💬 NLP

$π$ -CoT: Prolog-Initialized Chain-of-Thought Prompting for Multi-Hop Question-Answering

تقدم الورقة البحثية $\pi$ -CoT، وهي استراتيجية تحفيز مبتكرة تستفيد من لغة برولوغ (Prolog) لتفكيك الأسئلة المعقدة متعددة الخطوات إلى استعلامات فرعية متسلسلة أحادية الخطوة، مما يؤدي إلى تهيئة تسلسل الأفكد (Chain-of-Thought) لتحسين الأداء بشكل كبير في اختبارات قياس الإجابة على الأسئلة متعددة الخطوات مقارنة بطرق التوليد المعزز بالاسترجاع (RAG) وطرق سلسلة الأفكد في السياق القياسية.

المؤلفون الأصليون: Chao Wan, Albert Gong, Mihir Mishra, Carl-Leander Henneking, Claas Beger, Kilian Q. Weinberger

نُشر 2026-02-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Chao Wan, Albert Gong, Mihir Mishra, Carl-Leander Henneking, Claas Beger, Kilian Q. Weinberger

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول حل لغز ضخم ومعقد، مثل معرفة من هو جد شخصية معينة في مسلسل تلفزيوني، ولكن ليس لديك سوى مكتبة تحتوي على ملايين الكتب للبحث فيها، ولا يمكنك قراءتها جميعاً في وقت واحد.

هذا هو التحدي الذي تواجهه نماذج اللغات الكبيرة (LLMs) عند الإجابة على الأسئلة "متعددة الخطوات" (الأسئلة التي تتطلب ربط عدة نقاط ببعضها البعض). فهي بارعة في القراءة والكتابة، ولكن عندما يُطلب منها ربط ثلاث أو أربع خطوات منطقية معاً، فإنها غالباً ما ترتبك، أو تفقد مسارها، أو تبدأ في الجدال في حلقات مفرغة.

يقدم البحث طريقة جديدة تسمى π-CoT (باي-سي أو تي) لإصلاح ذلك. وإليك كيف تعمل من خلال تشبيه بسيط.

المشكلة: "المحقق التائه"

تخيل محققاً ذكياً جداً ولكنه مشتت الذهن قليلاً (الذكاء الاصطناعي). تسأله: "من هي زوجة مدرس هوجورتس الذي هو أيضاً مستذئب؟"

إذا طلبت من المحقق فقط أن "يفكر خطوة بخطوة"، فقد يقوم بما يلي:

يفكر في مدرسين هوجورتس.
ينسى التحقق من أي منهم هو مستذئب.
يتشتت بملحوظة عشوائية عن تنين.
يخمن الإجابة بناءً على حدس أو شعور.

إنه مرن ومبدع، لكنه يفتقر إلى خريطة. إنه يتوه عن المسار.

الحل: فريق "المهندس المعماري + المحقق"

أدرك مؤلفو هذا البحث أنه بينما يبدع المحقق في قراءة الكتب، فإنه سيء في الالتزام بقائمة مهام صارمة. لذا، استعانوا بشخصية ثانية: المهندس المعماري (نظام برمجة منطقي يسمى Prolog).

إليك سير العمل الجديد، π-CoT:

الخطوة 1: المهندس المعماري يرسم المخطط

بدلاً من ترك المحقق يتوه، يقوم المهندس المعماري أولاً بالنظر في السؤال وتفكيكه إلى قائمة مراجعة صارمة وخطوة بخطوة (استعلام Prolog).

السؤال: "من هي زوجة مدرس هوجورتس الذي هو أيضاً مستذئب؟"
مخطط المهندس المعماري:
1. ضع قائمة بجميع مدرسي هوجورتس.
2. قم بتصفية هذه القائمة للاحتفاظ فقط بالمستذئبين.
3. ابحث عن زوجة الشخص المتبقي.

المهندس المعماري لا يعرف الإجابة بعد، لكنه يعرف بالضبط الخطوات التي يجب اتخاذها للوصول إليها. إنه ينشئ "خارطة طريق" صارمة.

الخطوة 2: المحقق يتبع الخريطة (وحدة SLICE)

الآن، يبدأ المحقق (الذكاء الاصطناعي) في العمل، لكن ليس مسموحاً له بالتجول بحرية. يجب عليه اتباع مخطط المهندس المعماري خطوة بخطوة.

الخطوة 1: يقول المهندس المعماري: "ابحث عن جميع المدرسين". يبحث المحقق في المكتبة، ويجد قائمة (لوكهارت، لوبين، كويريل)، ويدونها.
الخطوة 2: يقول المهندس المعماري: "من في تلك القائمة هو مستذئب؟". يتحقق المحقق في المكتبة مرة أخرى، ويدرك أن لوبين فقط هو من ينطبق عليه الوصف، فيشطب البقية.
الخطوة 3: يقول المهندس المعماري: "من هي زوجة لوبين؟". يجد المحقق الإجابة: "تونكس".

