تتمحور الدراسات الحديثة حول قدرة نماذج اللغة (Language Models) في معالجة المهام المنطقية، خاصة عبر توظيف الاستدلال على القياسات المنطقية (syllogisms). أظهرت الأبحاث أن تمثيل المعرفة (Knowledge Representation) يلعب دورًا حيويًا في إدراك المعلومات المدخلة، مما يساعد النماذج في إتمام المهام بكفاءة أعلى. هذا الأمر يلهم دراستنا التي تناولت تأثير التمثيلات الرسمية المختلفة للمعرفة على الاستدلال المنطقي، من خلال توسيع مجموعة بيانات FOLIO وP-FOLIO.

لقد أظهرت التجارب التي أُجريت على نماذج لغة صغيرة (Small Language Models) في إعدادات التعليم المُشرف (Supervised Fine-Tuning) واللعب بدون تدريب (Zero-Shot) أن اختيار التمثيل المدخل يمكن أن يؤدي إلى أداء تنافسي مع اللغة الطبيعية، مما يسهم في تسريع عملية الاستدلال.

علاوة على ذلك، اقترحنا طريقة تصنيف للقياسات المنطقية تُعرف باسم SEF، والتي تستخدم لتعزيز المدخلات في وضع اللعب بدون تدريب باستخدام تعريفات منطقية، مما يُحسن من قدرة الاستدلال في النماذج الصغيرة. ولتيسير هذه العمليات، قمنا بإطلاق مكتبة إطار العمل، Common Logic Grammar Construction (CLGC)، كأول مكتبة بايثون لتوليد القياسات المنطقية تلقائيًا بتمثيلات المعرفة وتعريف فئات SEF لها.

تُظهر هذه الإنجازات الإمكانيات الكبيرة لتحسين الأداء للنماذج اللغوية في مجال الاستدلال المنطقي، مما يفتح آفاقًا جديدة للبحث في هذا المجال الحيوي.