في عصر المعلومات السريعة، يعد استرجاع الاستفسارات الصوتية أحد أكثر طرق التفاعل شيوعًا في أنظمة الذكاء الاصطناعي والتكنولوجيا الحديثة. ومع ذلك، فإن التقييمات الحالية لفعالية هذه الأنظمة غالبًا ما تكون مقيدة بتجارب بسيطة تحت ظروف ضوضاء محدودة، مما يجعلها غير كافية لتقييم قدرتها على التعامل مع الاضطرابات الصوتية المعقدة.



لذا، يقدم الباحثون معيارًا جديدًا يُعرف بسكوتر (SQuTR)، والذي يمثل نواة تقييم قوية لاسترجاع الاستفسارات الصوتية. هذا المعيار يتضمن مجموعة بيانات واسعة تضم 37,317 استفسارًا فريدًا تم تجميعها من ستة مجموعات بيانات شائعة الاستخدام في استرجاع النصوص باللغة الإنجليزية والصينية، حيث تغطي مجموعة متنوعة من المجالات وأنواع الاستفسارات.



ما يميز سكوتر هو استخدامه لملفات صوتية من 200 متحدث حقيقي، مع مزج 17 نوعًا من الضوضاء البيئية الطبيعية تحت مستويات معينة للتحكم في نسبة إشارة الضوضاء (SNR). هذا الأمر يتيح إجراء تقييمات موثوقة لمدى قوة الأنظمة في ظروف تتراوح من الهدوء التام إلى الضوضاء العالية.



من خلال البروتوكول الموحد، تم إجراء تقييمات واسعة النطاق على أنظمة استرجاع متتالية وأنظمة استرجاع شاملة. أظهرت النتائج التجريبية أن أداء الاسترجاع ينخفض مع زيادة الضوضاء، مع اختلاف كبير في الانخفاض بين الأنظمة. حتى أن النماذج ذات الحجم الكبير لم تتمكن من الأداء الجيد تحت مستويات ضوضاء شديدة، مما يشير إلى أن تقييم القوة لا يزال يمثل تحديًا كبيرًا.



بشكل عام، يقدم سكوتر منصة اختبار قابلة للتكرار لتحليل ومعايرة الأنظمة، ويسهم في تعزيز البحث المستقبلي حول قوة استرجاع الاستفسارات الصوتية في مواجهة التحديات. هل أنتم مستعدون لاستكشاف هذا الذكاء الاصطناعي المبتكر في مجال استرجاع النصوص؟ شاركونا آراءكم في التعليقات!