في عالم الذكاء الاصطناعي الحديث، تسعى الأنظمة إلى تحسين تجربة المحادثات من خلال استخدام نظم الذاكرة الحوارية (Conversational Memory Systems) التي تقوم بضغط تاريخ المحادثة إلى بيانات منظمة مثل الحقائق المستخرجة أو القرارات. ولكن، هل حقاً تعمل هذه الطريقة بشكل أفضل من الاحتفاظ بنصوص المحادثات كما هي؟

دراسة جديدة أجريت على نموذج من هذه الأنظمة اختبرت فرضية أن الهيكلية المستخلصة تعيد استرجاعاً أفضل من النصوص الخام. نتائج الدراسة كانت مثيرة؛ حيث أظهرت أن استخدام أجزاء من النصوص الحرفية يتفوق بشكل ملحوظ على البيانات المستخرجة. على سبيل المثال، حققت الأجزاء الحرفية نسبة نجاح تبلغ 43.9% في تقييم LoCoMo، بينما البيانات المستخرجة حققت 28.0% فقط.

هذه الفروق لم تكن مجرد صائفة؛ فقد أظهرت الدراسة أيضاً أن االفجوة في الدقة لا يمكن تعويضها من خلال استخدام مخططات دلالية أساسية، مما يشير إلى أن التفاصيل الدقيقة التي تحتفظ بها النصوص الحرفية تعطي ميزة واضحة على الأنظمة التي تعتمد على استخراج المعلومات.

يتضح أن الآلية المتبعة في هذه الأنظمة من استخلاص واحتفاظ بالمعلومات ليست مثالية، مما يجعل من الضروري إدخال النصوص الحرفية كجزء من التخزين الذكي للبيانات. بدلاً من الاستغناء عن النصوص، ينبغي الاستفادة من الذاكرة المنسقة التي تضم النصوص الحرفية جنبًا إلى جنب مع المعلومات المستخرجة. هذه النتائج تعيد النظر في الطريقة التي يمكن من خلالها تحسين فعالية أنظمة الذكاء الاصطناعي في إجراء المحادثات المعقدة وفتح آفاق جديدة للبحث والتطوير في هذا المجال.