باختصار
تسرّب بيانات الاختبار (Test Leakage) هو أن تدخل بيانات مجموعة التقييم — كلّها أو جزء منها — في تدريب النموذج، فيصبح أداؤه المُقاس مبالَغًا فيه وغير ممثّل للواقع.
بالتفصيل
مبدأ التقييم السليم إن النموذج يُقاس على بيانات ما شافهاش أبدًا. لو شافها، فالرقم بيقيس الحفظ، مش التعميم.
التسرّب بيحصل بطرق كتير، معظمها غير مقصود. أوضحها: تقسيم عشوائي لبيانات فيها صفوف مكرّرة، فينتهي نفس الصفّ في التدريب والاختبار. وفي السلاسل الزمنية: تقسيم عشوائي بدل تقسيم زمني، فيتدرّب النموذج على المستقبل ويُختبر على الماضي.
وفي عصر نماذج الأساس، ظهر شكل أخطر: بيانات مقياس مرجعي شائع بتكون أصلًا جزءًا من كوربوس التدريب الضخم، من غير ما يقصد أحد. النموذج بيبدو متفوّقًا على المقياس لأنه حرفيًا حفظه.
عشان كده صارت لوحات الصدارة الجادّة تفصل الفئات بوضوح. في مقياس GIFT-Eval للسلاسل الزمنية مثلًا، فيه تمييز صريح بين النماذج «بدون أمثلة» (لم ترَ بيانات التقييم) والنماذج «المدرَّبة مسبقًا» اللي مسموح لها تضمّ أجزاء التدريب من مجموعات التقييم في كوربوسها.
الفرق ده بيغيّر قراءة النتائج. IBM ذكرت أن Granite PatchTST-FM-r2 يحتلّ المركز الثاني في فئة النماذج القابلة للتكرار وبدون أمثلة والمُقيَّمة بدون تسرّب اختبار، بمتوسّط هندسي لـCRPS قدره 0.467 وMASE قدره 0.6846. ولمّا تُضاف النماذج «المدرَّبة مسبقًا» للمقارنة، يتراجع ترتيبه إلى الثالث في CRPS والرابع في MASE — نفس النموذج، ترتيب مختلف، لأن قواعد اللعبة اتغيّرت.
ولهذا كمان بقى توثيق كوربوس التدريب مطلبًا مؤسّسيًا، لا ترفًا أكاديميًا.
مثال عملي
عندك 10 آلاف تقييم منتج، فيها 800 مكرّر. قسّمت عشوائيًا 80/20 وحصلت على دقّة 96% — رقم ممتاز. بس المكرّرات اتوزّعت على الجهتين، فالنموذج شاف نسخًا من أمثلة الاختبار أثناء التدريب.
بعد إزالة المكرّرات وإعادة التقسيم، الدقّة بقت 88%. الرقم التاني هو الحقيقي — والفرق 8 نقاط كان وهمًا كامل.
مصطلحات مرتبطة
- Data Leakage — تسرّب البيانات، الفئة الأوسع.
- Benchmark — المقياس المرجعي المتأثّر بالتسرّب.
- Zero-shot Learning — التعلّم بدون أمثلة، الفئة اللي التسرّب بيبطّلها.
المصادر: Hugging Face — 2026-09-09
