أصبح الذكاء الاصطناعي (AI) جزءًا لا يتجزأ من الأبحاث الأكاديمية، إذ يوفر أدوات فعّالة لجمع المعلومات وتحليل البيانات. ومع ذلك، لا تزال نماذج اللغات الضخمة (Large Language Models) تواجه تحديات كبيرة تتمثل في إنتاج معلومات غير صحيحة أو غير منطقية، وهو ما يعرف بـ"الهلاوس" (hallucinations).

في خطوة مبتكرة، قام الباحثون بتطبيق نظام الإجابة على الأسئلة الاستخرجية VerbatimRAG على الأوراق البحثية في مجموعة ACL، مما يسمح بربط استفسارات المستخدمين مباشرة بنصوص مضبوطة من الوثائق المسترجعة. يقدم هذا النظام أداة قوية لتسهيل وصول الباحثين إلى المعلومات الدقيقة التي يحتاجونها.

كما أضيفت مجموعة بيانات جديدة ، تم تطويرها في إطار هذا المشروع، تسهم في تدريب وتقويم نماذج استخراجية متنوعة تتميز عن غيرها. عملية كتابة البيانات تمت بواسطة باحثين في معالجة اللغة الطبيعية (NLP) ، مستخدمين استفسارات صناعية تم توليدها باستخدام منهجية ScIRGen، مما أضفى طابعًا احترافيًا على البيانات المنجزة.

وتُظهر النتائج أن النموذج المعتمد على 150 مليون معلمة من طراز ModernBERT، مدعومًا بإشراف فضي من خطتنا، حقق أعلى مستوى من دقة الكلمات (F1) بقيمة 53.6، متفوقًا بذلك على أقوى نموذج لغوي مستخرج تم تقييمه، والذي سجل 48.7.

هذه التطورات ليست مجرد تحسينات تقنية، بل تمثل نقطة تحول حقيقية نحو مستقبل أكثر موثوقية في استخدام الذكاء الاصطناعي في الأبحاث الأكاديمية. فكيف يمكننا الاستفادة من هذه الثورة في دقة المعلومات؟