في عالم العلوم، يعتبر التنبؤ بالعلاقات العلمية أمرًا بالغ الأهمية لدعم الاكتشافات الجديدة. إذ يمكن أن يسهم فهم الروابط بين المفاهيم المختلفة في تحديد الاتجاهات المستقبلية للبحث قبل ظهورها. ومع ذلك، تعاني الأساليب الحالية من مشكلات، حيث يتم نمذجة الدلالات المفاهيمية (semantic semantics) وبنية الرسوم البيانية (graph structure) بشكل منفصل، مما يؤدي إلى نتائج غير دقيقة بسبب عدم توافق الدلالات مع الأدلة المتطورة بشكل سريع.

وقد قدم الباحثون مؤخرًا نموذجًا جديدًا يُعرف باسم "إطار عمل الرسوم البيانية المفاهيمية المتطورة المتزامنة" (time-aligned evolving concept graph framework) الذي يعالج هذه المشكلة. يعتمد هذا النموذج على فكرة بسيطة لكنها فعالة: التعامل مع الأوراق البحثية المتاحة كأحداث تحديث مشتركة، مما يسهل إعادة بناء الحالات الدلالية والهيكلية من نفس تاريخ النشر عبر كل وقت توظيف للتنبؤ.

تجمع تقنية الدمج على مستوى الزوج (pair-level fusion) بين هذه الحالات للتنبؤ بظهور الروابط، وتشكيل العلاقات، وأنواع العلاقات الشرطية. ومن المدهش أن الحفاظ على بنية النموذج وتدريبه مع تحديث السياق بجانب رسومات البيانات يحسن من المتوسط العام لمعدل التنبؤ بمعدل 16.6% مقارنة بالسياق الثابت.

بفضل نموذج تم تدريبه على مجموعة بيانات تضم 187,848 ورقة بحثية تحتوي على 270,687 مفهومًا و7.45 مليون رابط ترابط، أثبت الإطار الكامل تحسينًا ملحوظًا في معدل التنبؤ، حيث ارتفع من 0.9290 للقاعدة الأساسية الأقوى التي تم تقييمها إلى 0.9722.