🤖 AI

Technical Report -- A Context-Sensitive Multi-Level Similarity Framework for First-Order Logic Arguments: An Axiomatic Study

تقدم هذه الورقة إطاراً بديهياً شاملاً لقياس التشابه في حجج المنطق من الدرجة الأولى عبر اقتراح نموذج بارامتري رباعي المستويات يدمج نماذج لغوية حساسة للنحو مع أوزان سياقية لمعالجة أوجه القصور في النهج القضايا المعتادة.

المؤلفون الأصليون: Victor David, Jérôme Delobelle, Jean-Guy Mailly

نُشر 2026-04-15

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Victor David, Jérôme Delobelle, Jean-Guy Mailly

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 قاضٍ في نادي للمناظرة. يقف طالبان، أليس وبوب، ليعرضا وجهات نظرهما. مهمتك ليست مجرد تحديد من الفائز؛ بل عليك معرفة مدى تشابه حججهم. هل يقولان الشيء نفسه تماماً؟ أم أنهما يتحدثان في مسارات مختلفة؟ أم أنهما مجرد نسختين مختلفتين قليلاً من نفس الفكرة؟

لفترة طويلة، كانت الحواسيب جيدة في مقارنة الحجج البسيطة (مثل "إنها تمطر" مقابل "إنها رذاذ"). ولكن عندما تصبح الحجج معقدة — باستخدام المتغيرات، والعلاقات، والمنطق العميق (مثل "كل كلب يحب بعض العظام") — كانت الحواسيب ترتبك. فإما أنها تغفل عن التفاصيل الدقيقة أو يغلبها التعقيد الرياضي.

تقدم هذه الورقة البحثية إطار عمل جديداً فائق الذكاء لقياس مدى تشابه الحجج المعقدة. فكر في الأمر كـ "تلسكوب تشابه متعدد المستويات" يقوم بالتقريب والابتعاد ليرى الصورة الكبيرة والتفاصيل الدقيقة.

إليك كيف يعمل، مقسماً إلى مفاهيم بسيطة:

1. المشكلة: فجوة "الترجمة"

تخيّل أن لديك جملتين:

الجملة أ: "كلب يضايق قرداً في حديقة الحيوان."
الجملة ب: "قرد يضايق كلباً في حديقة الحيوان."

بالنسبة للإنسان، هاتان الجملتان مختلفتان تماماً. في الجملة (أ)، الكلب هو المعتدي. أما في الجملة (ب)، فالقرد هو المعتدي. لكن بالنسبة لحاسوب بسيط، تبدوان متطابقتين تقريباً لأنهما تستخدمان نفس الكلمات ("كلب"، "قرد"، "يضايق"، "حديقة حيوان").

يقول المؤلفون: "نحن بحاجة إلى نظام يفهم البنية (من يفعل ماذا لمن) وَ المعنى (مدى أهمية كلمة 'يضايق' مقارنة بكلمة 'حديقة حيوان')."

2. الحل: التلسكوب ذو المستويات الأربعة

بنى المؤلفون إطار عمل يفكك الحجج إلى أربع طبقات، مثل تقشير البصلة أو النظر إلى مبنى من زوايا مختلفة:

المستوى 1: الطوب (المحمولات والمصطلحات): هذا هو المفردات. هل "كلب" يشبه "جرو"؟ هل "يضايق" يشبه "يلعب"؟ يستخدم النظام الذكاء الاصطناعي (مثل مترجم ذكي) ليعرف أن "كلب" و"جرو" متقاربان، لكن "كلب" و"موزة" ليسا كذلك.
المستوى 2: الملاط (الجمل الخبرية/الحروف): هذا يربط الطوب ببعضه. إنه يتحقق مما إذا كانت الأدوار متطابقة. مثل جملة "الكلب يضايق القرد".
المستوى 3: الغرف (الجمل/العبارات): الجملة هي فكرة أو قاعدة كاملة. يقوم النظام بمقارنة غرف كاملة من الحجة.
المستوى 4: المبنى (الحجج الكاملة): أخيراً، ينظر إلى الهيكل بأكد: المقدمات (الأدلة) والاستنتاج (الادعاء).

3. السر الخفي: "الأوزان السياقية"

هذا هو الجزء الأكثر إبداعاً. تخيل أنك تقارن بين وصفين لوصفتين طعام:

الوصفة أ: "أضف رشة ملح وكوبين من الدقيق."
الوصفة ب: "أضف رشة ملح وكوبين من الجليتر (البريق)."

إذا قمت فقط بعدّ الكلمات، ستبدوان متشابهتين. لكن إذا كنت تخبز كعكة، فإن الدقيق مهم بنسبة 99%، بينما الملح مهم بنسبة 1%. أما الجليتر فهو كارثة.

يسمح إطار عمل المؤلفين لك بتعيين "أوزان الأهمية".

