تعتبر نظرية الهيكل البلاغي (Rhetorical Structure Theory - RST) من الأدوات القوية في تحليل النصوص، ولكن التحدي يكمن في كيفية تصنيف العلاقات بين العناصر المختلفة. في هذا السياق، يظهر نموذج RAG-RST كابتكار يستحق الاهتمام، حيث يقدم طريقة جديدة تعتمد على الاسترجاع لتعزيز فهم النصوص.

في RST، يحمل كل طرف من أطراف شجرة الحوار علامة تشير إلى مدى المركزية للمحتوى، إلى جانب علاقة مستخرجة من مجموعة مغلقة من الفئات الوظيفية. ولكن، وبما أن الخصائص السطحية ليست كافية، فإن الأمر يتطلب وجود مخطط رسمي للحوار لتوقع هذه العلامات. ومما يثير الدهشة، أن التعرض لنصوص غنية بالحوار خلال التدريب المبدئي لا يعزز الفهم بشكل كافٍ، حيث حققت نماذج اللغات الكبيرة (Large Language Models - LLMs) نتائج جيدة ولكنها كانت دون المستوى المطلوب.

وفي إطار معالجة هذا التحدي، قدم الباحثون RAG-RST، وهو إطار مدعوم بالاسترجاع يوفر المخطط اللازم كعرض توضيحي في سياق النص بدلاً من الاعتماد على تحديث المعلمات. وقد أظهر هذا النموذج تحسينًا ملحوظًا في قياسات الدقة: حيث ارتفعت دقة تحديد المركزية إلى 0.846 F1، والعلاقة إلى 0.788 F1، بدون الحاجة إلى تدريب إضافي.

كما تم اختبار استراتيجيتين: الأولى هي استراتيجية مسبقة التحديد التي تصنف جميع أزواج وحدات التعليم (EDU) قبل البدء في التحليل، والثانية هي استراتيجية ديناميكية تقوم بالاسترجاع في كل خطوة تقليص. وقد تفوقت كلتا الاستراتيجيتين على مقامري RST الحاليين في قياسات مختلفة، مما أظهر قوة النموذج الديناميكي بشكل خاص.

تظهر خصائص جديدة مثيرة للاهتمام حول المخطط المسترجع: حيث إن فائدته محدودة بعد عدد معين من الأمثلة، كما أنه يعتمد على الموقع الهيكلي. هذان العنصران يشيران إلى إمكانية تزويد نموذج قاعدي بمخطط لغوي رسمي من خلال العروض التوضيحية بدلاً من التدريب المكثف.

في الختام، يبدو أن نموذج RAG-RST يقدم حلاً مبتكرًا يمكن أن يغير كيفية تعاملنا مع النصوص المعقدة، مما يفتح آفاقًا جديدة أمام الباحثين والمطورين في مجال معالجة اللغة الطبيعية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.