في عالم الذكاء الاصطناعي (AI)، يُعتبر حل المشكلات أمرًا حيويًا يعتمد بشكل كبير على كيفية تمثيل المعلومات داخليًا. قد تتمتع العديد من الأنظمة الحديثة القائِمة على البيانات بأداء تنبؤي قوي، لكن غالبًا ما تفتقر تمثيلاتها إلى البنية الواضحة التي تعبر عن التجريد والثبات والأنماط ذات الصلة بالمهام.

تقدم الورقة المقترحة إطارًا هيكليًا بسيطًا، يعبر عن العمليات التمثيلية الضرورية لحل المشكلات، مثل تشكيل السياقات (context formation)، التعرف على الثبات (invariance recognition)، اختيار الممثل (representative selection)، التجريد (abstraction)، وإعادة استخدام العمليات (procedural reuse). الفكرة المركزية هنا هي مفهوم "السياق"، الذي يتمثل كفصل لمجموعة من الحالة الأساسية، والتي تحدد الفروق، الدقة، والشكل الذي يتم به طرح المشكلة.

يتم التعامل مع التعرف على الثبات واختيار الممثل كعمليات تمثيلية أساسية ضمن هذا الإطار. كما يتم تنفيذ الإطار على شكل فضاء معرفي (Knowledge Space) يتكون من هيكلين متماثلين من الرسومات: رسم مفهومي (Concept Graph) يحتضن المفاهيم المُنشأة والمطعمة، ورسم العمليات (Procedure Graph) الذي يشفر العمليات المعينة على التمثيلات.

تقدم هذه البنية وظائف قليلة للتلاعب بالتمثيلات دون الحاجة إلى استنتاجات معقدة أو آليات تعلم أو تحكم أو إحساس أو حركية متطورة. من خلال أمثلة توضيحية بسيطة وعرض عرضي لمُحلُل ضعيف، تُظهر الدراسة أن التنظيم التمثيلي المناسب يمكن أن يبسط شكل ومجال الأنماط القابلة للاعتراف، حتى عندما يتم حل المشكلات بواسطة مُحلل ثابت ومحدود.

تستهدف هذه الورقة تقديم مساهمة هيكلية بدلاً من خوارزمية: حيث تحدد المتطلبات التمثيلية للتجريد والثبات وإعادة استخدام العمليات في سياق حل المشكلات، وتوضح شروط النجاح والفشل بشكل واضح ضمن إعداد المُحلل الضعيف.