تواجه صناعة الأخبار المتزايدة تحدياً كبيراً في استخراج الجداول الزمنية المهيكلة من المحتوى غير المهيكل. وقد أظهرت الدراسات الأخيرة أن نماذج اللغات الضخمة (LLMs) يمكن أن تسهم في ملخصات الزمن (Timeline Summarization)، لكنها غالباً ما تُعامل كأدوات توليدية سلبية.

لكن مع ظهور نماذج التفكير الكبيرة (LRMs)، أصبح لدينا فرصة جديدة للتفكير النشط حول الأحداث. هذا النهج يمكّن من جمع الأدلة بشكل متكرر وكشف الأحداث المفقودة والتحقق من الاتساق الزمني.

في ضوء ذلك، يُقدم TimelineReasoner، وهو إطار عمل مبتكر يغير طريقة تنفيذ ملخصات الزمن من عملية توليد ثابتة إلى عملية مدفوعة بالتفكير النشط. يتبنى هذا النظام هيكلية تتألف من مرحلتين: الأولى هي "الإدراك العالمي" (Global Cognition) التي تتعقب الأحداث على مستوى واسع وتقوم بتحديث الذاكرة العالمية للأحداث باستمرار، والثانية هي "استكشاف التفاصيل" (Detail Exploration) التي تحدد الفجوات المعلوماتية وتقوم بتنقيح الجدول الزمني من خلال البحث المستهدف في الوثائق.

يدعم هذا النظام عدة آليات متخصصة، مثل "محصول الأحداث" (Event Scraper) التي تقوم باسترجاع أوصاف الأحداث الزمنية، و"محدث الجدول الزمني" (Timeline Updater) الذي ينقح الجدول الزمني، و"المشرف" (Supervisor) الذي يكتشف الفجوات في الجدول الزمني ويقوم بتوجيه عمليات الاسترجاع.

تظهر النتائج التجريبية التي تم تحقيقها على مجموعات بيانات ملخصات الزمن المفتوحة أن TimelineReasoner يتفوق بشكل كبير على طرق ملخصات الزمن الحالية المستندة إلى LLMs من حيث الدقة والتغطية والترابط. علاوة على ذلك، يحقق نظامنا نتائج مُقاربة أو متفوقة في مجموعات البيانات المغلقة.

يُبرز هذا العمل إمكانية نماذج التفكير الكبيرة في مجال ملخصات الزمن، مما يدفع حدود هذه التقنية إلى آفاق جديدة.