تقدم هذه الورقة نظاماً يعتمد على نماذج لغوية كبيرة يعمل من البداية إلى النهاية لإعادة بناء الحجج من النصوص الطبيعية إلى رسوم بيانية موجهة غير حلقية مجردة، مما يثبت من خلال التقييمات اليدوية والكمية قدرته على استعادة الهياكل الحجاجية بفعالية وتحقيق أداء معقول عبر مجموعات البيانات المرجعية.
المؤلفون الأصليون:Paulo Pirozelli, Victor Hugo Nascimento Rocha, Fabio G. Cozman, Douglas Aldred
تخيل أنك تحاول فهم محادثة فوضوية ومعقدة بين شخصين يتجادلان حول أمر ما. يقول أحد الشخصين: "يجب أن نفعل (س)"، ثم يسرد مجموعة من الأسباب، بعضها مخفي، وبعضها يهاجم نقاط الطرف الآخر، وبعضها مجرد تعليقات جانبية. من الصعب رؤية "شكل" الحجة بمجرد الاستماع إليها.
تقدم هذه الورقة البحثية أداة ذكاء اصطناعي جديدة مصممة لتعمل مثل مهندس معماري منظم للغاية. مهمتها هي أخذ تلك المحادثة الطبيعية الفوضوية (النص) وتحويلها إلى مخطط هندسي بصري نظيف (رسم بياني) يوضح بالضبط كيف بُنيت تلك الحجة.
إليك كيف تشرح الورقة هذا النظام، باستخدام تشبيهات بسيطة:
1. المشكلة: أداتان مختلفتان
يقول المؤلفون إن لدينا حاليًا طريقتين للتعامل مع الحجج، ولكن لكل منهما عيوب:
"المهندس المعماري الصارم" (أطر الحجاج): هذه قواعد حاسوبية قديمة جيدة جدًا في رسم مخططات هندسية مثالية. لكنها سيئة جدًا في فهم اللغة البشرية؛ فهي لا تستطيع فهم ما "يعنيه" الناس إذا لم يقلوا ذلك صراحة.
"الصديق الثرثار" (النماذج اللغوية الكبيرة أو LLMs): هذه نماذج ذكاء اصطناعي ذكية (مثل النموذج الذي قد تتحدث إليه الآن) بارعة في فهم اللغة البشرية، واللغة العامية، والمعاني الخفية. لكنها سيئة في رسم مخططات صارمة؛ فإذا طلبت منها رسم خريطة، قد تعطيك خربشة تبدو جميلة ولكنها لا تتبع القواعد.
الحل: بنى المؤلفون نظامًا يجمع بين الاثنين. فهم يستخدمون "الصديق الثرثار" لفهم النص، لكنهم يجبرونه على اتباع قواعد "المهندس المعماري الصارم" لإنتاج خريطة منطقية مثالية.
2. موقع البناء: عملية متسلسلة خطوة بخوة
النظام لا يخمن الخريطة بأكملها دفعة واحدة، بل يعمل كطاقم بناء يعمل على مراحل (عملية متسلسلة/Pipeline). فكر في الأمر كبناء منزل غرفة بغرفة:
الخطوة 1: إيجاد الطوب (تحديد المكونات): يقرأ الذكاء الاصطناعي النص ويختار "الطوب" (الادعاءات والأسباب/المقدمات). ويتجاهل الحشو، مثل "آه"، أو "حسنًا"، أو القصص التي لا تهم.
الخطوة 2: تنعيم الحواف (الدمج وإعادة الكتابة): أحيانًا يقول المتحدث الشيء نفسه مرتين أو يستخدم ضميرًا مثل "هو" دون ذكر ما يعود عليه. يقوم الذكاء الاصطناعي بإصلاح هذا، عبر دمج الطوب المكرر وإعادة كتابته بحيث يصبح مفهومًا بحد ذاته.
الخطوة 3: إيجاد السقف (تحديد الاستنتاج): يسأل الذكاء الاصطناعي: "ما هي النقطة الرئيسية التي يحاول هذا المنزل بأكمله إثباتها؟". تصبح هذه النقطة هي السقف (الاستنتاج).
الخطوة 4: توصيل العوارض (رسم العلاقات): الآن يحدد أي من الطوب يدعم السقف وأيها يحاول هدمه. يرسم خطوطًا (حواف) بينها.
الدعم: عارضة تحمل السقف للأعلى.
الهجوم: مطرقة تحاول كسر عارضة.
التقويض (Undercut): خدعة ذكية لا تكسر العارضة، لكنها تثبت أن الطريقة التي رُبطت بها العارضة خاطئة.
الخطوة 5: سد الفجوات (المقدمات الضمنية): أحيانًا يترك الناس أشياء غير منطوقة لأنهم يفترضون أنك تعرفها بالفعل (مثل "السماء زرقاء" عند الجدال حول الطقس). يحاول الذكاء الاصطناعي تخمين هذه "الطوب غير المرئي" المفقود وإضافته إلى الخريطة حتى يتماسك الهيكل.
