الذكاء الاصطناعي يقرأ ما يقارب 4000 ورقة طبية: الشيفرة مفتوحة في بحث واحد فقط من كل 8
وجود عبارة «الشيفرة متاحة» في ورقة طبية لا يعني أنه يمكن تشغيلها. فقد قرأ فريق من MIT وDana-Farber، بمساعدة LLM، ما يقارب 4000 ورقة عن نماذج تقدّر خطر الإصابة بالأمراض، ولم يجد شيفرة مفتوحة إلا في نحو ورقة واحدة من كل ثماني. ثم فحص الباحثون مئات المستودعات: بعضها يتضمن تعليمات مفصّلة، وبعضها لا يكاد يتضمن شيئًا. والخلاصة العملية أن ملف README وقائمة الاعتماديات والترخيص لا تقل أهمية عن الشيفرة نفسها.
معالج بواسطة الذكاء الاصطناعي من MIT News؛ بتحرير Hamidun News
يعرف كل من حاول تشغيل شيفرة برمجية من ورقة علمية هذا الشعور: رابط GitHub موجود، لكن لا شيء يعمل. لا توجد قائمة اعتماديات، ولا يتضح أي بيانات ينبغي إدخالها، ولا يوجد ترخيص أيضًا. وقد قاس فريق دولي بقيادة MIT ومعهد Dana-Farber Cancer Institute حجم هذه المشكلة في الطب. فباستخدام نماذج اللغة الكبيرة (LLM) قرأ الفريق ما يقارب 4000 ورقة عن نماذج التنبؤ السريرية، أي الخوارزميات التي تقدّر، على سبيل المثال، خطر إصابة المريض بمرض ما. وتبيّن أن نحو بحث واحد من كل 8 فقط يذكر نشر الشيفرة، أي ما يقارب 12%. وبالنسبة إلى المطوّر، المعنى بسيط: عبارة «الشيفرة منشورة» تختلف عن «يمكن تشغيل الشيفرة والتحقق منها»، وفي الطب تتوقف على هذا الفرق قرارات العلاج.
كيف قرأت نماذج LLM أربعة آلاف ورقة
اختار المؤلفون الأعمال التي جرى فيها تطوير نماذج التنبؤ السريرية أو تحديثها أو التحقق منها. واعتمدوا الأوراق التي تشير إلى قوائم التحقق TRIPOD أو TRIPOD+AI (وهي قوائم بما ينبغي وصفه عند نشر نموذج من هذا النوع) والمتاحة في المجموعة المفتوحة PubMed Central. نُشرت نتائج الدراسة في Nature Medicine، وستكون استنتاجاتها أساسًا للإرشادات TRIPOD-Code التي يجري إعدادها حاليًا.
أولى الصعوبات أن المؤلفين يذكرون الشيفرة بطرق مختلفة تمامًا. فبعضهم يكتب عنها في قسم المنهجية، وبعضهم في حاشية، وبعضهم في نهاية الورقة. ويقول المؤلف الأول Thomas Sounack إنه كان لا بد أولًا من معرفة ما إذا كان المؤلف قد شارك الشيفرة أصلًا. لا يوجد جدول جاهز لذلك، بل نص متفرق. لذلك انتقت نماذج LLM الأوراق، وعثرت على العبارات المتعلقة بإتاحة الشيفرة، واستخرجت الروابط. ثم نزّلت برمجيات عادية المستودعات، وجرى تقييمها وفق مجموعة من المؤشرات: اكتمال التوثيق، ووصف متطلبات بيئة البرمجيات، وشروط إعادة الاستخدام.
وراجع باحثون بشريون نتائج LLM. فقد فحص باحثان، كلٌّ على حدة، 500 ورقة وعيّنة منفصلة من المستودعات، وناقشا الاختلافات بينهما، ثم قارنا تقييماتهما بالتقييمات الآلية. وكان التطابق أفضل في المؤشرات المحددة، مثل وجود ملف الترخيص. وكان أضعف حيث يلزم حكم شخصي: هل التوثيق مفصّل بما يكفي. ويشدد المؤلفون على أن أخطاء التصنيف واردة، ولذلك ينبغي النظر إلى الصورة العامة لا إلى كل رقم على حدة.
ما الذي وجده الباحثون
- نُشرت الشيفرة في نحو دراسة واحدة فقط من كل 8 دراسات.
- اختلفت محتويات المستودعات اختلافًا كبيرًا. فبعضها، بحسب Sounack، كان «منظمًا وموثقًا بشكل ممتاز»، وبعضها الآخر لم يقدّم أي شروح تقريبًا.
- تراوحت نسبة الأوراق المرفقة بشيفرة بين صفر وأكثر من 70% بحسب المجلة. كما ظهرت فروق بين الدول.
- كانت لدى بعض المجلات ذات النسبة المنخفضة من الشيفرة المنشورة سياسة مكتوبة بشأن نشر الشيفرة. أي أن القواعد وحدها لا تكفي للتحفيز.
ومن الممارسات الناجحة التي رصدها الباحثون استخدام مجموعات البيانات الاصطناعية. فحين يتعذر نشر سجلات المرضى الحقيقية، نشر المؤلفون بيانات مصطنعة بالبنية نفسها، ليتمكن القارئ من تشغيل الشيفرة وفهم آلية عملها.
