ظهرت الحاجة إلى أدوات فعالة في مجال إجابات الأسئلة الزمنية (Time-Series Question Answering - TSQA)، مما دفع الباحثين إلى ابتكار معيار جديد يحمل اسم **TS-Skill**. يعد هذا المعيار ثورة في طريقة قياس المهارات التحليلية المرتبطة بهذه العملية، حيث تتيح نماذج اللغات الكبيرة (Large Language Models - LLMs) ونماذج اللغات الزمنية (Time-Series Language Models - TSLMs) إمكانيات متزايدة في تلبية احتياجات تحليل البيانات الزمنية.

ما يميز **TS-Skill** هو تركيزه على ثلاثة مهارات تحليلية رئيسية تمثل جوهر الأداء في مجال TSQA: 1. **اختيار المقياس الزمني (SK1)**، 2. **تحديد المواقع الزمنية (SK2)**، 3. **تكامل فترات البيانات المتقطعة (SK3)**. هذه المهارات تعتبر ضرورية لفهم الأنماط الزمنية المعقدة التي قد تظهر في البيانات.

تم بناء **TS-Skill** باستخدام إطار عمل يسمى **SKEvol**، الذي يدمج بين توليد البيانات الزمنية المستندة إلى المعرفة، وتوليد الأسئلة الموجهة، وبناء إجابات مدعومة بالبيانات الوصفية والشيفرات، مع التحقق متعدد المراحل من صحة النتائج بمساعدة البشر.

أظهرت التجارب على عشرة نماذج من LLMs و TSLMs وجود فجوات كبيرة وغير متساوية في إمكانيات SK1 إلى SK3. حيث كانت المهارات الخاصة بتكامل الفترات الزمنية (SK3) تمثل تحديًا مستمرًا للنماذج غير المستندة إلى المعالجة الذكية، بينما أظهرت النماذج المعززة بالأدوات ميزات خاصة في أداء هذه المهارة.

تكشف هذه النتائج عن أهمية تقييم المهارات على المستوى الفردي لكشف أوجه القصور في عملية الاستدلال الزمني، مما يساعد على تحسين تطوير نماذج الذكاء الاصطناعي في المستقبل.