AI-translated from English; not yet reviewed by a fluent editor.

# طريقة للبحث عن الفرضيات العلمية مع إبقاء عدم اليقين ظاهرًا

> ترتب ورقة جديدة التفسيرات المرشحة بحسب التصديق الإحصائي، والملاءمة للمعرفة الخلفية، والبساطة، ثم تختبر سلوك النهج في مهام اصطناعية ومهام قائمة على مجموعات بيانات.

By BIG CHANGE Editorial

Published: 2026-10-10T09:19:56.532Z
Updated: 2026-10-10T09:19:56.532Z
Canonical: https://bigchange.ai/blog/possibility-frontier-search-scientific-hypotheses

![Two subtly different mineral inclusions share a fractured stone slab, with a narrow beam of light revealing their boundary.](https://bigchange.ai/api/media/file/possibility-frontier-states-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE; mineral forms and light are metaphorical, not a reported experiment.

تقترح ورقة جديدة طريقة لترتيب التفسيرات مع تراكم الأدلة واتساع قائمة التفسيرات المرشحة. وتعطي طريقتها، المسماة Possibility Frontier Search، الأولوية للتصديق الإحصائي، ثم للتوافق مع المعرفة الخلفية، ثم للبساطة. ويُقصد بهذا الترتيب منع تفسير جذاب لكنه غير مدعوم من الفوز لمجرد توافقه مع التوقعات السابقة.

هذا العمل إطار وخوارزمية، وليس تقريرًا عن نظام توصل إلى اكتشاف علمي. نشرَت Anita Yang وأربعة مؤلفين مشاركين الورقة بوصفها arXiv v1 في 8 أكتوبر 2026. وتجمع بين نتائج شكلية ضمن افتراضات معلنة، وتجربة اصطناعية مضبوطة، واختبارات استكشافية على مجموعتي بيانات من العالم الحقيقي.

## التغيير الكبير

- **ما الذي تغير:** تقترح الورقة Possibility Frontier Search، التي ترتب مجموعات الفرضيات المتنامية بحسب التصديق الإحصائي والتوافق مع الخلفية والبساطة.
- **لماذا يهم ذلك:** بالنسبة إلى الباحثين الذين يقيّمون تفسيرات مولدة بالذكاء الاصطناعي، تفصل الطريقة بين الدعم الإحصائي والمعقولية في ضوء المعرفة السابقة، ولا تستخدم التحديد إلا لكسر التعادل. ويوضح ذلك أين يعكس الترتيب الأدلة وأين يعكس نموذج الخلفية الثابت. والنتيجة الشكلية مشروطة؛ أما دراستا الحالة القائمتان على مجموعتي البيانات فهما تقييمان استكشافيان أبلغ عنهما المؤلفون.
- **ما ينبغي متابعته:** تعتمد استنتاجات الطريقة على ما يستطيع مولدها اقتراحه، وكيفية ترجمة الادعاءات إلى مجموعات قابلة للاختبار، ومدى ملاءمة نموذج الخلفية الثابت. ولا تعرض المسودة الأولية اكتشافًا منشورًا أو تكرارًا مستقلًا.

## الإمكان ليس احتمالًا

تستخدم الورقة نظرية الإمكان لتمثيل الحالات التي لم تُستبعد. ولا تعني درجة إمكان مقدارها 1 أن احتمال صحة الفرضية 100%. بل تعني أن الأدلة لم تستبعدها. وعندما تكون المعلومات ضعيفة، قد يظل الادعاء ونقيضه ممكنين.

يتيح هذا التمييز للمؤلفين تمثيل عدم اليقين غير المحسوم من دون إجبار النظام على توزيع مجموع ثابت من الاحتمالات على تفسيرات متنافسة. ويبنُون إمكانًا استدلاليًا من عمليات e المتتابعة، وهي شكل من الأدلة الإحصائية صُمم ليظل صالحًا عندما يتكيف جمع البيانات وقرارات التوقف بمرور الوقت.

عند عتبة خطأ مختارة، تحتفظ الطريقة بفضاء نسخ: مجموعة حالات المعلمات التي لم تستبعدها الأدلة المتراكمة. وتضع الفرضيات المرشحة في علاقتها بهذه المجموعة. تُناقَض الفرضية إذا لم تتضمن أي حالة متبقية. وتظل مفتوحة إذا تضمنت بعض الحالات المتبقية لا كلها. وتُصدَّق عندما يكون فضاء النسخ غير فارغ، وتقع كل حالة متبقية داخله ضمن الفرضية، وتكون الفرضية مجموعة جزئية حقيقية من فضاء الحالات الكامل. ويستبعد الشرط الأخير الادعاء التحصيلي الذي يشمل كل حالة ممكنة.

وفق افتراضات النموذج في الورقة، ينتج عن ذلك ضمان موحد زمنيًا: إذ يحد مستوى الخطأ المختار من احتمال التصديق على أي مرشح زائف في أي وقت. ويراعي الضمان الأدلة التكيفية والمرشحين المولدين باستخدام السجل التراكمي نفسه. وينطبق على التمثيل الشكلي القابل للاختبار للادعاء، لا على لغة سببية أو آلية إضافية لم تُشفّر وتُختبر.

