تقييم إمكانية تتبّع تسلسل التفكير

حينما تتخذ أنظمة الذكاء الاصطناعي قراراتٍ معقدة يصعب تتبعها بشكل مباشر، يبرز التساؤل حول كيفية اتخاذ تلك القرارات. وتتمثل إحدى المنهجيات الواعدة في تتبع التفكير المنطقي المتعمق الداخلي للنموذج بدلًا من النظر فقط إلى ما يفعله النموذج أو ما يقدمه من نتائج نهائية.

تنتج نماذج التفكير المنطقي المتعمق الحديثة، ومنها GPT‑5 Thinking، تسلسلًا واضحًا للتفكير قبل تقديم أي رد. وتعد تتبّع حالات تسلسل التفكير للكشف عن الانحرافات وسيلةً أجدى تمامًا⁠ من الاكتفاء بتتبّع نتائج وإجراءات النموذج النهائية وحدها. إلا أن الباحثين لدى OpenAI والمختصين في هذا المجال قلقون⁠(يفتح في نافذة جديدة) من أن "إمكانية تتبّع" سلاسل التفكير هذه قد تتأثر سلبيًا بالتحولات في طرق التدريب أو مصادر البيانات، أو حتى مع زيادة حجم الخوارزميات المعتمدة حاليًا.

نحن نبذل مساعيَ دؤوبةً لضمان فاعلية "تتبّع تسلسل التفكير" تزامنًا مع تنامي قدرات النماذج وتوظيفها في بيئاتٍ تنطوي على مخاطرَ جسيمةٍ؛ ومن هذا المنطلق، نوجه دعوةً صريحةً للباحثين في شتى المجالات التقنية للعمل على استدامة فاعلية التتبّع لأطول أمدٍ ممكنٍ، والتحقق من مدى أهليته للقيام بدور ركيزة تحكمٍ جوهريةٍ لأنظمة الذكاء الاصطناعي المستقبلية. ولتحقيق هذه الغاية، يتحتم علينا امتلاك أدواتٍ دقيقةٍ للقياس، إذ من الملاحظ في الوقت الراهن ندرة التقييمات المتاحة [1⁠(يفتح في نافذة جديدة)، 2⁠(يفتح في نافذة جديدة)، 3⁠(يفتح في نافذة جديدة)] مع تباين المنهجيات تباينًا جذريًا.

نستعرض في هذه الدراسة تحليلًا نظاميًّا لمدى إمكانية تتبّع حالات تسلسل التفكير. حيث وفرنا نظامًا متكاملًا لتقييمها يضم 13 نوعًا من التقييمات (بإجمالي 24 بيئةً اختباريةً) وُضعت لقياس تتبّع حالات تسلسل التفكير. تتبع هذه التقييمات ثلاثة أنماط: التدخل، والعملية، وخصائص النتائج. وعبر هذا المنهج، نتقصى مدى وضوح تفكير النماذج اللغوية الضخمة، ومدى تأثر ذلك بزيادة قدرات الاستنتاج، وتكثيف مراحل التعلم بالتعزيز، وتوسيع قاعدة التدريب الأوّلي.

لقد توصّلنا إلى أن أغلب نماذج التفكير المنطقي المتقدمة تتيح قدرًا كافيًا من إمكانية التتبّع، رغم أنها لا تزال تفتقر للمثالية التامة. وفي كافة التجارب التي أجريناها تقريبًا، ظهر أن تتبّع تسلسل التفكير يمنح نتائج أجدى بوضوح من الاكتفاء بتتبّع السلوكيات أو النتائج النهائية. فالنماذج ذات فترات التفكير الأطول غالبًا ما تكون أكثر قابلية للتتبّع، ولا يبدو أن تحسين التعلم بالتعزيز بالمقاييس الرائدة الحالية يقلل من قابلية التتبّع بشكل ملموس.

