في عالم الذكاء الاصطناعي وعلوم البيانات، تبرز الأسئلة الكفاءة (Competency Questions - CQs) كعنصر أساسي في تقييم الأنطولوجيا. هذه الأسئلة تُستخدم لتحديد ما إذا كان الغرض المحدد من الأنطولوجيا قد تم نمذجته بشكل صحيح. لكن وبالرغم من أهميتها، فإن عملية التحقق من تلك الأسئلة غالباً ما تكون مُعقدة، وتأخذ وقتاً طويلاً وتعرض المستخدمين للعديد من الأخطاء.

تتطلب عملية التحقق من الأسئلة الكفاءة تفسيراً دقيقاً للخصائص اللغوية والنحل الدقيقة، بالإضافة إلى توافقها مع البنى الرسمية للأنطولوجيا. لكن هناك العديد من التحديات التي تعترض هذه العملية، مثل الغموض والتعقيد في CQs، ما يزيد من فرص اتخاذ قرارات نمذجة غير متسقة ويؤثر على نتائج التحقق.

في ورقة بحثية جديدة استعرضت هذه الإشكاليات، تم إجراء تجارب شملت 19 مشاركًا تم إعطاؤهم 20 مهمة للتحقق من الأسئلة الكفاءة باستخدام مساعد يعتمد على نموذج لغوي كبير (Large Language Model - LLM) لدعم تقييم الأنطولوجيا. وأسفرت النتائج عن ضرورة وجود أداة تعمل على تحسين صياغة CQs قبل نشرها لتفادي الغموض أو التعقيد المفرط في المراحل التالية من عملية هندسة الأنطولوجيا.

هذه الدراسة تلقي الضوء على التحديات الحقيقية التي تواجه علماء البيانات والباحثين في سعيهم لتحسين النماذج اللغوية وتعزيز جودة قراراتهم عند التعامل مع الأنطولوجيات. هل تعتقد أن مثل هذه الأدوات يمكن أن تكون تحولًا في كيفية تعاملنا مع الفجوات في المعرفة؟ شاركونا آرائكم في التعليقات.