يمكن للذكاء الاصطناعي أن يسرّع العمل الاعتيادي على البيانات: تنظيف جدول بيانات فوضوي، وتلخيص استبيان، وصياغة مسودة رسم بياني، أو كتابة معادلة. وهو سريع في مرحلة الإعداد ويعمل انطلاقًا من أرقام مجمّعة ومنزوعة الهوية تلصقها بنفسك. لكنه ليس آلة حاسبة يمكن الوثوق بها، لذا تبقى الأرقام ومعناها بين يديك.
سير العمل
أعدّ بسرعة، ثم تحقّق
التحضيرنظّف البيانات وأعد تشكيلها
التحليللخّص، وصنّف، وصغ مسودة معادلة
التصور البيانيارسم مسودة رسم بياني وتعليقه
التحقّقأعد حساب الأرقام الأساسية بنفسك
كل رقم يستند إليه قرار يُعاد حسابه مقابل المصدر.
الذكاء الاصطناعي أسرع ما يكون في التحضير والصياغة الأولى. أما الخطوة الأخيرة، التحقق من الحساب والمعنى، فهي لك.
مفيد في مرحلة الإعداد: تنظيف جدول بيانات وإعادة تشكيله، واقتراح نوع الرسم البياني، وكتابة معادلة جدول بيانات أو شيفرة، وصياغة مسودة القصة بلغة بسيطة لنتيجة ما.
اطلب منه كتابة شيفرة وتشغيلها لأي عملية حسابية، وأعد رغم ذلك حساب الأرقام التي يستند إليها القرار مقابل المصدر.
أضعف ما يكون في اختيار المنهج وفي السببية. فهو يُجري بثقة اختبارًا إحصائيًا لا يناسب بياناتك، وهو أقل موثوقية حين يُسأل عمّا إذا كان شيء ما قد تسبب في آخر.
يمكن للرسم البياني أن يضلّل. فقد يستخدم رسم بياني صاغته أداة ذكاء اصطناعي محورًا مقطوعًا، أو ترميزًا خاطئًا، أو ألوانًا لا تصلح لقارئ يعاني عمى الألوان، والنماذج ضعيفة في ملاحظة متى يكون الرسم البياني مضلِّلاً.
استخدم فقط بيانات مجمّعة ومنزوعة الهوية. لا تلصق أبدًا قائمة عملاء أو أي شيء يحدد هوية شخص في أداة عامة.
التفسير يبقى لك. ما يعنيه رقم ما لبرنامجك ولعملائك هو حكم يتخذه شخص.
كيف يعمل، وأين يتعطّل
1إجراء الحساب ذهنيًا غير موثوق؛ وتشغيل الشيفرة أفضل
حين تلصق أرقامًا في محادثة عادية وتطلب معدلاً أو مجموعًا، لا يقوم النموذج بالحساب فعليًا. بل يتوقّع كيف ينبغي أن تبدو إجابة مكتوبة، ومن هنا يأتي الخطأ الحسابي الصامت وأخطاء التقريب. وقد رفع جعل النموذج يكتب بدلاً من ذلك شيفرة يشغّلها مفسّر حقيقي (code interpreter) الدقة بنحو اثنتي عشرة نقطة مقارنةً بالاستدلال المكتوب، عبر مجموعة من اختبارات الرياضيات والتمويل، لأن الحاسوب هو من يقوم بالحساب (Chen وزملاؤه، 2023). الشيفرة تصلح الحساب؛ لكنها لا تصلح اختيار المنهج. وفي معيار قياس إحصائي كبير، بلغ أفضل نموذج نحو خمسة وستين بالمئة فقط، وكانت أخطاؤه غالبًا في تطبيق منهج لا يناسب البيانات، وهو خطأ من غير المرجّح أن يلاحظه شخص مشغول (Zhu وزملاؤه، 2024).
