في عالم الطب الحيوي، يتطلب الإجابة عن الأسئلة ليس فقط استخراجًا دقيقًا للمعلومات من الأدبيات العلمية، بل أيضًا تكاملًا موثوقًا للأدلة عبر مستندات متعددة. في هذه الدراسة الرائدة، تم تقديم إطار عمل خاص بنوع السؤال باستخدام نماذج لغوية كبيرة (Large Language Models) لتحسين متانة الإجابات وموثوقية الأدلة في الأسئلة الطبية الحيوية.

يفترض هذا الإطار عدم اعتماد استراتيجية واحدة عند طرح الأسئلة، بل يقوم باختيار إجراءات استدلال مختلفة تعتمد على نوع السؤال. بالنسبة للأسئلة ذات الإجابة بنعم أو لا، يتم استخدام تقنيات مثل تبديل المقاطع (Snippet Shuffling) والتفكير الذاتي (Self-Reflection) لتقليل الحساسية لترتيب الأدلة وتعزيز استقرار اتخاذ القرار. أما في سياق الأسئلة الواقعية (Factoid)، يتم دمج المدخلات الكاملة مع التعلم السياقي القائم على سلسلة الأفكار لضمان تحديد الكيانات الطبية بدقة.

لأسئلة القوائم، يتم استخدام بنية متعددة الوكلاء (Multi-agent Architecture) حيث تتعاون الفرق لاستخراج الأدلة وتوليد المرشحين والتحقق من الإجابات والتجميع النهائي. التجارب الأولية على BioASQ 13b استخدمت لتحديد استراتيجيات الاستدلال الفعالة لكل نوع من الأسئلة، وتم تقييم الإطار لاحقًا في تحدي BioASQ 14b.

النتائج كانت مثيرة للإعجاب؛ حيث أظهر الإطار أداءً تنافسيًا في العديد من الدفعات، وحقق المركز الأول في الجزء المخصص للأسئلة الواقعية في الدفعة الرابعة. تشير هذه النتائج إلى فعالية الجمع بين استدلالات نوع السؤال، والتوقع الجماعي (Ensemble Prediction)، والتحقق القائم على الوكلاء لدعم الإجابة الموثوقة في مجال الأسئلة الطبية الحيوية.