ومن الجدير بالذكر أننا نلاحظ وجود مقايضةً بين الجهد المبذول في التفكير المنطقي المتعمق وحجم النموذج؛ فعندما يعمل نموذج ما بجهد منخفض في التفكير، يمكن لنموذج أصغر يعمل بجهد أعلى في التفكير أن يصل إلى قدرات مماثلة مع كونه أسهل في التتبّع. إلا أن هذا التفوق يأتي مقابل زيادة في حوسبة الاستدلال، وهو ما نشير إليه بـ "ضريبة التتبّع". وأخيرًا، نجد أن طرح أسئلة المتابعة وتتبّع سلاسل التفكير الناتجة عنها يمكن أن يحسن قابلية التتبّع بشكل أكبر.

نحن نُعرّف "قابليّة التتبّع" بأنها قدرة المراقب على التنبؤ بالخصائص المهمة المتعلقة بسلوك الوكيل. وفي كثير من الحالات، تتوافق هذه الخصائص مع أشكال السلوك الخاطئ، مثل الخداع أو "التلاعب بنظام المكافآت"أو التفكير المنطقي المنحاز، ولكن يمكنها أيضًا أن تشمل خصائص جيدة، مثل ما إذا كان النموذج قد اعتمد على تلميح معين أو اتبع مسارًا محددًا للتفكير.

تعد قابلية التتبّع سمةً ثنائية الجوانب؛ إذ ترتكز في جوهرها على التفاعل القائم بين كفاءة المراقب من جهةٍ، وطبيعة الوكيل الخاضع للتبّع من جهةٍ أخرى.

• المراقبون. بمقدورنا الارتقاء بمستوى ذكاء المراقبين عبر مساراتٍ متنوعةٍ؛ إذ نسعى من خلال منظومة تقييماتنا إلى منح درجاتٍ أعلى للمراقبين الذين يبدون كفاءةً استثنائيةً في صياغة تنبؤاتٍ أكثر دقةً بشأن سلوك الوكيل.
• الوكلاء. ثمة ملاحظاتٌ كثيرة ترتبط بالوكيل يمكن وضعها بين يدي المراقب، ويشمل ذلك إجراءات الوكيل، ونتائجه، وتنشيطاته العصبية، وصولًا إلى ما استُحدث مؤخرًا مع بزوغ نماذج التفكير المنطقي، وهو «تسلسل التفكير». وحيث إن بعض الوكلاء قد يضمرون أفكارًا تتسم بتعقيدٍ يفوق غيرهم، فإننا نهدف إلى أن تمتلك تقييماتنا القدرة على إجراء مقارناتٍ دقيقةٍ بين الوكلاء أنفسهم، وليس الاكتفاء بتقييم كفاءة المراقبين فحسب.

لقد جرى تصميم منظومة تقييماتنا بغرض قياس هذين الجانبين معًا: الوقوف على مدى تباين الوكلاء من حيث سهولة تتبّعهم أو صعوبتها، والتحقق مما إذا كان بمقدور المراقبين الأكثر كفاءةً استخلاص معلوماتٍ أوفى من الإشارات ذاتها.

قبل بزوغ الجيل الراهن من نماذج التفكير المنطقي المتعمق، كان المعتاد استخلاص سلاسل التفكير عبر تحفيز النموذج على "التفكير بأسلوب خطوةً بخطوةً". 

يتمايز تسلسل التفكير في نماذج التفكير المنطقي المتعمق الحديثة عبر مسارين جوهريين؛ فمن ناحيةٍ أولى، يجري تدريب هذه النماذج بصفةٍ صريحةٍ على صياغة تسلسل تفكير متكامل يسبق تقديم الإجابة النهائية. وحين يُطلب من نموذج الدردشة التقليدي "التفكير بأسلوب خطوةً بخطوةً"، فإنه يظل مقيدًا بكافة الضوابط المفروضة عليه، كأن يكون نافعًا وغير ضارٍ وما شابه ذلك. وعلى النقيض من ذلك، فإن عمليات التدريب القائمة على التعلم بالتعزيز ترشد نموذج التفكير المنطقي المتعمق إلى أن تسلسل التفكير يمثل مساحةً خاصةً تتيح له حرية التفكّر دون خشية العقاب، تمامًا كما يملك الإنسان حيزًا خاصًا لتأملاته الشخصية دون أن يُحاسب على ما قد يُوصف بـ "جرائم التفكير". 

