في عالم الذكاء الاصطناعي، يُعد تحسين دقة المعلومات هدفًا محوريًا لكل التقنيات الحديثة. ومن بين هذه الأدوات، تتألق أنظمة استرجاع المعلومات المدعومة (Retrieval-Augmented Generation) التي تسهم في تعزيز دقة الإجابات بالاعتماد على الأدلة الخارجية. ولكن ماذا يحدث عندما تتدخل عناصر جديدة مثل الجوار (Neighborhoods) في هذا السياق؟

يعرض النظام الجديد المعروف بـ GraphRAG مفهومًا مبتكرًا عن كيفية استغلال البيانات على شبكة المعرفة. حيث يقوم هذا النظام بتوجيه وكيل (Agent) لاستكشاف المعلومات قبل تقديم الجواب، مما يُعقد مسألة ماذا يعني أن تكون الاقتباسات صادقة.

أظهرت دراسة حديثة أن الاقتباسات ليست مجرد دعم للمعلومات المقدمة، بل يجب أن تأخذ في الاعتبار مسار البحث بأكمله، بما في ذلك الهيكلية التي تم استخدامها وأي كائنات تم زيارتها ولكن لم يتم الاقتباس منها. من خلال تجارب مُتحكم بها، تم اختبار تأثير عزل وإزالة وغطاء الكيانات المقتبسة وغير المقتبسة في النظام.

نتائج الدراسة تُشير إلى أن الأدلة المُقتبسة غالبًا ما تكون حاسمة، حيث أن عدم الاعتماد عليها يؤدي إلى تغييرات كبيرة في الإجابات ودقة المعلومات. ومع ذلك، فإن الاعتماد فقط على الاقتباسات قد لا يكون كافيًا، إذ تعكس الإجابات الدقيقة اعتمادها أيضًا على السياق المحيط الذي لم يتم الاقتباس منه.

باختصار، تدعو هذه النتائج إلى إعادة التفكير في كيفية تقييم الاقتباسات في أنظمة GraphRAG، للانتقال من الدعم البسيط للمصدر إلى فهم أعمق لمسار الاسترجاع الشامل.