طرحت دراسة جديدة قضايا مثيرة تتعلق بتقنيات الذكاء الاصطناعي، حيث تُظهر كيف تؤثر بنية البيانات الشجرية (Tree-Structured Data) على أداء نماذج اللغة (Language Models) في عمليات التواصل. تناول الباحثون في هذه الدراسة نوعًا جديدًا من البروتوكول الذي يساعد في فهم كيفية تحويل النماذج للبيانات المركبة الشجرية إلى لغة طبيعية.

من خلال استطلاع تجريبي، قام الباحثون بتقييم 16 نموذجًا مختلفًا، وتوصلوا إلى مصفوفة اتصالات تظهر تباينًا واضحًا بين جودة التوليد وجودة الاستخراج. وجدت الدراسة ثلاثة نتائج رئيسية مثيرة، أولها أن القناة تعاني من فقد عكسي وفقد تناسق، حيث يمكن أن يؤثر تبادل الأدوار بين النموذج الذي يقوم بالتوليد والذي يقوم بالاستخراج بشكل كبير على دقة النتائج، مما يصل إلى 60.4 نقطة.

النقطة الثانية تشير إلى أن حوالي 73.6٪ من حالات الفشل تعود إلى عملية التوليد، مما يوحي بأن التعقيد مرتبط ببنية الشجرة نفسها. وأيضًا، فإنه من الممكن تدريب القناة على تحسين نتائجها: فزيادة تدريب النموذج بمثال واحد يؤدي إلى تحسين كبير في الأداء.

بشكل عام، تكشف تلك النتائج كيف تُعد التعبيرات الشجرية في النماذج عاملاً رئيسيًا في تحديد جودة نقل المعلومات الهيكلية عبر اللغة الطبيعية. توضح هذه الدراسة أهمية الفهم العميق لكيفية تفاعل نماذج اللغة ومعالجة البيانات، مما قد يقدم فرصًا جديدة لتطوير خوارزميات أكثر كفاءة.