Stanford ve diğer önde gelen üniversitelerden araştırmacılar, büyük dil modellerinin zaman içindeki insan davranış değişimlerini anlama yeteneklerini artıran yenilikçi bir eğitim framework'ü olan LiFT'i (Longitudinal Instruction Fine-Tuning) geliştirdi.
Geleneksel AI modelleri, anlık metin analizi konusunda başarılı olsa da, zaman içinde gelişen olayları takip etme, tarihsel bağlamı yorumlama ve nadir değişim paternlerini tespit etme konularında yetersiz kalıyor. LiFT, bu soruna çok boyutlu bir çözüm getiriyor.
Yeni sistemin temel özelliği, farklı longitudinal modelleme görevlerini tek bir instruction şeması altında birleştirmesi. Bu yaklaşım, modellerin çeşitli zaman dilimlerindeki değişimleri daha sistematik şekilde öğrenmesini sağlıyor. Curriculum öğrenme yöntemiyle temporal zorluk seviyesi kademeli olarak artırılırken, few-shot yapısı ve temporal koşullandırma teknikleri kullanılıyor.
Araştırmacılar, OLMo, LLaMA ve Qwen gibi farklı boyutlardaki modellerle yaptıkları testlerde LiFT'in tutarlı performans iyileştirmeleri sağladığını gösterdi. Beş farklı veri setinde yapılan değerlendirmeler, sistemin farklı temporal granularite seviyelerinde genelleme yeteneğine sahip olduğunu ortaya koydu.
Bu gelişme, sosyal medya analizi, hasta takip sistemleri, politik eğilim analizi ve müşteri davranış tahminleri gibi alanlarda önemli uygulamalara sahip olabilir.