تُعد مسألة التفكير الجدولي (Table Reasoning) من التحديات المهمة في مجال الذكاء الاصطناعي، نظرًا لأن الكثير من المعلومات تُخزن في صيغ جدولة. في الآونة الأخيرة، تم توظيف نماذج اللغات الضخمة (Large Language Models) لتحسين قدرة الفهم والتفكير لدى الأنظمة الذكية. ومع ذلك، يقوم العديد من هذه النماذج بتحويل الجداول إلى نصوص بسيطة، مما يخلق تحديات عدة.

تتضمن هذه التحديات ضرورة أن تستنتج النماذج العلاقات بين الصفوف والأعمدة والخلايا من المدخلات المُسلسلة، مما يجعل تتبع الأدلة أمرًا صعبًا ويؤدي إلى فقدان المعلومات الهامة في وسط العمليات. للتغلب على هذه العوائق، تم اقتراح نموذج جديد يُدعى "محلل الجداول البيانية" (Table Graph Reasoner - TabGR).

هذا النموذج يقدم تمثيلًا مبتكرًا للجداول من خلال ما يُعرف بالرسوم البيانية المُعنونة (Attributed Table Graph - ATG)، حيث يحافظ هذا الأسلوب على هيكل الصفوف والأعمدة بحيث يتيح التفكير القائم على الرسومات البيانية مع مسارات أدلة قابلة للتتبع. يُعزز TabGR أدائه من خلال آلية جديدة تُسمى "تحسين ترتيب البيانات الشخصية" (Question-Guided Personalized PageRank - QG-PPR)، مما يساهم في تحسين ترتيب البيانات الجدولية ويقلل من فقد المعلومات.

أظهرت تجارب شاملة على العديد من المعايير الخاصة بالتفكير الجدولي أن نموذج TabGR يتفوق بشكل إدراكي على نماذج الذكاء الاصطناعي الأكثر تطورًا بنسبة قد تصل إلى 9.7% في الدقة، مما يشير إلى قدرته الفائقة في معالجة المعلومات بذكاء ودقة عالية. يمكنكم الاطلاع على الكود الخاص بالنموذج عبر الرابط: https://github.com/yxw-11/TabGR.