2حتى حين تعمل الشيفرة، قد يظل رقم من كل خمسة خاطئًا
في معيار قياس أتاح للنماذج استخدام مفسّر شيفرة (code interpreter) على مهام تحليل بيانات حقيقية، عملت الشيفرة في كل مرة تقريبًا، ومع ذلك لم تكن صحيحة سوى نحو ثمانية وسبعين بالمئة من الإجابات المحسوبة ونحو أربعة وستين بالمئة فقط من الرسوم البيانية (Zhang وزملاؤه، 2024). عمل الشيفرة لا يعني أن الإجابة صحيحة، لأن النموذج قد يكتب شيفرة تقرأ العمود الخاطئ، أو تُصفّي الصفوف الخاطئة، أو تختار المنهج الخاطئ. وتزداد المشكلة مع حجم الجدول: انخفضت الدقة في العمليات الحسابية البسيطة على جدول ملصق بشكل حاد كلما طال الجدول، وحدها الصفوف المكررة خفّضت مجاميع النموذج بشكل كبير (Wolff وHulsebos، 2025). والسببية أضعف مجال على الإطلاق؛ ففي أحد معايير قياس الاستدلال بالبيانات، تعاملت النماذج مع الأسئلة الإحصائية بشكل أفضل بكثير من الأسئلة السببية، التي وقعت دون النصف (Liu وزملاؤه، 2024).
3الرسم البياني الذي يبدو نظيفًا قد يكون خاطئًا مع ذلك، واللون هو النقطة العمياء
يمكن أن يُرسَم رسم بياني دون خطأ ومع ذلك يرمّز البيانات بشكل غير صحيح. ففي معيار قياس للتصور البياني، أنتج أفضل نموذج رسمًا بيانيًا صحيحًا وصالحًا في نحو ثلاثة أرباع الحالات، وفي نحو واحد من كل خمسة رسوم بيانية عملت الشيفرة لكنها شوّهت البيانات بشكل ما، كمحور خاطئ، أو ترميز خاطئ، أو مفتاح رسم بياني مفقود (Chen وزملاؤه، 2024). وطلب أن يكتشف النموذج رسمًا بيانيًا مضلِّلاً يساعد بقدر معتدل فقط ويعتمد بشدة على صياغة الطلب، والنماذج أضعف ما تكون في اكتشاف مشكلات الألوان (Lo وQu، 2024). والحل الذي عليك طلبه بالاسم هو لوحة ألوان آمنة لعمى الألوان؛ فمجموعة Okabe-Ito المستخدمة على نطاق واسع تبقى قابلة للتمييز لدى ما يقارب واحدًا من كل اثني عشر رجلاً ممن يعانون قصورًا في رؤية الألوان (Wong، 2011).
احصل على رقم يمكنك الوثوق به
كيف تنجز مهمة بيانات يمكنك التحقّق منها
احذف الأسماء وتواريخ الميلاد والعناوين وأرقام الملفات قبل رفع أي شيء.
اطلب منه كتابة شيفرة وتشغيلها لكل عملية حسابية، وأن يُريك الشيفرة.
بالنسبة لأي رسم بياني، اطلب محورًا يبدأ من الصفر، وتسميات مباشرة، ولوحة ألوان Okabe-Ito الآمنة لعمى الألوان.
أعد حساب الأرقام الأساسية بنفسك، أو تحقّق منها في جدول بيانات، قبل أن تدخل في تقرير.
أبقِ التفسير، وأي ادعاء بأن شيئًا تسبب في آخر، مع شخص.
جدول بيانات استقبال فوضويجدول منظّف يمكنك التحقّق منه
نظّف جدول بيانات منزوع الهوية ووحّد صيغته
اكتب شيفرة بايثون وشغّلها لتوحيد أعمدة جدول البيانات هذا المنزوع الهوية: اجعل تصنيفات الفئات متسقة، وضع التواريخ في تنسيق واحد، وأشر إلى الصفوف الفارغة أو المكررة. أرني الشيفرة، وعدد الصفوف قبل التنظيف وبعده، وتعداد القيم لكل عمود كي أتأكد من أن شيئًا لم يُسقَط. [ارفع بيانات مصدَّرة منزوعة الهوية، دون أسماء أو أرقام ملفات]
قاعدة أمان. تحقّق من أن عدد الصفوف لم يتغيّر ومن صحة الفئات، إذ يمكن للتنظيف أن يُسقط صفوفًا أو يدمجها بصمت. انظر الوحدة 4.
