في عالم قواعد البيانات، تُعتبر الرسوم البيانية لعلاقات الكيانات (ERDiagrams) أداة أساسية لتصميم المفاهيم. ومع ذلك، كانت هذه الرسوم البيانية متاحة عادةً كمخططات مرئية بدلاً من أن تكون قابلة للقراءة من قبل الآلات، مما يحد من إمكانية استخدام الذكاء الاصطناعي (AI) في هندسة قواعد البيانات.

من هنا، ظهرت ERUnderstand، كأول معيار على نطاق واسع لفهم الرسوم البيانية لعلاقات الكيانات بشكل هيكلي. يحتوي هذا المعايير الجديد على 2,960 رسمًا بيانيًا تم جمعها من مصادر تعليمية موثوقة، وهياكل حقيقية، وأمثلة تم إنشاؤها صناعيًا، تغطي مجالات متنوعة ودرجات تعقيد مختلفة.

يتزامن كل رسم بياني مع تمثيل قابل للقراءة بواسطة الآلات، مما يساعد في تقييم عناصر الهيكل بطريقة دقيقة. أظهرت الأبحاث أن قدرة نماذج الرؤية-اللغة (Vision-Language Models - VLMs) على استرجاع العناصر الشائعة في الرسوم البيانية لعلاقات الكيانات قوية (F1 > 0.74). لكن الأداء ينخفض بشكل حاد عندما يتعلق الأمر بالعناصر الضعيفة (كما هو الحال مع F1 يصل إلى 0.28) والسمات المتعددة القيم (F1 يصل إلى 0.14) والعلاقات N-ary (F1 يصل إلى 0.07).

ومع ذلك، يُظهر استخدام النماذج المعززة بالتفكير (Reasoning-augmented models) تحسنًا في الأداء العام بنسبة تتراوح بين 15% و 25%. لكن هذه النماذج لا تزال حساسة جدًا للمسبقات اللغوية وتزداد تعقيدًا مع ارتفاع مستوى تعقيد الرسم البياني.

تتيح ERUnderstand معيارًا موحدًا لتقييم الفهم متعدد الأبعاد للأنماط المفاهيمية لقواعد البيانات. يمكن الوصول إلى المعيار، مجموعة البيانات، أداة التقييم، وكود التوليد بشكل عام من خلال الموقع الرسمي لمشروع ERUnderstand.