الخطوة 6: المخطط النهائي (الرسم البياني): النتيجة هي رسم بياني موجه غير حلقي (DAG). بعبارات بسيطة، هذا عبارة عن مخطط انسيابي حيث تشير الأسهم من الأسباب إلى الاستنتاجات، ولا توجد حلقات مربكة (لا يمكن أن يكون هناك سبب يعتمد على الاستنتاج الذي يحاول إثباته).
3. اختبار المخطط
اختبر المؤلفون نظامهم بطريقتين:
الاختبار أ: فحص الكتاب المدرسي (التقييم الداخلي): أخذوا حججًا من كتاب فلسفة (حيث الإجابات معروفة مسبقًا) وطلبوا من الذكاء الاصطناعي رسم الخرائط.
النتيجة: كان الذكاء الاصطناعي ممتازًا في إيجاد الاستنتاج الرئيسي (دقة 92%) وقام بعمل جيد جدًا في رسم الهيكل العام. كما كان جيدًا في العثور على "الطوب غير المرئي" الخفي أيضًا.
الاختبار ب: فحص مجموعة البيانات العامة (التقييم الخارجي): جربوا النظام على مجموعات بيانات عامة يستخدمها باحثون آخرون.
النتيجة: هنا، واجه النظام بعض الصعوبات. المشكلة الرئيسية لم تكن في فهم المنطق، بل في تحديد الجمل الدقيقة في النص التي تعتبر حججًا. أحيانًا كان الذكاء الاصطناعي يأخذ نصًا أكثر من اللازم أو أقل من اللازم. ومع ذلك، بمجرد أن أعطى الباحثون الذكاء الاصطناعي الجمل الصحيحة للبدء بها، كان منطق الذكاء الاصطناعي في الواقع أفضل من الأنظمة السابقة في معرفة كيفية اتصال تلك الجمل ببعضها البعض.
4. الخلاصة
يزعم البحث أن هذا النظام هو "جسر" ناجح. فهو يثبت أنه يمكنك أخذ ذكاء اصطناعي ذكي وثرثار وتعليمه بناء خرائط حجاجية صارمة ومنطقية.
ما يفعله بشكل جيد: يفهم المنطق والمعنى الخفي للحجج بشكل أفضل من الأنظمة القديمة القائمة على القواعد.
ما لا يزال يعاني منه: يواجه أحيانًا صعوبة في تحديد الحدود الدقيقة للجملة في نص فوضوي.
يخلص المؤلفون إلى أنه على الرغم من أن النظام ليس مثاليًا بعد، إلا أنه يظهر وعدًا كبيرًا في تحويل النقاشات البشرية الفوضوية إلى مخططات مهيكلة وواضحة يمكننا تحليلها وفهمها حقًا.
ملخص تقني: نظام قائم على النماذج اللغوية الكبيرة (LLM) لإعادة بناء الحجج
بيان المشكلة تواجه الحجاج الحاسوبي ثنائية جوهرية. فمن ناحية، توفر أطر الحجاج (AFs) الرسمية هياكل قائمة على الرسوم البيانية الصارمة لتقييم قبول الحجة، لكنها تعاني في استخراج الحجج من اللغة الطبيعية الخام، وغالباً ما تفشل في التعامل مع المقدمات الضمنية، والسياق البراغماتي، وتنوع الخطاب في العالم الحقيقي. ومن ناحية أخرى، تمتلك النماذج اللغوية الكبيرة (LLMs) معرفة سياقية غنية ويمكنها تحديد الروابط الضمنية، لكنها تفتقر إلى الهياكل المنهجية ذات الأسس النظرية لتمثيل الحجج. وتؤدي مخرجات النماذج اللغوية الكبيرة الجاهزة غالباً إلى نتائج غير متسقة يصعب مقارنتها أو تجميعها، بينما تعتمد مناهج استخراج الحجج التقليدية غالباً على سمات سطحية تفوت العلاقات المنطقية الأعمق. التحدي الأساسي يكمن في جسر هذه الرؤى: إنشاء نظام يستفيد من الطلاقة والاستدلال القائم على المنطق العام للنماذج اللغوية الكبيرة مع الالتزام بالصرامة الهيكلية لأطر الحجاج الرسمية.
المنهجية يقترح المؤلفون نظاماً شاملاً (end-to-end) قائماً على النماذج اللغوية الكبيرة يعيد بناء الحجج من النصوص الطبيعية إلى رسوم بيانية موجهة غير حلقية (DAGs). يستخدم النظام خط معالجة متعدد المراحل (multi-stage pipeline) مصمماً لبناء الهياكل الحجاجية بشكل تدريجي، مما يضمن مخرجات سليمة من خلال قيود صريحة. يتكون خط المعالجة من المراحل التالية:
تحديد المكونات الحجاجية: يقوم النموذج اللغوي الكبير بتحديد وحصر الادعاءات والمقدمات، مع تصفية المحتوى غير ذي الصلة. وبخلاف الأنظمة القائمة على القواعد، فإنه يستفيد من الفهم السياقي المسبق للتمييز بين النطاقات الحجاجية.