استبيان مصدَّر منزوع الهويةملخص مع عرض الأعداد
لخّص استبيان رضا العملاء
باستخدام الشيفرة، احسب عدد ونسبة كل خيار إجابة لكل بند في هذا الاستبيان المنزوع الهوية، والمتوسط لبنود التقييم. أرني التوزيع الكامل، لا المتوسط وحده، واطبع الشيفرة. لا تُجرِ أي اختبار دلالة إحصائية ما لم أطلب ذلك. [ارفع الردود المنزوعة الهوية، واحذف أي عمود نص مفتوح أولاً]
قاعدة أمان. أعد جمع أعداد بند واحد يدويًا للتحقق من المجموع، وكن حذرًا من أي اختبار تقترحه الأداة، إذ كثيرًا ما تختار النماذج منهجًا لا يناسب البيانات. انظر الوحدة 2.
جدول مجمّع صغيررسم بياني وتعليق جاهزان لمجلس الإدارة
صمّم مسودة رسم بياني وتعليقًا بسيطًا لتقرير
أنشئ رسمًا بيانيًا شريطيًا من هذا الجدول المجمّع باستخدام الشيفرة. ابدأ المحور الصادي من الصفر، وسمِّ الأشرطة مباشرةً، واستخدم لوحة ألوان Okabe-Ito الآمنة لعمى الألوان. ثم اكتب تعليقًا من جملتين يذكر فقط ما يُظهره الرسم البياني، دون أي ادعاء بالسببية. [الصق الأعداد المجمّعة، دون صفوف على مستوى العميل]
قاعدة أمان. تحقّق من أن المحور غير مقطوع وأن التسميات تطابق الأرقام، واقرأ التعليق كي لا يُبالغ في اتجاه ما. انظر الوحدة 2.
مثال عملي
مجموع لا يتطابق
تلصق عمودًا من أعداد الاستقبال الشهرية وتسأل، في محادثة عادية، عن المجموع السنوي ونسبة التغيّر.
يأتي الرد بمجموع ونسبة مئوية، منسَّقين وبثقة تامة.
تجمع العمود بنفسك فتجد أن المجموع مختلف بمقدار شهر أسقطه النموذج، وأن النسبة المئوية استخدمت الأساس الخاطئ.
تطلب منه مجددًا كتابة الشيفرة وتشغيلها، والتحقق من الناتج مقابل مجموعك الخاص، ولا تضع الرقم في التقرير إلا بعد ذلك. كان التنسيق يبدو جاهزًا؛ لكن الحساب لم يكن كذلك.
قاعدة أمان. استخدم فقط بيانات مجمّعة ومنزوعة الهوية، وتعامل مع كل رقم بوصفه مسودة. أعد حساب الأرقام المهمة مقابل المصدر. انظر الوحدة 2 والوحدة 4. ولتحويل نتيجة إلى رسم بياني وتعليق لتقرير، انظر سرد القصص للتقارير والمنح وأنشطة التواصل.
المصادر
Chen, W., Ma, X., Wang, X., & Cohen, W. W. (2023). Program of thoughts prompting: Disentangling computation from reasoning for numerical reasoning tasks. Transactions on Machine Learning Research. https://arxiv.org/abs/2211.12588
Zhu, Y., Du, S., Li, B., Luo, Y., & Tang, N. (2024). Are large language models good statisticians? In Advances in Neural Information Processing Systems 37 (Datasets and Benchmarks Track). https://arxiv.org/abs/2406.07815
Liu, X., Wu, Z., Wu, X., Lu, P., Chang, K.-W., & Feng, Y. (2024). Are LLMs capable of data-based statistical and causal reasoning? Benchmarking advanced quantitative reasoning with data. In Findings of the Association for Computational Linguistics: ACL 2024. https://arxiv.org/abs/2402.17644
Zhang, S., Zhang, C., Hu, Y., Shen, H., Liu, K., Ma, Z., et al. (2024). CIBench: Evaluating your LLMs with a code interpreter plugin. arXiv. https://arxiv.org/abs/2407.10499
Chen, N., Zhang, Y., Xu, J., Ren, K., & Yang, Y. (2024). VisEval: A benchmark for data visualization in the era of large language models. IEEE Transactions on Visualization and Computer Graphics. https://arxiv.org/abs/2407.00981
Lo, L. Y.-H., & Qu, H. (2024). How good (or bad) are LLMs at detecting misleading visualizations? IEEE Transactions on Visualization and Computer Graphics. https://arxiv.org/abs/2407.17291