## ثلاثة اختبارات بالترتيب

الترتيب معجمي، لذا لا يمكن لتفضيل لاحق أن يتجاوز تفضيلًا سابقًا.

1. **التصديق الإحصائي.** يجب أن يجتاز المرشح اختبار الأدلة. ولا يمكن لفرضية تظل مفتوحة فحسب أن تتقدم على فرضية مصدَّقة.
2. **التوافق مع المعرفة الخلفية.** بين المرشحين المصدَّق عليهم، تفضل الطريقة صاحب أعلى إمكان مضمون. والدرجة هي أدنى قيمة للتوافق الخلفي بين كل الحالات التي تسمح بها الفرضية. ويفسر المؤلفون ذلك بأنه تقليل مقدار التغيير اللازم في المحيط الخلفي الثابت لاستيعاب الادعاء. وهذه مقارنة على مستوى المرشحين، وليست مراجعة تلقائية للمعرفة العلمية.
3. **البساطة.** إذا تعادل المرشحون في تلك الاختبارات، تفضل الطريقة الفرضية التي تمثل عددًا أقل من الحالات. وفي هذه الصياغة، يعني عدد أقل من الحالات ادعاءً أكثر تحديدًا.

الترتيب مهم. فالبساطة لا تنقذ ادعاءً أخفق في التصديق، والملاءمة السابقة لا تُعد دليلًا. كما أن درجة الخلفية لا تعني أن الفرضية مرجحة الصحة؛ بل تقيس التوافق وفق نموذج الخلفية المختار.

## البحث على الجبهة

تتناوب Possibility Frontier Search بين اقتراح الفرضيات واختيار التجارب. ويقترح مولدها مرشحين من المعرفة الخلفية والبيانات المتراكمة والحالات الباقية والمرشحين السابقين. وتحتفظ الطريقة بالمرشحين الذين لم تُناقضهم الأدلة بعد.

ثم تركز الجهد التجريبي على الفرضيات المفتوحة التي قد تحسن أفضل نتيجة حالية: مرشح ذو توافق خلفي أفضل، أو مرشح يتعادل في التوافق لكنه أبسط. ولكل فرضية من هذا النوع، تتكون «الجبهة» من أزواج حالات باقية تقع على جانبي ادعائها. وتُختار التجربة التالية لتمييز الزوج النشط الأصعب تمييزًا بأكبر قدر ممكن، باستخدام التباين المتوقع بين النتائج وفق النموذج. وفي الحالات المنتهية، يصف المؤلفون هذا الاختيار بأنه مسألة تحسين يمكن حلها بالبرمجة الخطية.

تعرض الورقة أيضًا شهادة توقف. ويمكن للخوارزمية أن تتوقف عندما لا يستطيع أي مرشح مفتوح معروف تحسين الترتيب، ويكون الفارق بين أفضل منفعة مصدَّقة وحد أعلى للمنفعة الممكن بلوغها ضمن هامش تسامح مختار. لكن بلوغ هذه الشهادة لا يضمن انتهاء البحث في زمن منتهٍ؛ ويذكر المؤلفون ذلك صراحة.

نتيجة الاسترداد الشكلية مشروطة. تفترض المبرهنة، ضمن أمور أخرى، فضاءً منتهيًا للحالات والأفعال، وتجارب قادرة على التمييز بين الحالات المختلفة، وبناء أدلة بنسبة الترجيح، وشرط فصل موجب لهدف شبه أمثل، ومولد فرضيات ذي احتمال غير صفري لاقتراح مرشح شبه أمثل قابل للتصديق. وضمن تلك الشروط، يقترب الحد من استرداد فرضية قابلة للبلوغ ومثلى ضمن epsilon. و«قابلة للبلوغ» مهمة: فالنتيجة تخص الفرضيات التي يستطيع المولد إنتاجها، لا كل تفسير يمكن أن يوجد.

## ما الذي تغطيه التجارب

تستخدم التجربة المضبوطة بيئة اصطناعية ذات حالة معروفة. ويجزئ الباحثون فضاء الحالات إلى 1,540 حالة للمعلمات، ويحددون 44 فرضية قابلة للبلوغ، ويبدؤون عمدًا بمجموعة مرشحين لا تحتوي أي فرضية صحيحة. ويذكرون أن الطريقة توسع المجموعة، وتصدق على مرشح صحيح، وتحسن منفعته الاستدلالية. وتشمل المقارنات خطوط أساس للاختيار بأقصى احتمال وأقصى احتمال لاحق مقتصرين على المجموعة الأولية، إلى جانب AutoDiscovery مع بحث متوسع. ومتوسط النتائج الاصطناعية محسوب عبر ثماني بذور عشوائية.

