في عالم يتزايد فيه الاعتماد على الذكاء الاصطناعي، ظهرت دراسة جديدة تقدم إطار عمل مبتكر يحمل اسم Skill-augmented Table Graph Reasoning (SkillTGR)، والذي يعد نقطة تحول في معالجة الأسئلة المتعلقة بالجداول. هذا الإطار يقدم نموذجاً جديداً يمكنه التعامل مع بيانات أكثر تعقيداً بكفاءة عالية.

تسعى مهمة "الإجابة على أسئلة الجداول" (Table Question Answering) إلى تمكين النماذج من البحث عن الإجابات من الجداول. رغم ذلك، تتجاهل الأبحاث الحالية التباينات بين الأسئلة وتقييمها فقط من خلال الدقة العامة، مما يغفل الفجوة المحورية حيث تتمتع نماذج اللغات الضخمة (Large Language Models) بالقدرة على إجراء عمليات بحث بسيطة ولكنها تواجه صعوبة في العمليات المعقدة مثل التجميع والحساب.

للكشف عن هذه الفجوة، قدم الباحثون مهمة جديدة تدعى "Operation-wise TableQA"، مدعومة بتصنيف دقيق للأسئلة واثنين من مجموعات البيانات الجديدة المستخدمتين في التقييم: WikiTQ-ow و TabFact-ow.

تُعاني الطرق الحالية من مشكلات مثل تحول الجداول إلى نصوص خطية، مما يؤدي إلى فقدان البنية الأساسية، وهذا ما يعرف بمشكلة "lost-in-the-middle"، وهو ما يعد عائقاً رئيسياً في التفكير المعقد عبر الصفوف. على الجانب الآخر، غالباً ما تبدأ هذه النماذج عملية الاستدلال من نقطة الصفر، متجاهلة الأنماط القابلة لإعادة الاستخدام الموجودة عبر العمليات المشابهة.

للتغلب على هذه القيود، يقدم إطار SkillTGR تمثيلاً للجداول كرسوم بيانية مع ميزات واضحة، حيث تخطط نماذج الذكاء الاصطناعي وتنفذ سلاسل ديناميكية لاسترداد الرسوم البيانية الفرعية ذات الصلة. بناءً على ذلك، يقوم SkillTGR بتشكيل بنك مهارات هرمية لتقطير مسارات التفكير إلى مهارات مجردة تحت فرضيات إدراكية.

تظهر التجارب الواسعة أن SkillTGR يحقق تحسينات استثنائية، حيث بلغ متوسط التحسن في الأداء 5.91%، مع انخفاض استهلاك الرموز بنسبة 19.76% وتقليل زمن الاستدلال بنسبة 27.64%. ستُطرح الأكواد والبيانات عند النشر، مما قد يمهد الطريق لمزيد من التطورات في الذكاء الاصطناعي.