تتزايد أهمية أدوات تحليل البيانات المستندة إلى نماذج اللغات الضخمة (Large Language Models) بشكل كبير، حيث تساعد المستخدمين في استكشاف وفهم الجداول والملفات المعقدة. لكن ما يكمن وراء هذه الفائدة هو خطوة حيوية غالبًا ما يتم تجاهلها: استكشاف البيانات.

استكشاف البيانات ليس مجرد خطوة إضافية، بل هو عنصر أساسي في عملية التحليل. يتطلب ذلك التعرف على الجداول المنطقية المترابطة داخل الورقة، وتفسير دلالات الأعمدة، واكتشاف المفاتيح والعلاقات، بالإضافة إلى اكتشاف المشكلات المتعلقة بجودة البيانات.

في العديد من الأدوات والمعايير الحالية، تُعتبر هذه الخطوة ضمنيًا، مما يخلق فجوة كبيرة بين أداء التحليل والقدرات اللازمة لفهم البيانات بشكل موثوق. لذا، يقوم الباحثون بتسليط الضوء على هذه الفجوة، ويقترحون أن يتم جعل استكشاف البيانات هدفًا أوليًا للتقييم.

لقد طُورت مقياسان لتقييم فهم البيانات مباشرة، يرتكبان على مجموعة بيانات لدراسة فيتامين (د). يقوم النظام في كل مقياس بتقييم جودة النص الهيكلي الذي يلتقط الجداول والأعمدة والأدوار الدلالية والعلاقات، مما يساعد على إظهار كيف أن النماذج القوية لا تزال تفتقد للأبعاد الهيكلية المهمة.

علاوة على ذلك، تظهر البيانات أن دعم استكشاف البيانات بشكل واضح غالباً ما يحسن من دقة النتائج اللاحقة، مما يشير إلى ضرورة إعادة تقييم مكانة استكشاف البيانات كمرحلة أساسية وقابلة للفحص ضمن سير العمل الخاص بتحليل البيانات.