في عالم النماذج اللغوية الكبيرة (Large Language Models) التي تميزت بإمكانياتها العالية في معالجة اللغات الطبيعية، تبرز تحديات كبيرة في مجال المنطق الرسمي. فقد أثبتت الأبحاث أن هذه النماذج غالبًا ما تتأثر بالمحتوى الجانبي، مما يؤدي إلى انحياز واضح يستند إلى جدوى الاقتراحات الحقيقية.

وفي إطار تحدي SemEval-2026، قدم فريق HABIB_TAZ نظامًا مبتكرًا يهدف إلى تقييم قدرة النماذج على فصل المنطق الرسمي عن المحتوى عبر 12 لغة مختلفة. تم استخدام شبكة mDeBERTa-v3 التي تم تعديلها بدقة على مجموعة بيانات مصممة على أساس القواعد الخاصة بمخططات السيلوجيزم، لتفادي الضوضاء الدلالية الناتجة عن بيانات مُعززة بالنماذج اللغوية.

للتغلب على التحديات، طورت العملية التدريبية وظيفة خسارة متعددة الأهداف تجمع بين تحسين التوزيع القابل للتكيف (Adaptive Group Distributionally Robust Optimization) وعقوبة تحيّز قابلة للتفريق وضمان توافق KL-Divergence. وقد أدت هذه الاستراتيجية إلى تحقيق ترتيب أول واضح ودرجات كاملة (100.0) مع انعدام التحيز (0.00%) ودقة تصل إلى 100.0% في المهام الفرعية الأولى والثانية والثالثة.

حتى في المهمة الفرعية الرابعة المعقدة، حصل النظام على المرتبة السادسة بدقة تبلغ 89.06% وF1-score، مع تحيّز محدود بنسبة 2.89% ودرجة مرتبة 37.78.

النسخة العامة من محرك توليد البيانات الخاص بهم ورمز المصدر متاحة للجميع، مما يسهم في تعزيز الأبحاث المستقبلية حول القضايا المنطقية.

ما رأيكم في هذا التطور المذهل؟ كيف يمكن أن تؤثر هذه التقنية على مجالات أخرى؟ شاركونا آراءكم في التعليقات!