهات الغامضة. لذا، يبدو أن العمل على تحسين هذا النوع من الانحياز يُعد خطوة مهمة نحو تطوير نماذج أكثر ذكاءً وموثوقية في المستقبل.