في عالم الذكاء الاصطناعي، تعتبر نماذج اللغات الضخمة (Large Language Models) محورًا رئيسيًا في معالجة استفسارات الجداول. ومع ذلك، تكشف الأبحاث الحديثة عن تحدٍ رئيسي يواجهها هذه النماذج، وهو تدهور الدقة مع زيادة حجم الجداول.

لكن، ما الذي يجعل هذا التدهور غير متساوٍ؟ وجدت الدراسات أن الأسئلة الحساسة لمواقع البيانات تتأثر بشكل أكبر بالمحتوى غير ذي الصلة في الجداول الكبيرة. وبالتالي، قد تظهر الأسئلة التي تتطلب أدلة أوسع نتائج إيجابية حتى عند معالجة كامل محتوى الجدول.

استجابةً لهذا الواقع، تم تقديم إطار عمل مبتكر يُعرف بـ 'TabScope'، والذي يتيح تحديداء استراتيجيات معالجة استفسارات الجداول على أساس نوع السؤال. يعتمد الإطار على تقنيات تحليل الجداول لتكوين جداول فرعية مخصصة، واستخدام نوع السؤال المتوقع لاختيار طريقة التفكير المناسبة.

وتم تقديم ما يُعرف بجداول المراجع الفضية لتقييم اختيار الأدلة، إلى جانب تطوير معيار SLQA القائم على الجداول الطويلة الحقيقية.

أظهرت التجارب على مجموعتي بيانات WikiTQ وSLQA فعالية عالية للاستراتيجية في الأسئلة المبنية على المواقع والبحث المحلي، في حين أن الاختيار الديناميكي بين الأساليب المحلية والأخرى المعتمدة على كامل الجدول حقق أداءً استثنائياً.

هذه النتائج تؤكد أن الحصول على إجابات من الجداول الطويلة لا يتطلب فحسب معرفة كيفية تحديد المواقع، بل وأيضًا متى يجب القيام بذلك.

ترقبوا نشر الشيفرة المصدرية ومجموعات البيانات بعد صدور البحث.