في عالم أبحاث العلوم الذي يتطور بسرعة، تزداد أهمية نماذج اللغة الصغيرة (Small Language Models) كأداة فعالة لتحسين جودة الاستعلامات العلمية. مع قدرتها على تقديم تحكم أفضل في الخصوصية ونشر أكثر استقرارًا مقارنة بنماذج اللغة الكبيرة، بدأ الاهتمام يتزايد حول كيفية استخدامها بشكل فعال.

تقديم نموذج EGT-KG (Evidence-Grounded Typed Knowledge Graph) يعتبر خطوة رائدة في هذا السياق. تم تصميم هذا النموذج كإطار استرجاع لتحسين عمليات الاستعلام في المجالات العلمية الناشئة. حيث يتمثل التحدي في قيود مثل مجموعات الأدبيات الصغيرة، وتجزئة الأدلة، ونوافذ السياق المحدودة، فضلاً عن قدرات التفكير المحدودة للنماذج.

أجرى الباحثون تجارب على ثلاثة إعدادات لاستفسار الأسئلة، شملت تدفق العمل التقليدي Retrieval-Augmented Generation (RAG) واثنين من تدفقات EGT-KG: أحدها بخطة علاقات مولدة تلقائياً والأخرى بخطة علاقات معرفية مخصصة من قبل خبراء. وُجد أن نموذج EGT-KG يتفوق على الطريقة التقليدية RAG في معظم الإعدادات، حيث حقق أداءً متميزًا باستخدام نموذج llama3:8b، مع ارتفاع في الدرجات يصل إلى 70.37 (+14.67%) و68.82 (+12.14%) باستخدام نسخ EGT-KG المختلفة.

تعتبر هذه النتائج مشجعة لأهمية تطوير أساليب جديدة في استرجاع المعلومات، مما يفتح آفاقًا جديدة لإجراء أبحاث أكثر دقة وموثوقية في المستقبل. هل تعتقد أن نماذج اللغة الصغيرة ستغير صناعة البحث العلمي؟ شاركونا آراءكم في التعليقات!