في عالم الذكاء الاصطناعي، تؤدي الطفرات في نماذج اللغة الضخمة المخصصة للفيديو (Video Large Language Models) إلى تحسينات ملحوظة في كيفية الإجابة على الأسئلة المتعلقة بالفيديو (Video Question Answering أو VideoQA). ومع ذلك، يبرز تحدٍ كبير يتمثل في عدم الربط الجيد بين صحة الإجابات والأدلة الزمنية المرتبطة بها.

هذا الفهم ينطلق من الحاجة الملحة لإنشاء معيار جديد، وهو معيار EG-VQA، الذي يهدف إلى سد هذه الفجوة. يعكس هذا النظام الجديد إطار تقييم مفتوح يتيح لكل مجموعة أسئلة وإجابات أن تكون موضوعة مع أدلة زمنية تدعمها، مما يتطلب استدلالاً مشتركًا وتحديداً دقيقاً للأدلة.

يتكون EG-VQA من 2,067 فيديو و11,838 زوج من الأسئلة والإجابات، يليها التعليقات الدقيقة للأدلة، وهو ما يجعل منه قاعدة بيانات غنية للتعرف وتحليل الأدلة.

لقياس فعالية الأدلة المستندة، تم تقديم قياس جديد يسمى Evidence-Grounded F1 (EG-F1) والذي يأخذ في الاعتبار توافق الزمن والاتساق الدلالي مع الحقائق. تشير التجارب إلى أن النماذج القوية، حتى تلك المملوكة، تواجه صعوبة في الربط الدقيق بين الإجابات والأدلة، مما يكشف عن الفجوة الكبيرة التي تحتاج إلى معالجة.

لملء هذه الفجوة، تم اقتراح نموذج EG-Reasoner، الذي يشدد على فهم الأدلة بدقة والتعلم تحت إشراف واضح. النماذج التي تم تطويرها باستخدام هذا الأسلوب حققت أداءً مذهلاً مقارنةً بالنماذج المفتوحة، بينما أظهرت نتائج تنافسية أمام الأنظمة المملوكة. يُظهر هذا البحث أن مجرد زيادة الحجم ليس هو الحل لمشكلة الفهم العميق للفيديو، بل إن الإشراف المنظم على الأدلة يلعب دورًا حاسماً في تطوير أنظمة VideoQA أكثر موثوقية ووضوحاً.