يستخدم الجزء الواقعي مجموعتي بيانات من DiscoveryBench هما Incarceration وSES. ويطرح الباحثون أسئلة عن العلاقات داخل هذه المجموعات، ويبدؤون بخمس فرضيات بلغة طبيعية ونقائضها المنطقية، ثم يقيّمون مجموعة ثابتة من المقادير السكانية عبر استعلامات قياس على 16 طية بيانات. ويستخدمون GPT-5 لتوليد الفرضيات باللغة الطبيعية وتقييمها، ويقارنون طريقتهم بـAutoDiscovery. وتشمل المقاييس المبلغ عنها درجة مطابقة الفرضيات التي يحكم عليها نموذج لغوي كبير، والمنفعة الاستدلالية، وعدد الفرضيات. وتذكر الورقة أن طريقتها تحقق في النهاية درجات أعلى في المقياسين الأولين وأقل في عدد الفرضيات في كلتا الحالتين.

هذه النتائج على البيانات الواقعية دراسات حالة استكشافية. ويذكر المؤلفون أن الاختبارات تقريبية، وأن صلاحية anytime-validity الدقيقة وضمانات الاسترداد لم تُثبت لهذا الإعداد. وفضاء أفعال البيئة ومحيط الخلفية ثابتان، لذا يوسع البحث «المفتوح» للطريقة مجموعة الفرضيات ضمن ذلك الإعداد. ولا يوسع فضاء الحالات المقاس ولا يراجع المعرفة الخلفية عبر الإنترنت. وتحذر الورقة أيضًا من أن نموذج خلفية سيئ التحديد أو المعايرة قد يحيز الفرضيات التي تفضلها الطريقة.

توضح التجارب سلوك الترتيب والبحث المقترحين في بناء اصطناعي واحد ومهمتين قائمتين على مجموعات بيانات. لكنها لا تثبت اكتشافًا أعيد التحقق منه مستقلًا، أو وكيلًا بحثيًا منشورًا، أو نتيجة علمية جديدة عن السجن أو الوضع الاجتماعي والاقتصادي أو مجال آخر. وتقدم الورقة طريقة لجعل الافتراضات وراء ترتيب الفرضيات الآلي صريحة. ولا تثبت الدراسة موثوقية تلك الافتراضات والمكونات في الممارسة العلمية المفتوحة.

## المصادر ومزيد من القراءة

- [Yang وآخرون، “Open-ended Scientific Discovery with Possibilistic Reasoning”، arXiv:2610.11289v1](https://arxiv.org/html/2610.11289v1). قُدمت في 8 أكتوبر 2026. يحتوي النص الكامل على التعريفات والقضايا ومبرهنة الاسترداد والخوارزمية وطرق التجربة والقيود والملاحق. وجميع النتائج المذكورة في هذا المقال هي نتائج المؤلفين في هذه النسخة.
- [ملخص arXiv وسجل الإصدارات](https://arxiv.org/abs/2610.11289v1). يؤكد العنوان وسجل المؤلفين والملخص والطابع الزمني لتقديم v1.
- [Ramdas وWang، “Hypothesis testing with e-values”](https://doi.org/10.1561/3600000002). خلفية عن نهج الاختبار الصالح في أي وقت الذي تستشهد به الورقة.
- [Agarwal وآخرون، “AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise”](https://proceedings.neurips.cc/paper_files/paper/2025/hash/23b127521af7ca7a42f5cdb7507be4f2-Abstract-Conference.html). طريقة المقارنة التي تناقشها الورقة؛ أُدرجت هنا للسياق لا كتقييم مستقل للعمل الجديد.

## Sources

- [Yang وآخرون، Open-ended Scientific Discovery with Possibilistic Reasoning، arXiv v1](https://arxiv.org/html/2610.11289v1) — المصدر الأساسي المثبت على arXiv v1 للتعريفات والخوارزمية والافتراضات والمبرهنة والمحاكاة الاصطناعية وتجارب مجموعات البيانات الواقعية الاستكشافية والقيود المعلنة. وتتطلب الفرضيات المصدَّقة مجموعة حالات باقية غير فارغة ومجموعة جزئية حقيقية من فضاء الحالات الكامل. النتائج من إعداد المؤلفين؛ لا يوجد تكرار مستقل أو دليل على النشر العملي.
- [ملخص arXiv وسجل التقديم للنسخة 2610.11289v1](https://arxiv.org/abs/2610.11289v1) — يؤكد العنوان والمؤلفين والملخص والطابع الزمني لتقديم v1.
- [Ramdas وWang، Hypothesis testing with e-values](https://doi.org/10.1561/3600000002) — خلفية عن نهج الاختبار الصالح في أي وقت الذي تستشهد به الورقة.
- [Agarwal وآخرون، AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise](https://proceedings.neurips.cc/paper_files/paper/2025/hash/23b127521af7ca7a42f5cdb7507be4f2-Abstract-Conference.html) — السجل الدقيق لمؤتمر NeurIPS 2025 لخط الأساس AutoDiscovery الذي تناقشه الورقة؛ وليس تقييمًا مستقلًا للعمل الجديد.