في عالم البحث العلمي، تعتبر التحاليل الشاملة (Meta-analysis) من الأدوات الحيوية التي تساعد الباحثين في تجميع المعلومات من مصادر متعددة للوصول إلى استنتاجات أوسع. وهذا الأمر مهم بشكل خاص في أبحاث الزراعة، حيث هناك حاجة متزايدة لتحليل الاتجاهات العامة وتطوير فهارس تساعد في تحسين إنتاجية المحاصيل. لكن استخراج البيانات من الأدبيات المنشورة هو عملية تأخذ وقتًا طويلاً وتتطلب جهدًا كبيرًا، وغالبًا ما تتعثر بسبب عدم وجود معايير موحدة في تصميم البحث ووحدات القياس والمصطلحات.

تظهر هذه الدراسة أهمية أتمتة عملية استخراج البيانات باستخدام نماذج لغوية ضخمة (Large Language Models)، حيث تناولت البحث في أنواع مختلفة من ممارسات الزراعة، بما في ذلك الأنظمة المختلطة (Intercropping). قام الباحثون بتقييم ثلاثة أساليب تعتمد على اللغات الكبيرة لاستخراج البيانات من الأدبيات المتعلقة بالزراعة المختلطة، وهي: تحسين توجيه متقدم دون أعمدة (direct zero-shot prompting) وعمليات عمل مرتبة (staged workflow) ونظم متعددة الوكالات (multi-agent system)، وذلك من خلال ستة نماذج متاحة للعامة.

أظهرت النتائج أن طريقة تحسين التوجيه المباشر كانت الأكثر قوة، حيث حققت أعلى معدل تشابه معدل F1 بمعدل 0.577، على الرغم من أن أيًا من الطرق لم يصل إلى دقة كاملة. وأظهرت التحاليل المساقة أن معظم نماذج الأجهزة تُعيد اكتشاف اتجاه العلاقة بين المتغيرات، ولكنها لا قدّروا مقدارها بدقة.

تفتح هذه النتائج آفاقًا جديدة لاستخدام الذكاء الاصطناعي في الأبحاث الزراعية وتبرز أهمية الأتمتة لتحسين الكفاءة وتحسين دقة التحليلات المستقبلية. فما رأيكم في استخدام الذكاء الاصطناعي لتحسين أبحاث الزراعات المختلطة؟ شاركونا في التعليقات!