في الحجة القانونية، قد يكون الاستنتاج هو الجزء الأكثر أهمية.
في الحجة العلمية، قد تكون البيانات (المقدمات) أكثر أهمية.
في مثالنا عن "الكلب مقابل القرد"، فإن الفعل "يضايق" هو الجزء الأهم في الجملة. أما الموقع "حديقة الحيوان" فهو أقل أهمية.

يحسب النظام التشابه بقوله: "حسناً، المواقع متطابقة تماماً (100%)، لكن الفعل الرئيسي معكوس (تطابق بنسبة 50%). وبما أن الفعل يمثل 90% من الأهمية والموقع يمثل 10% فقط، فإن إجمالي التشابه هو حوالي 60%."

هذا يفسر لماذا يعرف الحاسوب أن "كلب يضايق قرداً" ليست هي نفسها "قرد يضايق كلباً"، رغم استخدامهما لنفس الكلمات.

4. القواعد "الأكسيوماتية" (كتاب القواعد)

لم يعتمد المؤلفون على التخمين؛ بل كتبوا كتاب قواعد صارم (يسمى الأساس الأكسيوماتي) لضمان تصرف النظام بمنطقية.

قاعدة المرآة: إذا كانت الحجة (أ) تشبه (ب)، فيجب أن تكون (ب) تشبه (أ).
قاعدة الهوية: الحجة دائماً متشابهة بنسبة 100% مع نفسها.
قاعدة "اللاشيء": إذا لم تتشارك الحجتان أي كلمات أو مفاهيم على الإطلاق، فيجب أن يكون تشابههما صفراً.
قاعدة "الإضافة": إذا أضفت معلومة جديدة غير مرتبطة تماماً بالحجة الأخرى، فلا ينبغي أن يرتفع معدل التشابه بشكل سحري.

5. لماذا يهم هذا؟

هذا ليس مجرد أمر للمهووسين بالرياضيات. يساعد هذا الإطار الحواسيب في:

تلخيص المناظرات: يمكنه أن يخبر القاضي: "هذان المحاميان يجادلان حول نفس النقطة ولكن باستخدام كلمات مختلفة"، أو "هذان يختلفان في الحقيقة حول شيئين مختلفين تماماً".
فك المعاني الخفية: أحياناً يترك الناس أجزاءً من حجتهم (مثل قول "هو كلب، لذا فهو مخلص" دون قول "الكلاب مخلصة"). يمكن لهذا النظام ملء الفراغات من خلال إيجاد حجج مشابهة.
شرح قرارات الذكاء الاصطناعي: بدلاً من أن يقول الحاسوب "أعتقد أن هذا متشابه"، يمكنه القول: "أعتقد أن هذا متشابه بنسبة 60% لأن الأفعال الرئيسية متطابقة، لكن الفاعل والمفعول به متبادلان".

الخلاصة

لقد صنع المؤلفون مترجماً وقاضياً في آن واحد. يأخذ الحجج المنطقية المعقدة، ويفككها إلى أصغر أجزائها، ويوزن أهمية كل جزء بناءً على السياق، ويعطي درجة واضحة وقابلة للتفسير حول مدى تشابهها.

إنه يشبه امتلاك أمين مكتبة فائق الذكاء لا يكتفي فقط بعدّ الكلمات المشتركة بين كتابين، بل يقرأ القصة فعلياً، ويفهم أدوار الشخصيات، ويخبرك بالضبط مدى تداخل الحبكات.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "إطار عمل متعدد المستويات وحساس للسياق لتشابه الحجج في المنطق من الدرجة الأولى: دراسة بديهية."

1. بيان المشكلة

يعتمد الاستدلال الصوري على تقييم مدى مقبولية الحجج ضمن بنية رسومية (Graph structure). ويتمثل التحدي الحاسم في هذا المجال في تشابه الحجج: أي تحديد مدى تشابه حجتين لتجنب التكرار في التجميع (على سبيل المثال، في الدلالات التدريجية) أو لتقييم جودة فك شفرة الحجج المبتورة (Enthymeme decoding) (أي إعادة بناء الحجج غير المكتملة).

تتعامل الأطر الحالية مع التشابه في المنطق القضاياوي (Propositional Logic)، لكنها تواجه صعوبات في بيئة المنطق من الدرجة الأولى (First-Order Logic - FOL) الأكثر ثراءً بسبب:

التقارب النحوي (Syntactic Proximity): صعوبة التعامل مع استبدال المتغيرات والاختلافات الهيكلية.
القابلية للتوسع (Scalability): الانفجار التوليفي الناتج عن الاستبدال الكامل للمتغيرات.
الافتقار إلى السياق: غالبًا ما تعامل الطرق الحالية جميع الرموز المنطقية بالتساوي، متجاهلة الأهمية الدلالية لمحددات (Predicates) أو مصطلحات (Terms) معينة في سياقات اللغة الطبيعية.

