توسيع المعرفة القابلة للتحقق: تحليل المفاهيم باستخدام نماذج لغوية مُعززة بالاسترجاع

في عالم الذكاء الاصطناعي، يُعد بناء الهياكل المعرفية خطوة حاسمة تتطلب اتخاذ قرارات دقيقة بشأن الأجسام والسمات والعلاقات الهيكلية التي تُقبل كمعرفة صحيحة. بينما يمكن لنماذج اللغة مثل نماذج اللغات الضخمة (Large Language Models) أن تقترح مثل هذه الهياكل من النصوص، إلا أن نتائجها قد تكون عرضة للاعتماد على معلومات غير موثوقة أو متناقضة.

تقترح الورقة البحثية الجديدة نموذجاً صغيراً مُعززاً بالاسترجاع (retrieval-augmented small language model) يجمع بين تحليل المفاهيم الرسمية كحلقة تحقق رمزية لتوسيع المعرفة. يبدأ هذا الإطار بسمات أولية، حيث يقوم تحليل المفاهيم الرسمية باقتراح دلالات ضمن سياق رسمي متزايد. ثم يتحقق نموذج اللغة المُعزز بالاسترجاع، والذي يُعرف بـ"الأوراكل"، من كل دلالة أو يقدم مثالا مضاداً.

يتيح "الأوراكل" أيضاً إجراء تقييمات للحوادث، وفحوصات لتناسق المعرفة، واقتراحات للسمات، مما يجعل الدلالات المقبولة والأمثلة المضادة والاعتراضات والتصحيحات قابلة للتدقيق. في إعداد نادر لمرض الهزال العضلي، والذي تم بناؤه استناداً إلى موارد Orphadata، حصلت التجارب التي تبدأ بعشر سمات على مستوى F1 للعلاقات بين 0.29-0.52 ومعدل F1 للدلالات المستندة إلى الإغلاق بين 0.22-0.30.

تؤدي مجموعات السمات الأكبر إلى زيادة عدد الدلالات التي يتم تقييمها وغالباً ما تعزز معدل F1 للدلالات. وتجدر الإشارة إلى أن تسجل الدلالات الأقل يعكس تقييمًا أكثر صرامة للدلالات المستخرجة، حيث يمكن أن تؤثر العلائقية المفقودة أو الزائدة على عدة أحكام للدلالات. تبين الاختبارات التي تم إجراؤها أن الأحكام المتعلقة بالحوادث في إعداد ثابت للأجسام والسمات يمكن أن تحسن النتائج المرتبطة بالإغلاق، إلا أن تحديد أزواج السمات والأجسام الإيجابية يبقى تحديًا حتى عندما تكون الأجسام والسمات المرشحة ثابتة.

إن هذا الإطار يمثل نقطة انطلاق جديدة لمستقبل أبحاث الذكاء الاصطناعي، حيث يعمل على إثبات أن المعرفة القابلة للتحقق ليست مجرد نظرية، بل يمكن أن تكون حقيقة ملموسة على أرض الواقع.