ومن الناحية الأخرى، تسعى عمليات التدريب بصفةٍ فعالةٍ إلى استكشاف سلاسل التفكير الأكثر نفعًا من الناحية العملية للوكيل، لتمكينه من صياغة إجابةٍ نهائيةٍ تحظى بمكافأةٍ عاليةٍ؛ وبناءً على ذلك، لا يقتصر تسلسل التفكير على كونه مساحةً تمنح النموذج حرية التعبير فحسب، بل إنه يغدو المستودع الحقيقي للتأملات المنطقية الذي يعين النموذج على بلوغ إجابته النهائية بدقةٍ وإحكامٍ.

نعكف على تصنيف تقييمات قابلية التتبّع لدينا ضمن ثلاثة أنواعٍ متميزةٍ، حيث يرتكز كل صنفٍ منها على آليةٍ مغايرةٍ بغرض قياس مستويات التتبّع وتحديد كفاءتها.

1. تقييمات التدخلات، التي استلهمناها من أعمال Chen et al. 2025⁠(يفتح في نافذة جديدة) وChua et al. 2025⁠(يفتح في نافذة جديدة) وTurpin et al. 2023⁠(يفتح في نافذة جديدة)، نُحدث تغييرًا مضبوطًا في البيئة المحيطة بالوكيل لنرى مدى قدرة نظام التتبّع على رصد مبررات تحول السلوك عبر البحث عن مؤشرات للتدخل في تسلسل التفكير. وتتميز هذه التقييمات عن غيرها من أدوات التقييم التقليدية (مثل Shade-Arena⁠(يفتح في نافذة جديدة))بأنها تمكننا من فحص وعي المراقب بأسباب تغير السلوكيات، عِوضًا عن الاكتفاء بملاحظة حدوث التصرف كفعل مجرد فقط. 
2. تقييمات العمليات التي تصب جلّ اهتمامها على المهام التي تنحصر حلولها ضمن مساراتٍ محددةٍ وقابلةٍ للحصر؛ ومثال ذلك المسائل الرياضية التي تقتضي الاستناد إلى نظرياتٍ بعينها دون سواها. وحيث يقوم الخبراء البشريون بحصر تلك المسارات بصفةٍ دقيقةٍ، فإننا نختبر مدى قدرة المراقب على رصد الخطوات التي سلكها النموذج فعليًا. وتتيح لنا هذه المنهجية الربط بين أداء النموذج الفعلي وبين الخطوات المنهجية المفترض اتخاذها، لنخلص في النهاية إلى تحديد مدى قابلية تلك الخطوات للتبّع.
3. تقييمات خصائص النتائج التي تنطبق في الحالات التي تتيح لنا قياس سمةٍ معينةٍ من نتائج النموذج بصفةٍ موثوقةٍ؛ إذ ينصب تركيزنا هنا على اختبار مدى قدرة المراقب على التنبؤ بتلك السمة، كظاهرة التلاعب بنظام المكافآت مثلًا، عبر تحليل التفكير المنطقي المتعمق للنموذج أو تتبع مسار أفعاله. فعلى سبيل المثال، حينما نكون بصدد مهمةٍ برمجيةٍ، قد نمتلك آليةً رصينةً لتقييم ما إذا كان النموذج يتخذ إجراءات تقنيةً لاختراق إشارات المكافأة، وعندئذٍ نبحث عما إذا كان المراقب قادرًا على استشفاف دليلٍ يثبت وجود نيةٍ مسبقةٍ لهذا الاختراق ضمن تفكير النموذج أو سلسلة إجراءاته المتخذة.

