UFAL-CUNI at SemEval-2026 Task 11: An Efficient Modular Neuro-symbolic Method for Syllogistic Reasoning
يقدم فريق UFAL-CUNI نظاماً عصبياً رمزياً نموذجياً وفعالاً لمهمة SemEval-2026 Task 11 يجمع بين محلل لغوي يعتمد على نموذج لغوي كبير بـ 4 مليارات بارامتر ومثبت نظريات رمزي لتحقيق دقة تنافسية في الاستدلال القياسي، مع التفوق على النماذج المرجعية ذات القدرة الصفرية، رغم تسليطه الضوء على القيود في القدرات متعددة اللغات للنماذج الأصغر حجماً.
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 تعليم طالب ذكي جداً، ولكنه مشتت الانتباه قليلاً (وهو نموذج لغوي كبير)، كيفية حل الألغاز المنطقية التي تسمى القياسات المنطقية (Syllogisms). هذه الألغاز تشبه ما يلي:
- المقدمة 1: كل القطط حيوانات.
- المقدمة 2: بعض الحيوانات كائنات منفوشة.
- الاستنتاج: بناءً على ذلك، بعض القطط كائنات منفوشة.
المشكلة هي أن هذا الطالب لديه عادة سيئة: فهو يترك معرفته بالعالم الحقيقي تتدخل في طريق الحل. إذا قال اللغز "كل القطط منفوشة"، فقد يقول الطالب "صحيح" لمجرد أنه يعرف أن القطط منفوشة، حتى لو كان منطق اللغز لا يدعم هذا الاستنتاج فعلياً. وهذا ما يسمى بـ "تأثير المحتوى" (Content Effect). الطالب هنا منحاز لما "يعتقد" أنه صحيح، بدلاً من الالتزام بقواعد اللغز.
لقد صمم مؤلفو هذه الورقة البحثية "نظام تدريس" خاصاً لإصلاح هذه المشكلة. وإليك كيفية عمل نظامهم، مشروحاً ببساطة:
1. المترجم (المفسر ثنائي اللغة)
أولاً، إذا كان اللغز بلغة أجنبية (مثل البرتغالية أو الروسية)، يستخدم النظام نموذجاً لغوياً كبيراً لترجمته إلى الإنجليزية. فكر في هذا كمترجم يضمن أن الجميع يتحدثون نفس اللغة قبل بدء لعبة المنطق.
2. خبير التدوين (كاتب LaTeX)
هذه هي الحيلة الذكية للنظام. بدلاً من مطالبة الطالب بحل اللغز مباشرة، يطلب منه النظام إعادة كتابة الجمل في "كود" محدد يسمى منطق الدرجة الأولى (First-Order Logic - FOL)، مكتوباً بتنسيق LaTeX (والذي يشبه الصيغ الرياضية).
- لماذا LaTeX؟ أدرك المؤلفون أن مطالبة الطالب بالكتابة مباشرة بلغة الحاسوب الأصلية (تنسيق Prover9) يشبه مطالبة إنسان بالتحدث بلغة الآلة (Binary Code)؛ فهذا يسبب الكثير من الأخطاء.
- التشبيه: الأمر يشبه مطالبة طالب بكتابة مسألة رياضية على سبورة باستخدام رموز قياسية (, , ) أولاً، بدلاً من محاولة كتابتها مباشرة في آلة حاسبة لا تفهم إلا كوداً غريباً ومحدداً. الطالب يكون أفضل بكثير في كتابة نسخة "السبورة" هذه لأنه قد رآها كثيراً في بيانات تدريبه.
3. المترجم (محول الكود)
بمجرد أن يكتب الطالب المنطق بتنسيق "السبورة" (LaTeX)، يعمل نص برمجي بسيط (مُحوّل/Transpiler) كمدقق صارم. يقوم هذا النص فوراً بتحويل كود LaTeX النظيف إلى الكود المحدد والجامد الذي يحتاجه الحاسوب لتشغيل البرهان (تنسيق Prover9). هذه الخطوة ميكانيكية بحتة ولا تتضمن الطالب "المشتت"، لذا نادراً ما ترتكب أخطاء.
4. القاضي (المثبت الآلي)
أخيراً، يسلم النظام الكود الجامد إلى "مثبت نظريات" (Theorem Prover) (وهو برنامج يسمى Prover9). هذا عبارة عن قاضٍ آلي ليس لديه مشاعر ولا معرفة بالعالم الحقيقي. هو لا يهتم إذا كانت القطط منفوشة أو إذا كان القمر مصنوعاً من الجبن. هو يتحقق فقط من: هل الاستنتاج يتبع المقدمات رياضياً؟ إذا كانت الرياضيات صحيحة، يقول "صالح" (Valid). وإذا لم تكن، يقول "غير صالح" (Invalid).
5. المحقق (إيجاد القرائن الهامة)
بالنسبة للألغاز الأكثر صعوبة حيث توجد جمل إضافية غير مفيدة مختلطة باللغز، يستخدم النظام "خوارزمية جشعة" (Greedy Algorithm). يعمل النظام مثل محقق يحاول إزالة دليل واحد في كل مرة. إذا ظل اللغز منطقياً بدون دليل معين، فإن هذا الدليل غير ذي صلة. وإذا انهار اللغز، فهذا يعني أن ذلك الدليل كان ضرورياً. هذا يضمن أن النظام يركز فقط على الحقائق التي تهم فعلياً.
ماذا وجدوا؟
- الصغر هو الجمال: استخدموا نموذج ذكاء اصطناعي صغيراً نسبياً (4 مليارات معلمة/Parameter) لجزء "الطالب". ورغم أن النماذج الصغيرة عادة ما تعاني مع المنطق المعقد، إلا أن هذا النظام جعلها جيدة جداً فيه عبر نقل عملية الاستنتاج الفعلية إلى "الروبوت القاضي".
- هزيمة الانحياز: من خلال إجبار الذكاء الاصطناعي على الترجمة إلى المنطق أولاً ثم ترك الروبوت القاضي يحكم النتيجة، نجحوا في إيقاف انحياز الذكاء الاصطناعي بالحقائق الواقعية. لقد انخفض "تأثير المحتوى" بشكل ملحوظ.
- مشكلة المعايير: تشير الورقة أيضاً إلى خلل في كيفية تسجيل النقاط في المسابقة. كان نظام تسجيل النقاط حساساً للغاية بحيث يمكن لخطأ عشوائي صغير أن يدمر درجة الفريق، مما يجعل من الصعب معرفة ما إذا كان النظام "جيداً" حقاً أم أنه كان "محظوظاً" فقط.
الخلاصة
تظهر الورقة أنك لست بحاجة إلى ذكاء اصطناعي عملاق وفائق الذكاء لحل الألغاز المنطقية. بدلاً من ذلك، يمكنك استخدام ذكاء اصطناعي صغير كـ "مترجم" لتحويل اللغة البشرية إلى رياضيات، ثم ترك "روبوت غبي لكنه مثالي" يقوم بعملية التفكير الفعلية. هذا المزيج يمنع الذكاء الاصطناعي من التشتت بما "يعرفه" عن العالم ويجبره على الالتزام بقواعد المنطق الصارمة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.