تناقش الورقة الاعتماد المتزايد على نماذج اللغة الكبيرة (LLMs) لتقييم أنظمة استرجاع المعلومات (IR)، التي كانت تقيم تقليديًا بواسطة قضاة بشريين. بينما تشير الدراسات التجريبية إلى أن تقييمات LLM غالبًا ما تتماشى مع الأحكام البشرية، تثار مخاوف بشأن موثوقية وصلاحية هذه التقييمات. يحذر المؤلفون من أنه مع دمج تقييمات LLM التي تم إنشاؤها في تطوير…