نوفر فيما يلي هيكلًا تصنيفيًّا لتقييماتنا. ولمعرفة تفاصيل أكثر، يمكنكم مراجعة البحث كاملاً للاطلاع على شرح وافٍ لكل عملية تقييم على حدة.

يفترض في اعتبار تسلسل التفكير بأنه مساحة عملٍ خاصةٍ، وتدريب النماذج على توظيفها لإنجاز المهام بفاعليةٍ، أن يفضي ذلك إلى جعل تلك السلاسل قابلةً للتتبّع والقياس من حيث المبدأ. بيد أنه في الوقت ذاته، تبرز مسوغاتٌ عدةٌ تشير إلى أن تقنيات التعلم بالتعزيز قد تؤدي، على نحوٍ منطقيٍ، إلى تقويض مستويات الشفافية في تسلسل التفكير وإلحاق الضرر بقابليتها للتتبّع.

تبرز عدة عوامل تضعف التتبّع؛ أولها القيود على مدة الاستنتاج كحصر زمن التفكير أو حجم الرموز، مما يشجع النماذج على اختصار عملياتها الذهنية. وثانيها الضغوط غير المباشرة التي قد تقلص إمكانية التتبّع حتى في غياب التحسين المباشر لتسلسل التفكير؛ إذ قد تكتشف النماذج، على سبيل المثال⁠(يفتح في نافذة جديدة)، أن بلوغ النتائج المثالية يكون أيسر بتفادي مسارات التفكير المرتبطة بنتائج سلبية حتمًا. وختامًا، يمكن أن تتراجع إمكانية التتبّع بسبب "انحراف عشوائي" تسببه التداخلات في خوارزميات التعلم بالتعزيز.

نعكف فيما يلي على دراسة التحولات التي تطرأ على إمكانية التتبّع خلال جولتين من أبرز جولات تدريب التعلم بالتعزيز التي أجرتها OpenAI؛ وبالرغم من أن هذه النتائج لا تمثل سوى نقطتي بياناتٍ فحسب، إلا أنها تشير بوضوحٍ إلى أن تحسين التعلم بالتعزيز وفق المقاييس الراهنة لا يلحق ضررًا جوهريًا بقدرة تتبّع تسلسل التفكير، بل يسهم في تعزيز إمكانية تتبّع الخطوات المبكرة. ومع ذلك، لا ينفي هذا الاحتمال القائم بأن تؤدي مقاييس التعلم بالتعزيز الأكثر توسعًا إلى إحداث تأثيرٍ سلبيٍ على مستويات الشفافية وإمكانية التتبّع في المستقبل.

يُعزى قسطٌ وافرٌ من ذكاء أنظمة الذكاء الاصطناعي الراهنة إلى التوسع المستمر في نطاق التدريب الأولي؛ إذ شهدت معلمات النماذج وضخامة مجموعات البيانات نموًا مطردًا منذ انطلاقة نماذج GPT الأولى. ويؤدي تنامي عدد المعلمات إلى استهلاك قدرٍ أكبرَ من حوسبة الاستدلال لكل رمز يُجرى إنشاؤه، مما يهيئ، في حالة نماذج التفكير المنطقي المتعمق، فرصةً أوسعَ لنشوء الإدراك الذاتي للنموذج ضمن مستويات التفعيل الباطنية عوضًا عن ظهوره صراحةً في تسلسل التفكير. وبناءً على ذلك، ثمة توقعاتٌ بأن تغدو النماذج الأضخم حجمًا أقل إمكانية للتتبّع والقياس عند ثبات مستوى القدرة. 

في الوقت ذاته، قد تكون النماذج الأصغر أقل قدرة على استخدام تسلسل التفكير بفعالية، مما قد يؤثر أيضًا على إمكانية التتبّع.

