في عالم الذكاء الاصطناعي، يبقى فهم الجداول الكبيرة أحد التحديات الصعبة التي تواجه نماذج اللغات الضخمة (Large Language Models - LLMs). فعلى الرغم من القوة المدهشة لهذه النماذج، إلا أن فعالية استدلالاتها تتراجع بشكل ملحوظ مع زيادة حجم وتعقيد الجداول، بسبب السياقات غير ذات الصلة وصعوبة تحديد الأدلة المطلوبة للاستدلال.

لذا، تم الكشف مؤخراً عن إطار عمل جديد يُعرف باسم PARTAB (Partition-Aware Reasoning over Tables) والذي يقدم حلاً مبتكراً لهذه المشكلة. يُعنى PARTAB بإنشاء واجهة أدلة منظمة بين النموذج والجدول، حيث يقوم بتمثيل الأدلة المرتبطة بالاستفسارات على أنها مناطق جدول ذات صلة مترابطة من الناحية الدلالية، ويركز على عملية الاختيار الهرمي بين مجموعات الأعمدة وتقسيمات الصفوف قبل تجميع الأدلة المختارة لتوليد الإجابات.

تم اختبار PARTAB على مجموعة من معايير استدلال الجداول، التي تشمل الإجابة على الأسئلة، والتحقق من الحقائق، والاستدلال العددي. وقد أظهرت النتائج أن PARTAB يتفوق بشكل مستمر على الطرق التقليدية التي تعتمد على الجدول الكامل، محققاً أداءً قوياً في اختبارات WikiTableQuestions و TabFact، بينما يظل تنافسياً في الاستدلال العددي.

تظهر التحليلات الإضافية أن تقسيم المعلومات دلالياً واختيار الأدلة المستهدف يحسن من موضع الأدلة، ويقلل بشكل كبير من سياق الاستدلال، ما يوفر فوائد أكبر عند التعامل مع الجداول المعقدة. تُظهر هذه النتائج قيمة إنشاء أدلة منظمة وواعية للتقسيم من أجل تحسين استدلال الجداول بطريقة قابلة للتوسع.