لأن المحقق مجبر على اتباع الخريطة، فلا يمكنه التشتت أو نسيان الخطوات السابقة. "الوسيط" (المهندس المعماري) يحافظ على دقة المنطق.

الخطوة 3: التقرير النهائي

بمجرد أن ينتهي المحقق من اتباع الخريطة والعثور على الإجابة، يعيد القصة كاملة إلى الذكاء الاصطناعي الرئيسي.

يرى الذكاء الاصطناعي: "إليك السؤال، وإليك الخريطة التي اتبعناها، وإليك الحقائق التي وجدناها عند كل محطة، وإليك الإجابة النهائية".
يقوم الذكاء الاصطناعي بعد ذلك بكتابة الإجابة النهائية بثقة، وهو يعلم أن لديه كل الأدلة أمامه مباشرة.

لماذا يعد هذا أفضل؟

لا مزيد من التوهان: من خلال تقسيم السؤال الكبير إلى خطوات صغيرة ومحققة، لا يشعر الذكاء الاصطناعي بالإرهاق.
التحقق من الحقائق: في كل خطوة، يتحقق النظام مما إذا كانت الحقيقة صحيحة قبل الانتقال إلى الخطوة التالية. إذا فشلت خطوة ما، يعرف النظام بالضبط أين أخطأ.
أفضل ما في العالمين: إنه يجمع بين المنطق الصارم لبرنامج كمبيوتر (الذي لا ينسى الخطوة أبداً) وبين مهارات القراءة والكتابة لذكاء اصطناعي يشبه البشر (الذي يمكنه فهم النصوص المعقدة في الكتب).

النتائج

اختبر المؤلفون هذا الأسلوب على مجموعات بيانات المعلومات العامة الصعبة (مثل HotpotQA).

الطريقة القديمة: كان الذكاء الاصطناعي يخمن أو يرتبك، ويجيب بشكل صحيح على حوالي 37-40% من الأسئلة.
طريقة π-CoT: باستخدام "مخطط المهندس المعماري"، أجاب الذكاء الاصطناعي بشكل صحيح على حوالي 49-59% من الأسئلة.

الخلاصة

فكر في π-CoT على أنه منح طالب ذكي جداً ولكنه مشتت الذهن دليلاً دراسياً صارماً قبل خوض الاختبار. لا يزال يتعين على الطالب القيام بالقراءة والكتابة، ولكن لأن لديه خطة واضحة، فإنه لا يصاب بالذعر، ولا يتخطى الخطوات، ويحصل على درجات أفضل بكثير.

إنه يحول جلسة عصف ذهني فوضوية إلى خط إنتاج منظم جيداً، مما يضمن الحصول على الإجابة الصحيحة للأسئلة المعقدة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "π-CoT: Prompting لسلسلة الأفك‏م (Chain-of-Thought) بتهيئة لغة برولوغ (Prolog) للإجابة على الأسئلة متعددة الخطوات."

1. بيان المشكلة

تحسنت قدرات الاستدلال لدى النماذج اللغوية الكبيرة (LLMs) بشكل كبير بفضل تعزيزها بأسلوب "سلسلة الأفكار" (Chain-of-Thought - CoT). ومع ذلك، فإن هذه النماذج تعاني في الإجابة على الأسئلة المعقدة متعددة الخطوات (multi-hop QA)، لا سيما في بيئات التوليد المعزز بالاسترجاع (RAG).

القصور: غالبًا ما تنحرف سلسلة الأفكار (CoT) القياسية عن المسارات المنطقية، أو تقع في فخ الاستدلال الدائري، أو تفقد تتبع الحالات الوسيطة عندما تصبح سلاسل الاستدلال طويلة.
الفجوة: بينما توجد استراتيجيات التفكيك (تقسيم الأسئلة إلى أسئلة فرعية)، إلا أن النماذج اللغوية الكبيرة غالبًا ما تفشل في توليد تفكيكات عالية الجودة دون إشراف، وتواجه صعوبة في تكوين الحقائق بشكل موثوق عبر الخطوات، وتفقد السياق في سلاسل الاستدلال الطويلة.
المقايضة: توفر سلسلة الأفكار (CoT) المرونة ولكنها تفتقر إلى الصرامة الهيكلية؛ بينما توفر البرمجة المنطقية (مثل لغة برولوغ - Prolog) الصرامة الهيكلية والقابلية للتحقق، لكنها تفتقر إلى المرونة في التعامل المباشر مع اللغة الطبيعية غير المهيكلة والاستعلامات الغامضة.