وللتقصي عن طبيعة العلاقة القائمة بين حجم التدريب الأولي والقدرة الكلية وإمكانية التتبّع، عمدنا إلى تدريب ثلةٍ من النماذج ضمن نطاقين مختلفين من سعة الحوسبة المخصصة للتدريب المسبق، مع إحداث زيادةٍ ملموسةٍ في أبعاد العمق والعرض التقني؛ ومن ثم، أخضعنا تلك النماذج لعمليات التعلم بالتعزيز باستخدام قاعدة بياناتٍ موحدةٍ تشمل مهامَ متنوعةً في مجالات الرياضيات والعلوم والبرمجة. وقد قيّمنا أداء كل نموذجٍ عبر مستوياتٍ متباينةٍ من جهود الاستدلال، لنخلص إلى إجراء مقارنةٍ دقيقةٍ لمستويات إمكانية التتبّع عند رصد نقاط القدرة المتماثلة بين تلك النماذج.

نخلص بصفةٍ عامةٍ إلى أنه في حال تقرر تشغيل نموذجٍ معينٍ بجهد تفكير منطقي منخفضٍ، فإن الخيار البديل يكمن في توظيف نموذجٍ أصغرَ حجمًا مع منحه جهد تفكير منطقي أعلى. وبالمقارنة مع استنزاف موارد حوسبةٍ إضافيةٍ لزيادة جهد التفكير المنطقي في النموذج الضخم الأصلي، بمقدورنا بلوغ مستوياتٍ أرفع من المراقبة لقاء تكلفةٍ يسيرةٍ في القدرة، وهو ما اصطلحنا على تسميته "بضريبة المراقبة". ومع ذلك، قد يظل الوقت الزمني المستغرق لإتمام العمليات عاملًا مؤثرًا في بعض قرارات التشغيل، وهو ما لم يدخل ضمن نطاق اعتبارنا في هذه الدراسة. ومع ارتقاء كفاءة نماذجنا واستخدامها في سياقاتٍ حرجةٍ تتطلب دقةً فائقةً، قد يغدو دفع هذه الضريبة أمرًا حتميًا لضمان نشر الأنظمة وتشغيلها بأمانٍ تامٍ.

تنطوي هذه النتائج على جملةٍ من القيود المنهجية، نوجزها في الآتي: (1) جرى تدريب كل نموذجٍ لمرةٍ واحدةٍ فحسب، ومن ثم فإننا لم نقم بحساب التباين المحتمل عبر عمليات تدريبٍ متعددةٍ؛ ولعل هذا يفسر ظهور «النموذج المتوسط» بصفةٍ غير متوافقةٍ مع مسار إمكانية التتبّع السائد في بقية نماذج السلسلة. (2) اقتصر تقييمنا للقدرات على سياقاتٍ محددةٍ وقريبةٍ من نطاق التوزيع المعتاد (كالرياضيات والعلوم والبرمجة)، ومن المحتمل أن تشهد معادلات المقايضة والنتائج تبدلًا ملحوظًا عند اختبار متانة الأداء في سياقاتٍ تقع خارج نطاق هذا التوزيع.

مع ارتقاء أنظمة الذكاء الاصطناعي إلى مستويات أداءٍ تتجاوز القدرات البشرية، تزداد تحديات الإشراف البشري المباشر تعقيدًا. ومن الناحية المثالية، يتحتم علينا تطوير آليات تحكمٍ قابلةٍ للتوسع تمنح المراقبين الموثوقين، وإن كانوا أقل قوةً، القدرة على الإشراف الفعال على وكلاء أكثر قوةً وذكاءً، رغم احتمالية كونهم غير موثوقين تمامًا. ويجب أن تتسم هذه الآليات بالمرونة الكافية لاستيعاب قدرٍ أكبرَ من الحوسبة أثناء مراحل الاختبار، مما يكفل صياغة تنبؤاتٍ أكثر دقةً وإحكامًا بشأن سلوك هذه الأنظمة.

