تُعتبر الحجج في النصوص والمناقشات الحقيقية غالباً غير كاملة، حيث تشتمل على افتراضات ضمنية، وهو ما يعرف بالأنتيميم (Enthymemes). تكمن التحديات في معالجة هذه الحجج في أن الطرق التقليدية في معالجة اللغة الطبيعية (NLP) يمكنها التعرف على هذه الأنماط، لكنها لا تستطيع فك الشيفرة المنطقية الكامنة وراءها. في المقابل، تفترض الأساليب القائمة على المنطق وجود قاعدة بيانات تحتوي على صيغ كافية لفك شيفرة الحجج عبر الاستنتاج.

تسلط دراسة جديدة الضوء على نقص الأساليب النظامية لتحويل عناصر النص في الأنتميم إلى حجج منطقية وإنتاج الصيغ المنطقية اللازمة لذلك، مما يُظهر التلازم المنطقي. ولتصحيح هذا القصور، تم اقتراحPipeline يجمع بين:

1. نموذج لغوي ضخم (Large Language Model) لإنتاج افتراضات ضمنية متوسطة استنادًا إلى الافتراضات المعلنة والادعاءات.
2. نموذج لغوي آخر لترجمة اللغة الطبيعية إلى صيغ منطقية.
3. مُعالج رمزي عصبي يعتمد على حل SAT لتحديد التلازم.

تم تقييم هذه الطريقة الجديدة على مجموعتين من البيانات الخاصة بالأنتميم، حيث أظهرت الأداء الواعد في اختيار الافتراضات الضمنية الصحيحة، وذلك حسب قياسات الدقة (Precision) والاسترجاع (Recall) ومؤشر F1 والدقة (Accuracy).

تشكل هذه الدراسة خطوة هامة نحو تحسين استخدام الذكاء الاصطناعي في فهم وتحليل الحجج المنطقية بطريقة أكثر دقة وفاعلية. في عالم يتزايد فيه استخدام النموذج اللغوي الضخم في مجالات عديدة، يمكن أن تؤدي هذه الابتكارات إلى تحسينات كبيرة في كيفية تعاملنا مع المعلومات المعقدة.