2. المنهجية: π-CoT

يقترح المؤلفون π-CoT (سلسلة الأفك‏م بتهيئة برولوغ)، وهي استراتيجية تحفيز هجينة تجمع بين الصرامة الهيكلية للبرمجة المنطقية والمرونة السياقية للنماذج اللغوية الكبيرة. يتكون سير العمل من ثلاث مراحل رئيسية:

أ. توليد استعلام برولوغ (Prolog Query Generation)

بناءً على سؤال طبيعي متعدد الخطوات، يتم توجيه النموذج اللغوي الكبير لتوليد استعلام برولوغ مكافئ.

يتم تفكيك الاستعلام خوارزميًا إلى تسلسل من الاستعلامات الفرعية أحادية الخطوة ( $q_1, q_2, ..., q_T$ ).
يقوم النموذج اللغوي أيضًا بتوليد تعريفات دلالية للمحمولات (predicates) المستخدمة في الاستعلام لسد الفجوة بين اللغة الطبيعية والصيغة المنطقية.

ب. وحدة SLICE (الاستدلال المنطقي بخطوة واحدة مع الأدلة السياقية)

يقوم النظام بتنفيذ استعلام برولوغ خطوة بخطوة باستخدام وحدة تسمى SLICE.

تتبع الحالة: في كل خطوة $t$ ، يحافظ النظام على مجموعة من الحلول $S_t$ (تعيينات المتغيرات) المستمدة من الخطوة السابقة $S_{t-1}$ .
أنواع الاستعلامات:
1. التحقق (Verification): يتحقق مما إذا كانت حقيقة معينة صحيحة بالنسبة لتعيينات المتغيرات الحالية (مثل werewolf(X)). يقوم النموذج اللغوي بالتحقق من ذلك مقابل الوثائق المسترجعة.
2. الاستخراج (Extraction): يستخرج تعيينات متغيرات جديدة بناءً على الحالة الحالية (مثل wife(X, Y)). يقوم النموذج اللغوي باسترجاع الوثائق ذات الصلة للعثور على قيمة $Y$ .
بناء قاعدة المعرفة: يتم تحويل الحقائق التي تم التحقق منها إلى حقائق برولوغ وإضافتها إلى قاعدة معرفة ديناميكية. يتيح ذلك للنظام تنفيذ الاستعلام الجزئي $(q_1, ..., q_t)$ باستخدام مفسر برولوغ قياسي لتصفية الحلول الصالحة.
إدارة السياق: تقوم الوحدة بتسجيل الممرات المسترجعة وتوليد "ملاحظات" باللغة الطبيعية تلخص الحقائق الوسيطة.

ج. تهيئة سلسلة الأفك‏م النهائية (Final CoT Initialization)

بمجرد اكتمال تنفيذ برولوغ (أو إذا فشل في العثء على حل)، يبني النظام سياقًا شاملاً لاستدعاء نهائي للنموذج اللغوي الكبير. يتضمن هذا السياق:

السؤال الأصلي.
جميع ممرات الوثائق المسترجعة.
"الملاحظات" المهيكلة (الآثار الاستدلالية الوسيطة).
تتبع تنفيذ برولوغ والإجابة المحتملة المستمدة من المحرك المنطقي.

يتم توجيه النموذج اللغوي الكبير النهائي للقيام باستدلال سلسلة الأفك‏م (CoT) باستخدام هذا السياق الغني والمهيكل. إذا وجد برولوغ حلاً صالحًا، فغالبًا ما يُطلب من النموذج اللغوي ببساطة إخراج ذلك الحل، مما يقلل من احتمالية الهلوسة.

3. المساهمات الرئيسية

بنية هجينة مبتكرة: تقدم طريقة لا تتطلب تدريبًا تستخدم برولوغ لفرض مسار استدلال مهيكل، مما يمنع النماذج اللغوية من الانحراف إلى مواضيع غير ذات صلة.
وحدة SLICE: آلية مبتكرة تحل الاستعلامات الفرعية بشكل تكراري، وتدير الحالة ( $S_t$ )، وتحول بين اللغة الطبيعية والحقائق المنطقية ديناميكيًا.
استراتيجية التهيئة: تثبت أن تهيئة خطوة سلسلة الأفك‏م النهائية بـ "العمل الشاق" الذي قامت به عملية تتبع الاستدلال الرمزي (تتبع تنفيذ برولوغ) يحسن الدقة بشكل كبير ويقلل من استخدام الرموز (tokens) مقارنة بسلسلة الأفك‏م النقية.
نهج لا يتطلب تدريبًا: على عكس الطرق السابقة التي تتطلب ضبطًا دقيقًا أو قواعد معرفة مسبقة التجهيز، تعمل π-CoT مع النماذج اللغوية الكبيرة الجاهزة والمسترجعات المتفرقة/الكثيفة.

