في عالم الذكاء الاصطناعي، تسعى النماذج اللغوية الكبيرة (Large Language Models) إلى إحداث ثورة في طرق اكتشاف الروابط السببية. وبينما تم تطبيق هذه النماذج على اكتشاف الأسباب، كانت هناك فجوة في معالجة العلاقات السببية المحتملة التي يمكن أن تؤثر على النتائج. هنا يأتي دور MaSCoD، الإطار الجديد الذي يتميز بتنوع العوامل وفعاليته في إدارة الروابط الثالثة المحتملة.

لقد قام الباحثون بتقييم MaSCoD باستخدام عدة مجموعات بيانات مثل Auto-MPG وDWD وSachs، حيث اعتمدوا على نموذج GPT-5.4 كالنموذج الرئيسي وGPT-4o للتكرار. أظهرت النتائج أن MaSCoD يتمتع بملف احتفاظ انتقائي يعتمد على مجموعة البيانات والنموذج المستخدم بدلاً من التفوق المطلق.

تعكس النتائج أيضاً تحسنًا في مؤشرات مثل Recall وF1 عندما تم استخدام طريقة "Full" التي توفر فرضيات هيكلية قبل حكم الحواف المباشر. بينما أظهرت التجارب أن توفير المعلومات اللازمة المسبقة لم يكن دائمًا أفضل من الاعتماد على معلومات واحدة فقط.

تشير هذه النتائج إلى أهمية تنظيم المعلومات الهيكلية كمكون أساسي في تصميم وتقليص عمليات الإغفال، مما يدعو إلى تقييم بناء السياق بشكل مشترك مع استخدامه في الحكم. ما زلنا نتطلع إلى المزيد من الاستكشافات في هذا المجال الذي يعد بمستقبل أكثر دقة في تحليلات البيانات.