تهدف الورقة إلى سد هذه الفجوة من خلال اقتراح إطار عمل يتعامل مع حجج المنطق من الدرجة الأولى بـ صرامة هيكلية، دقة دلالية، وتوزين سياقي.

2. المنهجية

يقترح المؤلفون نموذج تشابه بارامتري رباعي المستويات مبني على تمثيل مُجمع بصيغة CNF (الصيغة العادية المتلازمة) لحجج المنطق من الدرجة الأولى. تتكون المنهجية من ثلاث مراحل:

أ. التحويل والتمثيل المنطقي

تعريف الحجة: تُعرف الحجة بأنها زوج $\langle \Phi, \alpha \rangle$ حيث $\Phi$ هي مجموعة دنيا متسقة من المقدمات التي تدعم الادعاء $\alpha$ .
تجميع CNF: للتعامل مع تعقيد المنطق من الدرجة الأولى، يتم تحويل الحجج إلى شكل CNF مجمع ( $\text{CNF}(\Phi)$ ). يتضمن ذلك عملية "سكولمية" (Skolemization) لإزالة المكممات الوجودية والتطبيع القياسي. هذا التقريب يحافظ على القابلية للإرضاء والهيكل مع تجنب عدم جدوى التوسيع (Grounding) الكامل في المجالات المفتوحة.
التكافؤ التقابلي (Bijective Equivalence): تُعتبر الحجج متكافئة إذا وجد تقابل (Bijection) بين مكونات الدعم ومكونات الادعاء يحافظ على التكافؤ المنطقي.

ب. بنية التشابه متعددة المستويات

يحسب الإطار التشابه بشكل هرمي، من العناصر الذرية إلى الحجج الكاملة:

مستوى المحدد والمصطلح ( $sim_P$ ): يقيس التشابه بين المحددات (مثل Tease) والثوابت/المتغيرات (مثل dog). يمكن أن يكون هذا حساسًا للنحو (باستخدام نماذج لغوية مثل SBERT) أو مستقلاً عن النحو (مطابقة دقيقة).
مستوى الجملة الحرفية ( $sim_L$ ): يجمع بين تشابه المحدد والمصطلح. وهو يدعم المقارنات المرتبة (الموضعية) وغير المرتبة (أفضل مطابقة)، ويتحكم فيه معامل $\lambda$ .
مستوى العبارة ( $sim_C$ ): يستخدم مقياس تفيرسكي الضبابي (Fuzzy Tversky measure) لتجميع تشابهات الجمل الحرفية داخل العبارة. وهذا يسمح بالمطابقة الجزئية ويتعامل مع العبارات ذات الأطوال المختلفة.
مستوى مجموعة العبارات ( $sim_S$ ): يجمع تشابهات العبارات باستخدام استراتيجية أفضل مطابقة موزونة. يتم مطابقة العبارات مع أفضل نظير لها في المجموعة المقابلة، وتوزن حسب أهميتها السياقية.

ج. التوزين الحساس للسياق

الابتكار الرئيسي هو إدخال الأوزان السياقية ( $w_p, w_c$ ) المخصصة للمحددات، المصطلحات، والعبارات.

الأهمية الديناميكية: تعكس الأوزان الأهمية الدلالية للعناصر في سياق معين (على سبيل المثال، قد يكون المحدد Tease أكثر أهمية من AtLocation في حجة معينة).
التجميع: يتم دمج هذه الأوزان في حسابات التشابه، مما يضمن أن المكونات ذات الأهمية العالية ولكن غير المتشابهة قليلاً لها تأثير أكبر على الدرجة النهائية من المكونات التافهة المتطابقة تمامًا.

د. تشابه الحجة النهائي

يتم حساب التشابه بين الحجتين $A$ و $B$ كجموع موزون لتشابه دعمهما ( $S$ ) وادعائهما ( $C$ ):
$sim_{Arg}(A, B) = \eta \times sim_S(S(A^c), S(B^c)) + (1 - \eta) \times sim_S(C(A^c), C(B^c))$
حيث يوازن $\eta$ بين أهمية المقدمات مقابل الاستنتاجات.

