ثورة في البحث العلمي: هل تعيد تقنية VecTree-RAG تشكيل الإجابة على الأسئلة العلمية؟

في عالم البحث العلمي، تتطلب عملية الإجابة على الأسئلة العلمية وجود نظام استرجاع يستطيع التغلب على تحديين كبيرين: تحديد الأوراق البحثية ذات الصلة والعثور على الأدلة الداعمة ضمن تلك الأوراق. تقليديًا، تم معالجة هذه المشكلات بواسطة تقنيات استرجاع البيانات المدمجة، التي غالبًا ما تقوم بتسطيح هيكل الوثائق وتفصل بين الادعاءات العلمية وسياقها المنهجي والحججي.

لكن الآن، تقدم لنا تقنية VecTree-RAG، إطار عمل مبتكر وآلي يُعتبر خطوة كبيرة للأمام. تقوم هذه التقنية بتوزيع المهام بين آليات استرجاع معرفية متممة. على سبيل المثال، يقوم البحث الكمي (Vector Search) بترتيب تمثيلات الوثائق والمقاطع بإيجاز عبر المجموعة، بينما يقوم التفاعل مع أشجار الأقسام المدعومة بالتحليل بتحديد الأدلة ضمن الأوراق المختصرة.

ما يميز VecTree-RAG هو الاحتفاظ بالنص الكامل في مخزن الصفحات، وكشف المعلومات تدريجياً فقط بعد تحديد الموقع الهيكلي للأدلة. أجريت تقييمات على تقنية VecTree-RAG باستخدام 300 سؤال من مجموعة QASPER، بالإضافة إلى مجموعة مفتوحة تتضمن 54 سؤالاً من LitQA2 و49 سؤالاً متعددة المستندات من MOSAIC.

بالمقارنة مع تقنيات أخرى مثل Dense RAG وRAPTOR، حققت VecTree-RAG أعلى درجات في الإجابة على جميع المعايير، حيث حصلت على درجة 0.800 في دقة الحكم من LLM على QASPER، و0.925 للمصداقية على LitQA2، ودرجات مركبة بلغت 0.547 على MOSAIC.

كما أظهرت نتائج جديدة أن هذا التصميم المعماري الشجري - الكمي يتطلب عددًا أقل من رموز الاستدلال مقارنةً بالمتغيرات التي تفتقر إلى التنقل الشجري أو توجيه البيانات على مستوى المجموعة. وهذا ما يُشير إلى أن البحث الكمي يضيق نطاق البحث على مستوى المجموعة ويبعث التركيز في القراءة على الأدلة ذات الصلة هيكليًا. رغم أن استدلالات متعددة الخطوات لا تزال تكلف أكثر من استرجاع لمرة واحدة، توفر VecTree-RAG هيكلية مدروسة وقابلة للتتبع للإجابة على أسئلة الأدب العلمي.