غالباً ما يُنظر إلى تتبّع تسلسل التفكير بوصفه قيمةً ثابتةً؛ فبمجرد أن يُنتج النموذج استجابةً عند جهد تفكيرٍ محددٍ، يجري رصد تسلسل التفكير الناتج بالأسلوب الأفضل المتاح. وحيث استبان لنا بصفةٍ مستمرةٍ أن إمكانية التتبّع ترتقي طرديًا مع زيادة جهد التفكير المنطقي لدى وكلائنا، فقد دفعنا ذلك إلى التساؤل عما إذا كان بمقدورنا، بوسيلةٍ ما، استخلاص قدرٍ أكبرَ من الرموز لتعزيز فاعلية عملية التتبّع وتعميقها.

بغرض استكشاف آفاق هذه الفكرة، شرعنا في تجربة طرح أسئلة استقصائيةٍ لاحقةٍ بعد تقديم النموذج لإجابته، مع الإبقاء على سياق الطلب الأصلي وتسلسل التفكير والإجابة الأولى دون تغيير. وتتمحور هذه الأسئلة حول السمة الخاضعة للتتبّع بصفةٍ دقيقةٍ؛ ومثال ذلك أن نسأل النموذج: «هل استندت إلى التلميح بأسلوبٍ جوهريٍ عند اختيار إجابتك؟» أو «هل بدر منك أي سلوكٍ يثير الريبة؟». ومن الناحية المبدئية، وحيث إن النموذج يظل محتفظًا بالقدرة على الوصول إلى تفكيره السابق، فقد ينجح في استحضار أفكارٍ وتأملاتٍ لم يفصح عنها صراحةً في تسلسل التفكير الأصلي أو خلال استجابته الأولية.

تظل هذه النتائج ذات طابعٍ مبدئيٍ؛ إذ اقتصر استكشافنا على عددٍ محدودٍ من صيغ الأسئلة الاستقصائية، ونرى بوضوحٍ أن ثمة مجالًا رحبًا لتطوير هذه المنهجية وتحسين أدواتها. علاوةً على ذلك، فإن هذا الأسلوب يتماثل في جوهره مع مفهوم اعترافات النموذج⁠، ونحن نعكف بنشاطٍ في الوقت الراهن على إجراء مقارناتٍ رصينةٍ بين مختلف الأساليب المتاحة.

إلى جانب دور هذا النهج في ترقية مستويات الشفافية، فإنه يكتسب جاذبيةً خاصةً نظرًا لإمكانية تطبيقه بأثرٍ رجعيٍ؛ إذ لا يترتب عليه تحمل تكاليفَ حوسبيةٍ إضافيةٍ إلا في الحالات التي تستدعي إجراء فحصٍ أكثرَ عمقًا وتحليلًا. وبالاستشراف لآفاق المستقبل، نجد أنه في حال جرى تدريب النماذج على توقع تبدلات جهد التفكير المنطقي أثناء سياق المحادثة، فإن عمليات المتابعة اللاحقة بجهد تفكير منطقي مكثفٍ قد تفضي إلى تعزيز إمكانية التتبّع، حتى في الحالات التي يكون فيها جهد التفكير المنطقي الأولي ضئيلًا أو منعدمًا.

يعمل كل تقييمٍ ضمن مجموعتنا البحثية على قياس مدى إمكانية رصد جانبٍ واحدٍ من جوانب عملية التفكير؛ وفي حين نبذل جهودًا حثيثةً لتغطية طيفٍ واسعٍ من السلوكيات، بما يشمل التملق، والتقليل المتعمد من مستوى الأداء، والتحيز، والمكائد التقنية، وصولًا إلى التلاعب بنظام المكافآت، إلا أن ثمة خصائصَ إضافيةً عديدةً لا تزال في طور الانتظار ولم تخضع للاختبار والتمحيص بعد.