3. المساهمات الرئيسية

أساس بديهي ممتد: تحدد الورقة مجموعة شاملة من 14 مبدأً (بديهيات) لتشابه الحجج، بما في ذلك:
- القصوى (Maximality)، التماثل (Symmetry)، الاستبدال (Substitution): الخصائص القياسية.
- الاستقلال عن النحو: (اختياري، اعتمادًا على اختيار النموذج).
- الدنيا وعدم الصفر (Minimality & Non-Zero): لضمان انتقال التشابه من المستويات الأساسية.
- الرتابة (Monotony) والتعزيز (Reinforcement): لصياغة كيفية تأثير إضافة المعلومات على درجات التشابه.
  أثبت المؤلفون أن إطار عملهم يستوفي هذه المبادئ تحت شروط محددة.
عائلتان من النماذج:
- الحساسة للنحو ( $M_{sb}$ ): تستخدم النماذج اللغوية (مثل SBERT) لـ $sim_P$ ، لالتقاط الفروق الدلالية (مثل "house" $\approx$ "apartment").
- المستقلة عن النحو ( $M_{eq}$ ): تستخدم المطابقة الدقيقة، وهي مناسبة للتكافؤ المنطقي الصارم.
  كلا العائلتين تدمجان آلية التوزين السياقي.
خط معالجة هجين (Hybrid Pipeline): خط معالجة ثلاثي المراحل يجمع بين:
- التحويل الرمزي (نص $\leftarrow$ منطق من الدرجة الأولى $\leftarrow$ CNF).
- تعيين الوزن السياقي (يدوي أو متعلم).
- حساب التشابه الهيكلي (التجميع متعدد المستويات).

4. النتائج والتقييم

دراسة حالة (مجموعة بيانات STSb): تم اختبار الإطار على جمل من اللغة الطبيعية تم تحويلها إلى منطق من الدرجة الأولى.
- السيناريو: مقارنة "كلب يمازح قردًا" مقابل "قرد يمازح كلبًا".
- الأداء: حقق الإطار درجة تشابه بلغت 0.628، وهي مطابقة تقريبًا للمتوسط البشري البالغ 0.630.
- المقارنة:
  - SBERT أعطى 0.985 (مرتفع جدًا، يتجاهل عكس الأدوار).
  - S3BERT أعطى 0.990 (مرتفع، يفتقر إلى تفسير واضح).
  - ChatGPT-4o أعطى 0.400 (منخفض جدًا، يفتقر إلى الهيكل).
- القابلية للتفسير: قدم الإطار تفكيكًا شفافًا، حيث أظهر أن بينما تطابقت عبارات الموقع تمامًا (وزن منخفض)، فإن عكس الدور في محدد Tease (وزن عالٍ) قلل الدرجة بشكل كبير.
مقارنة الحجج: في سيناريو يقارن ثلاث حجج حول سلوك الحيوان، أظهر الإطار أن ترتيب التشابه بين الحجج يمكن أن يتغير بناءً على معامل التوزين $\eta$ (المقدمات مقابل الادعاءات)، مما يوضح مرونته لمهام الاستدلال المختلفة (مثل المناظرة أو فك شفرة الحجج المبتورة).
الضمانات النظرية: تثبت النظريات من 1 إلى 10 رسميًا أن النماذج المقترحة تستوفي المبادئ البديهية المعرفة (مثل القصوى، التماثل، الرتابة)، باستثناء الاستقلال عن النحو لنموذج SBERT (بسبب التصميم) وعدم الصفر في حالات حافة معينة.

5. الأهمية

الربط بين المنطق ومعالجة اللغات الطبيعية (NLP): يعد هذا العمل خطوة هامة نحو تطبيق نظرية الحجما الرسمية على معالجة اللغات الطبيعية. فهو يستفيد من بنية المنطق من الدرجة الأولى لتوفير ذكاء اصطناło قابل للتفسير (XAI) بينما يستخدم النماذج اللغوية للتعامل مع الغموض الدلالي.
القابلية للتفسير: على عكس نماذج التضمين (Embedding models) "الصندوق الأسود"، يقدم هذا الإطار تفكيكًا رمزيًا. يمكن للمستخدمين تتبع أي المحددات أو المصطلحات أو العبارات التي أدت إلى درجة التشابه، مما يجعله ذا قيمة عالية لدعم القرار والاستدلال القانوني أو الطبي.
القابلية للتوسع في المجالات المفتوحة: من خلال استخدام "السكولمية" وتقريب المتغيرات كثوابت، يتجنب الإطار التعقيد الحسابي لعملية التوسيع الكامل للمنطق من الدرجة الأولى، مما يجعله قابلًا للتطبيق في سيناريوهات العالم الحقيقي ذات المجالات المفتوحة.
الوعي بالسياق: يعالج إدخال التوزين السياقي عيبًا رئيسيًا في التشابه المنطقي التقليدي، حيث تُعامل جميع الرموز بالتساوي. وهذا يسم يسمح للنظام بالتكيف مع الفروق الدقيقة المحددة لمناظرة أو مجال معين.

في الختام، تقدم الورقة إطار عملًا رصينًا من الناحية النظرية وقابلًا للتطبيق عمليًا، يعزز تقييم تشابه الحجج في المنطق من الدرجة الأولى، ويقدم بديلًا قويًا للمناهج الإحصائية البحتة أو النحوية البحتة.