في عصر يتزايد فيه انتشار المعلومات المضللة، تظهر حاجة ملحة إلى أنظمة دقيقة وموثوقة للتحقق من الحقائق. تقدم ورقة بحثية جديدة منهجية هجينة مبتكرة تدمج بين ذاكرة قائمة على رسومات المعرفة (Knowledge Graph) وعقلية متعددة العملاء (Multi-Agent) لمواجهة هذه التحديات.

يستند هذا النظام الفريد إلى هيكلية "ذاكرة أولاً"، حيث يتم تقييم الادعاءات المدخلة في البداية باستخدام رسومات المعرفة المزدوجة من خلال استرجاع دلالي يعتمد على Sentence-BERT واستنتاج اللغة الطبيعية (Natural Language Inference). عندما تكون الأدلة المسترجعة غير كافية لدعم قرار موثوق، يقوم النظام بجمع المعلومات من مصادر ويب موثوقة، ويقيّمها عبر لجنة تحكيم مكونة من وكلاء دعم ورفض وتحكيم.

آلية الثقة المستندة إلى الرسوم البيانية تكامل بين التشابه الدلالي وثقة NLI وأدلة الرسوم البيانية الهيكلية، لتحديد ما إذا كانت المعرفة الداخلية كافية أم لا، مما يقلل من الحاجة إلى الاسترجاع غير الضروري من الويب. بعد التحقق، يتم تحويل المعلومات الموثوقة إلى ثلاثيات منظمة وإدراجها في رسومات المعرفة، مما يدعم توسيع ذاكرة نظام السيمانتك ببطء.

أظهرت التجارب على معيار معلومات مضللة خاص بـ COVID-19 أن الإطار المقترح حقق دقة تصل إلى 97.4% ونقاط F1 المعدلة على نطاق واسع تبلغ 92.6% في المطالبات المحلولة، متفوقًا على نموذج Llama~3.3~70B الذي حقق دقة 87.7% ونقاط F1 المعدلة على نطاق واسع تبلغ 86.3%.

إن هذا التطور المهم يعكس اتجاهاً واعداً في مجال تكنولوجيا المعلومات، حيث يعزز من قدرة الأنظمة على مقاومة المعلومات الخاطئة. هل تعتقد أن هذا النظام سيكون له تأثير كبير على مجهودات مكافحة المعلومات المضللة؟ شاركونا آرائكم في التعليقات!