لماذا يهم ذلك الممارسين
الحد الأدنى الذي يحتاجه شخص آخر لتكرار النتيجة هو: وصف لما تفعله الشيفرة، وتعليمات التشغيل، وقائمة الاعتماديات، والترخيص، وبيانات اختبارية إن أمكن. ويقول Sounack إن التوزيع الجيد للشيفرة يعني «تقديم معلومات كافية لفهم ما تفعله الشيفرة وتشغيلها وإعادة إنتاج نتائج الورقة». وإذا كانت البيانات الأصلية مغلقة، تبقى المجموعة الاصطناعية حلًّا وسطًا عمليًا. وهي مفيدة أيضًا في مشاريع الشركات التي لا يجوز فيها تسليم بيانات العملاء إلى المتعاقدين.
وثمة فائدة ثانية: منهجية العمل مع LLM. فالنموذج لم يصدر أحكامًا نهائية، بل أنجز العمل التمهيدي على نص متفرق، ثم راجع باحثون بشريون العيّنة، وقُيّمت الدقة على حدة للمؤشرات البسيطة والمعقدة. ويمكن نقل هذا النهج إلى تدقيق المستودعات أو تحليل الوثائق. فالمؤشرات البسيطة مثل «هل يوجد ترخيص» تحددها LLM بموثوقية، أما تقييمات من نوع «هل التوثيق مفصّل بما يكفي» فلا يزال الإنسان هو المسؤول عنها.
كما ينبغي أخذ القيود في الحسبان. فقد شملت العيّنة الأوراق ذات النص الكامل المفتوح في PubMed Central فقط، كما أن التقييمات الشخصية للتوثيق تنتج اختلافات أكثر.
الخطوة التالية هي TRIPOD-Code. فعبر نقاش الخبراء، يحدد الفريق عناصر الشيفرة التي يجب أن تكون إلزامية. وبحسب توم بولارد من MIT، الهدف هو تقديم نصائح عملية للباحثين، ومتطلبات أوضح من المجلات للمؤلفين. ويوفّر هذا الاستعراض الأساس الواقعي لذلك.
- 22 يناير 2026Citi توسّع نطاق الذكاء الاصطناعي: 4000 موظف يستخدمون أدوات داخلية
- 19 مايو 2026الولايات المتحدة والفلبين تسرّعان تطوير مركز للذكاء الاصطناعي على مساحة 4000 فدان في آسيا
- 12 يونيو 2026LSEG تسرّع التحليلات مع OpenAI: توسيع نطاق الذكاء الاصطناعي في القطاع المالي
- 22 أبريل 2026Google وAccel تختاران 5 شركات هندية ناشئة من بين 4000 طلب — وليست أي منها «غلافًا» فوق نماذج الذكاء الاصطناعي
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول كيف قرأت نماذج LLM أربعة آلاف ورقة؟
اختار المؤلفون الأعمال التي جرى فيها تطوير نماذج التنبؤ السريرية أو تحديثها أو التحقق منها. واعتمدوا الأوراق التي تشير إلى قوائم التحقق TRIPOD أو TRIPOD+AI (وهي قوائم بما ينبغي وصفه عند نشر نموذج من هذا النوع) والمتاحة في المجموعة المفتوحة PubMed Central. نُشرت نتائج الدراسة في Nature Medicine، وستكون استنتاجاتها أساسًا للإرشادات TRIPOD-Code التي يجري إعدادها حاليًا. أولى الصعوبات أن المؤلفين يذكرون الشيفرة بطرق مختلفة تمامًا. فبعضهم يكتب عنها في قسم المنهجية، وبعضهم في حاشية، وبعضهم في نهاية الورقة.
ما أبرز التفاصيل حول ما الذي وجده الباحثون؟
نُشرت الشيفرة في نحو دراسة واحدة فقط من كل 8 دراسات. اختلفت محتويات المستودعات اختلافًا كبيرًا. فبعضها، بحسب Sounack، كان «منظمًا وموثقًا بشكل ممتاز»، وبعضها الآخر لم يقدّم أي شروح تقريبًا. تراوحت نسبة الأوراق المرفقة بشيفرة بين صفر وأكثر من 70% بحسب المجلة. كما ظهرت فروق بين الدول. كانت لدى بعض المجلات ذات النسبة المنخفضة من الشيفرة المنشورة سياسة مكتوبة بشأن نشر الشيفرة. أي أن القواعد وحدها لا تكفي للتحفيز. ومن الممارسات الناجحة التي رصدها الباحثون استخدام مجموعات البيانات الاصطناعية.
ما أبرز التفاصيل حول لماذا يهم ذلك الممارسين؟
الحد الأدنى الذي يحتاجه شخص آخر لتكرار النتيجة هو: وصف لما تفعله الشيفرة، وتعليمات التشغيل، وقائمة الاعتماديات، والترخيص، وبيانات اختبارية إن أمكن. ويقول Sounack إن التوزيع الجيد للشيفرة يعني «تقديم معلومات كافية لفهم ما تفعله الشيفرة وتشغيلها وإعادة إنتاج نتائج الورقة». وإذا كانت البيانات الأصلية مغلقة، تبقى المجموعة الاصطناعية حلًّا وسطًا عمليًا. وهي مفيدة أيضًا في مشاريع الشركات التي لا يجوز فيها تسليم بيانات العملاء إلى المتعاقدين. وثمة فائدة ثانية: منهجية العمل مع LLM.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.