في دراسة حديثة مثيرة، تناول الباحثون فعالية نظام استرجاع-توليد (Retrieval-Augmented Generation - RAG) التكراري في مجال الإجابة على الأسئلة العلمية متعددة الخطوات. يُعتبر RAG بمثابة وسيلة لتجاوز الحدود المعرفية للنماذج اللغوية الكبيرة (Large Language Models - LLMs)، ويهدف إلى تحسين القدرة على استرجاع وتحليل المعلومات بناءً على سياق ديناميكي.

ركزت الدراسة على تقييم مدى تفوق هذا النظام على الأنظمة الثابتة في سياقات علمية تتطلب حجة متعددة الخطوات. تم إجراء مقارنة بين ثلاثة سيناريوهات: الأول بدون أي سياق، الثاني مع تقديم جميع الأدلة دفعة واحدة (Gold Context)، وأخيرًا نظام RAG التكراري الذي ينظم استرجاع البيانات وتحليلها بشكل متوافق.

استُخدم في الدراسة مجموعة بيانات ChemKGMultiHopQA التي تركز على الكيمياء، وتم التركيز على أسئلة تتطلب استرجاعًا حقيقيًا للمعلومات. وقد أظهرت النتائج أن نظام RAG التكراري يتفوق باستمرار على السيناريو الثابت، حيث حقق تحسينات تصل إلى 25.6 نقطة مئوية، خصوصًا مع النماذج التي تم ضبطها بدقة في أسئلة غير محورية.

أثبتت الدراسة أن الاستخدام التدريجي للإسترجاع يقلل من الأخطاء في المراحل النهائية ويخفف من ضغط السياق، مما يمكّن الباحثين من تصحيح الافتراضات المبكرة بشكل ديناميكي. ومع ذلك، لا تزال هناك بعض التحديات مثل مشاكل التغطية في بعض المراحل، ومسارات الانحراف، والتوقف المبكر.

بشكل عام، يعتبر الاسترجاع التدريجي أكثر تأثيرًا من مجرد وجود أدلة مثالية. تقدم الدراسة إرشادات عملية حول كيفية تنفيذ وتشخيص أنظمة RAG في المجالات العلمية المتخصصة، مما يشكل أساسًا لإطارات استرجاع-تفكير ديناميكية وأكثر موثوقية.