تعتبر الرسوم البيانية جزءاً أساسياً من أبحاث علوم الحاسوب، حيث توفر معلومات هامة تعزز من فهم المحتوى المكتوب. ولكن، على الرغم من قيمتها العالية، لم تكن هناك مجموعة بيانات متاحة للجمهور تتضمن الرسوم إلى جانب التسميات والنصوص المحيطة بها، مما أبطأ من تقدم تطوير نماذج الرؤية-اللغة. لكن الآن، ومع ولادة مجموعة بيانات SCAFFOLD، يبدو أن الأمور ستتغير.

SCAFFOLD هو مجموعة بيانات هيكلية كبيرة تتعلق بأبحاث علوم الحاسوب، مُعززة بأسئلة وأجوبة مستندة إلى الرسوم البيانية، بالإضافة إلى تتابعات منطقية تتبع الحلول. تتكون المجموعة من 157,387 زوجًا من الصور والتسميات، تم إعدادها من خلال معالجة مستندات PDF واكتشاف التخطيطات. يُعتبر هذا الإنجاز خطوة مهمة نحو تدريب نماذج متقدمة تفهم الرسوم البيانية وتستخرج منها المعاني.

تحوي SCAFFOLD على ثلاثة أحجام: SCAFFOLD-157K، الذي يشمل 3,058 ورقة بحثية و29,887 رسماً؛ SCAFFOLD-37K، الذي يتضمن مجموعة متوسطة مع 36,797 زوجًا؛ وSCAFFOLD-12K، الأصغر، الذي يضم 12,000 زوج. تم استخدامها اختباراً أساسياً على نموذج Qwen2.5-VL-3B-Instruct، مما يشير إلى فعالية المجموعة في تعزيز كفاءة التعلم الآلي.

ما يميز SCAFFOLD هو الطريقة التي تعتمدها في إنشاء الأسئلة: فهي ليست مجرد بيانات، بل تحاول تقديم تسلسل منطقي للفهم وتحليل شامل. هذا يجعلها أداة قيمة ليس فقط للباحثين في مجال علوم الحاسوب، بل أيضاً لمطوري نماذج AI الباحثين عن فهما أعمق للبيانات الهيكلية.

ختاماً، يبدو أن SCAFFOLD ستقدّم ثورة في كيفية تعامل الأنظمة الذكية مع المعلومات، مما يمكّنها من تحليل وتفكيك المعلومات بشكل أكثر فعالية. إذن، كيف ترى تأثير SCAFFOLD على أبحاث الذكاء الاصطناعي؟ دعونا نتبادل الآراء في التعليقات!