تجاوز تحديات النمذجة الهيكلية التفصيلية باستخدام نماذج اللغة الكبيرة

تعتبر النمذجة الهيكلية التفصيلية (Interpretive Structural Modeling - ISM) واحدة من أهم العمليات المستخدمة في اتخاذ القرارات متعددة المعايير، حيث تحقق نجاحًا ملحوظًا بفضل قدرتها على نمذجة العلاقات السببية والتمثيل الهرمي للعوامل. ومع ذلك، فإن الطريقة التقليدية في النمذجة تستلزم تفاعلات متكررة مع الخبراء حتى يتم التوصل إلى توافق حول النتائج، مما يجعل العملية مرهقة من حيث الوقت والجهد، كما أنها تحد من قدرة ISM على التوسع لتشمل دراسات ذات متغيرات كثيرة.

في هذا السياق، يستعرض البحث الجديد استخدام نماذج اللغة الكبيرة (Large Language Models - LLMs) كخبراء غير كاملين من أجل تحسين أداء ISM. يتم مقارنة وتقييم منهجيات اكتشاف الرسوم البيانية السببية المتنوعة، بما في ذلك الطرق الزوجية، والنمط الثلاثي، والخطوط والرسوم البيانية الكاملة.

تشير النتائج إلى أن طرق اكتشاف الرسوم البيانية ISM تحقق أفضل أداء عند استخدام الأساليب الخلوية (Rowwise) حيث سجلت (SHD=160، F1-score=0.77) والأساليب الكاملة (Full Graph) حيث سجلت (SHD=135، F1-score=0.73). هذه النتائج تدل على فعالية دمج التقنيات الحديثة في مجال الذكاء الاصطناعي والنمذجة.