تعتبر عملية تحديد العلاقة السببية بين الأحداث (Event Causality Identification - ECI) من التحديات الكبرى في مجال معالجة اللغة الطبيعية (Natural Language Processing - NLP). فعلى الرغم من الأداء القوي الذي تحققه نماذج اللغة الكبيرة (Large Language Models - LLMs) في مهام متعددة، إلا أن فعاليتها في ECI لا تزال محدودة. يعود ذلك بشكل رئيسي إلى وجود تحيزات في التفكير السببي، مما يؤدي أحيانًا إلى توقعات مبالغ فيها للعلاقات السببية، وهي ما يُعرف ب''هلوسة سببية'' (causal hallucination).

للتغلب على هذه التحديات، تم اقتراح إطار SERE، الذي يعتمد على استرجاع الأمثلة الهيكلية لتحسين أداء نماذج اللغة الكبيرة في تحديد العلاقات السببية. يعتمد SERE على آلية مبتكرة تتمثل في ثلاثة مفاهيم هيكلية:

1. **مقياس المسار المفهومي (Conceptual Path Metric)**: يقيس العلاقة المفهومية بين الأحداث باستخدام مسافة التعديل الموجودة في ConceptNet.
2. **مقياس بناء الجملة (Syntactic Metric)**: يقيم التشابه الهيكلي من خلال مسافة شجرة التعديل على الأشجار النحوية.
3. **تصفية الأنماط السببية (Causal Pattern Filtering)**: تقوم بتصفية الأمثلة بناءً على هياكل سببية محددة مسبقًا باستخدام نماذج اللغة الكبيرة.

من خلال دمج هذه الاستراتيجيات الهيكلية، يُمكن لإطار SERE اختيار أمثلة أكثر صلة للمساعدة في توجيه نماذج اللغة الكبيرة في التفكير السببي، مما يقلل من التحيز ويحسن الدقة في مهام ECI.

أظهرت التجارب الشاملة على عدة مجموعات بيانات لـ ECI فعالية إطار SERE في تحقيق نتائج مُبهرة. يمكن للمطوّرين الاطلاع على الشيفرة المصدرية للتحقق من التجارب والنتائج من خلال الرابط التالي: [github.com/DMIRLAB-Group/SERE](https://github.com/DMIRLAB-Group/SERE). هل تعتقد أن هذه الابتكارات ستحدث تغييرًا في مجال الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات.