في العالم المتسارع للذكاء الاصطناعي، يظلل فهم الكيانات (entities) مجال تطوير أنظمة البحث العميق (deep search) بشكل كبير. وكشفت دراسة حديثة عن إمكانية الاستفادة من المعرفة الشخصية للمعلمين كوسيلة لتعزيز فعالية نماذج البحث.

تتركز الفكرة الأساسية على أن المعلمين ذوي الدراية بالكيانات الأساسية في الرسوم البيانية المتعلقة يمكن أن يفسروا أسئلة معقدة بسهولة أكبر، مما يؤدي إلى ضعف الإشراف عند مقارنة ذلك مع نماذج بحث أقل خبرة. وهنا تأتي أهمية مفهوم "صعوبة السؤال المتعلقة بالمعلم" (teacher-relative difficulty) التي تحلل كيف تؤثر المعرفة بالكيانات على نتائج البحث.

لتقييم هذه المعرفة، تم تقديم مفهوم "الإلمام بالكيانات المدعوم بالأدلة" (Evidence-Verified Entity Familiarity - EVF)، الذي يقيم مدى دراية المعلم من خلال التحقق من المعلومات عبر الإنترنت. أظهرت النتائج أن EVF مرتبط بشكل كبير بصعوبة السؤال المرتبطة بالمعلم، ولكن تكلفته العالية تجعل استخدامه غير عملي على نطاق واسع.

تم تقديم الحل البديل وهو "الإلمام بالكيانات المستند إلى التقارير الذاتية" (Self-Reported Entity Familiarity - SEF)، الذي يقوم ببساطة بسؤال المعلم عن معرفته بالكيان قبل إضافته إلى الرسم البياني. أظهرت التجارب أن البيانات من نماذج SEF تؤدي إلى زيادة الطلب على البحث ودقة أعلى في النتائج، مستفيدة أيضًا من إعادة استخدام الرسوم البيانية التي تم جمعها لمعلمين آخرين.

بفضل هذه التطورات، تمكن نموذج Qwen3.8-27B من تحقيق زيادة ملحوظة في الدقة، مما جعله يتصدر قائمة الأداء العالمي لنماذج بحجم مشابه. وبذلك، يقدم SEF طريقة ذات تكلفة منخفضة لتحسين إشراف أنظمة البحث العميق بطرق مبتكرة.