كما هو الحال مع أي معيار قياسي، قد تفتقر تقييماتنا لبعض جوانب الواقعية أو تواجه تحدي الوعي بالاختبار، مما قد يحول دون تعميم هذه النتائج بصفةٍ مطلقةٍ عند محاولة رصد السلوكيات المنحرفة في البيئات الواقعية المعقدة. 

ختامًا، مع ارتقاء مستويات التوافق التقني، قد تنحسر حالات السلوك المنحرف للنماذج ضمن بيئات التقييم الخاضعة للسيطرة، الأمر الذي يؤدي إلى شح الإشارات المتاحة لمراقبة وتقييم آليات التحكم التي تعتمد أساسًا على رصد التجاوزات السلوكية. وفي مثل هذه الظروف، تظل تقييمات إمكانية التتبّع «المحايدة» محتفظةً بقابليتها للتطبيق، وإن كان التساؤل يظل قائمًا حول مدى نجاعة هذه التقييمات وقدرتها على التنبؤ بالإخفاقات المحتملة في معترك العالم الواقعي.

في حال تعذر الوصول إلى حلٍ ناجعٍ وشاملٍ لمعضلة المواءمة، ستغدو منهجيات التحكم القابلة للتوسع ركيزةً ذات أهميةٍ بالغةٍ لضمان قدرتنا على نشر النماذج فائقة القدرة بصفةٍ آمنةٍ. ولعل مراقبة تسلسل التفكير والأساليب المقترنة بها تمثل إحدى آليات السيطرة القليلة المتاحة بين أيدينا في الوقت الراهن؛ إذ يتجاوز دور تسلسل التفكير مجرد الرقابة ليمتد إلى تقديم فوائدَ جمةً في فهم كوامن نماذجنا بصفةٍ أعمقَ. فعلى سبيل المثال، تتيح لنا هذه الآليات استشفاف ما إذا كانت النماذج تدرك وجودها ضمن مرحلة تقييمٍ فتسلك سلوكًا مغايرًا لما ستمارسه فعليًا عند النشر، أو رصد أدلةٍ تثبت وجود أهدافٍ سلبيةٍ مضمرةٍ لم تتبدَّ بعد في اختباراتنا المعتادة. وبناءً على ذلك، نرى أنه من الأهمية بمكانٍ أن نعكف على فهم الكيفية والتوقيت اللذين قد نفقد فيهما إمكانية التتبّع.

نخلص إلى أن تتبّع تسلسل التفكير يُعد عنصرًا مكملًا لمساعي التفسير الآلي، ولا يمكن بحالٍ من الأحوال اعتبارها بديلًا عنه. فكما هو الشأن في كافة منهجيات التحكم وقابلية التفسير المعهودة، يمتلك كل أسلوبٍ قيودًا ذاتيةً ونقاط ضعفٍ لا يمكن تجاهلها. ومن ثم، فإننا نتوقع أن الجمع بين أساليبَ متنوعةٍ، وفق "استراتيجية الدفاع في العمق"، سيسهم بفاعليةٍ في سد الثغرات التي قد يتركها أي نهجٍ منفردٍ مكشوفًا أمام التحديات التقنية. ومن الجدير بالذكر أن التقييمات الواردة في هذا البحث يمكن توظيفها كذلك كأدواتٍ معياريةٍ لتقييم ومقارنة تقنيات المراقبة التي تستند إلى الفهم الميكانيكي الدقيق للنماذج.

وانطلاقًا من إيماننا الراسخ بأن تتبّع تسلسل التفكير يمثل طبقةً محوريةً ضمن منظومة تحكمٍ قابلةٍ للتوسع، فقد وضعنا خطةً طموحةً لتوسيع نطاق هذه التقييمات وتطوير مداها؛ وذلك بغرض اتخاذها مرجعًا أساسيًا لتوجيه قرارات النمذجة ومنهجيات التعامل مع البيانات في المستقبل.