4. النتائج التجريبية

قام المؤلفون بتقييم π-CoT على أربعة اختبارات مرجعية للأسئلة متعددة الخطوات: HotpotQA, 2WikiMultiHopQA, MuSiQue, و PhantomWiki.

الأسئلة مفتوحة المجال (بيئة RAG):
- الأداء: تفوقت π-CoT بشكل كبير على نماذج RAG القياسية والنماذج القائمة على التفكيك (Self-Ask, IRCoT) في 2WikiMultiHopQA و MuSiQue. وفي HotpotQA، كان أداؤها مشابهًا لأفضل النماذج المرجعية.
- المقارنة مع أحدث التقنيات (SOTA): في مقارنة مباشرة مع HippoRAG 2 (وهي طريقة GraphRAG عالية الأداء)، حققت π-CoT درجات أعلى في المطابقة التامة (EM) و F1 على 2WikiMultiHopQA و MuSiQue، مما يثبت أن استخراج الحقائق غير المتصل (offline) ليس ضروريًا بالضرورة لتحقيق أداء عالٍ.
- الكفاءة: رغم أن π-CoT تتطلب استدعاءات أكثر للنماذج اللغوية (لتوليد الاستعلام والـ CoT النهائي)، إلا أنها تستخدم عددًا أقل من الرموز الإجمالية (tokens) مقارنة بـ IRCoT و Self-Ask لأنها تتجنب توليد سلاسل استدلال طويلة وغير مهيكلة في كل خطوة.
الأسئلة داخل السياق (إعداد المشتتات - Distractor Setting):
- في مجموعات البيانات المعتمدة على ويكيبيديا حيث يتم توفير الممرات الذهبية، كان أداء π-CoT مشابهًا لسلسلة الأفك‏م (CoT) القياسية (من المحتمل أنها وصلت إلى سقف الأداء).
- PhantomWiki (بيانات اصطناعية): في مجموعة بيانات PhantomWiki الأكثر تحديًا (أكوان خيالية مع مشتتات)، تفوقَت π-CoT بشكل كبير على سلسلة الأفك‏م (CoT) القياسية.
  - في PW-S (مجموعة بيانات صغيرة): ارتفع F1 من 71.9% إلى 91.4%.
  - في PW-M (مجموعة بيانات كبيرة): ارتفع F1 من 41.7% إلى 56.9% (زيادة نسبية قدرها 36%).
- تحليل الصعوبة: حافظت π-CoT على دقتها في الأسئلة الأكثر صعوبة ومتعددة الفروع حيث تدهور أداء سلسلة الأفك‏م (CoT) القياسية، مما أظهر قدرة فائقة على تتبع سلاسل الاستدلال المعقدة.
دراسات الاستئصال (Ablation Studies):
- أدى حذف إجابة برولوغ إلى انهيار الأداء في مجموعات البيانات التي تتطلب معرفة خارجية (2WikiMultiHopQA, MuSique)، مما يؤكد ضرورة الخطوة الرمزية.
- كانت "الملاحظات" (الاستدلال الوسيط) حاسمة للمطابقة التقريبية عندما فشلت المساواة الصارمة للنصوص في برولوغ.

5. الأهمية والتأثير

الموثوقية: تعالج π-CoT مشكلات "الهلوسة" و"الاستدلال الدائري" في الأسئلة متعددة الخطوات من خلال ترسيخ عملية الاستدلال في خطوات منطقية قابلة للتحقق.
القابلية للتفسير: تنتج الطريقة تتبع استدلال شفاف (اشتقاق برولوغ + ملاحظات)، مما يجعل من السهل فحص مكان فشل النظام (على سبيل المثال، أخطاء التحليل مقابل فشل الاسترجاع).
الاتجاه المستقبلي: يشير العمل إلى مسار واعد لتدريب النماذج اللغوية الكبيرة لتعمل كوكلاء يمكنهم توليد استعلامات مهيكلة لتجميع المعرفة من مجموعات بيانات ديناميكية وغير مهيكلة دون الحاجة إلى قواعد معرفة مبنية مسبقًا.
القابلية للتوسع: من خلال استخدام برولوغ لتصفية الحالات الوسيطة، تقلل الطريقة من عبء السياق على النموذج اللغوي أثناء عملية الاستدلال، مما يجعلها أكثر كفاءة للمهام المعقدة.

في الختام، تثبت π-CoT أن دمج هياكل الاستدلال الرمزي مع النماذج اللغوية العصبية يخلق نظامًا أكثر قوة ودقة وكفاءة لحل مشكلات الاستدلال المعقدة متعددة الخطوات مقارنة بأي منهما بمفرده.