الدمج وإعادة الكتابة (اختياري): يتم دمج المكونات الزائدة أو المترابطة وثيقاً لضمان الوحدة المنطقية. كما تُعاد كتابة المكونات لحل التعبيرات المعتمدة على السياق (مثل الضمائر)، مما يجعلها مكتفية ذاتياً.
تحديد الاستنتاج والعلاقة:
تحديد الاستنتاج: يتم استخراج الاستنتاج الرئيسي.
علاقة المقدمة (استراتيجية تكرارية): باستخدام بحث بالعرض (breadth-first traversal)، يحدد النظام بشكل تكراري المقدمات التي تدعم أو تهاجم استنتاجاً مستهدفاً. هذا التفكيك يقلل التعقيد ويفرض هيكلاً غير حلقي عبر قصر المقدمات المرشحة على المكونات غير المزورة سابقاً.
التحسين الهيكلي المتقدم (اختياري):
فحص المقدمات غير المزورة: يضمن ربط المكونات المنفصلة أو دمجها إذا كانت تشكل حلقات.
المقدمات المرتبطة مقابل المقدمات المتلاقية: يميز بين المقدمات التي تبرر استنتاجاً بشكل مشترك (مرتبطة/linked) وتلك التي تقدم أسباباً مستقلة (متلاقية/convergent)، باستخدام عقد وسيطة للعلاقات المرتبطة.
التمييز بين الدحض والتقويض: يميز بين الهجمات على مقدمة (دحض/rebuttal) والهجمات على رابط الاستدلال نفسه (تقويض/undercut)، مع إدراج عقد وسيطة للأخير.
بناء الرسم البياني والتصور: المخرج النهائي هو رسم بياني موجه غير حلقي (DAG) حيث تمثل العقد المكونات وتمثل الحواف الموجهة علاقات الدعم أو الهجوم. يتضمن النظام خطوة اختزال متعدٍ (transitive reduction) لإزالة الحواف الزائدة وبانٍ للمخططات للفحص البصري.
المساهمات الرئيسية
إطار عمل موحد: يقدم البحث نظاماً جديداً يدمج الاستخراج المدفوع بالنماذج اللغوية الكبيرة مع قيود الحجاج الرسمية، مما يجسّر بفعالية الفجوة بين معالجة اللغة الطبيعية والمنطق الصوري.
خط معالجة شامل: خط معالجة معياري متعدد المراحل لا يستخرج المكونات فحسب، بل يستنتج أيضاً العلاقات المنطقية المعقدة (التقويض، المقدمات المرتبطة، الافتراضات الضمنية) ويفرض هيكل الرسم البياني الموجه غير الحلقي (DAG).
مجموعة بيانات جديدة: أنشأ المؤلفون مجموعة بيانات صغيرة مشروحة من 42 حجة مستمدة من كتاب مدرسي في نظرية الحجاج (Introduction to Argumentative Analysis لـ Marcus Sacrini)، وتتميز بمخططات تتوافق مع مخطط التمثيل المقترح.
النتائج التجريبية تم تقييم النظام من خلال تجربتين متكاملتين:
التقييم الداخلي (مجموعة بيانات الكتاب المدرسي):
على مستوى المكون: حقق النظام دقة بنسبة 92.50% في اكتشاف الاستنتاج. وحقق اكتشاف النطاق (span detection) درجة F1 بلغت 75.70%، ودقة اكتشاف العلاقة بلغت 80.57%.
على مستوى الهيكل: قيم المقيّمون البشريون النظام بدرجات عالية على مقياس من 1 إلى 3 في المقدمات الضمنية (2.86)، والتقويض (2.90)، والمقدمات المتلاقية/المرتبطة (2.85)، مع اتفاق عالٍ بين المقيّمين.
على المستوى العالمي: تم تقييم الرسوم البيانية المولدة بدرجات عالية من حيث الاكتمال (2.96) والأمانة (2.92)، مما يشير إلى أن النظام يلتقط الهياكل الرئيسية دون اختلاق محتوى.
التقييم الخارجي (مجموعات البيانات المرجعية: AAEC وAbstRCT):
عند تقييمه على معايير استخراج الحجج القياسية، أظهر خط المعالجة الكامل (بما في ذلك اكتشاف النطاق) أداءً أقل (على سبيل المثال، F1 قدره 27.64 في AAEC لتصنيف المكونات)، ويرجع ذلك أساساً إلى الصعوبات في مطابقة النطاق بدقة مع الحقيقة الأرضية. كـ، عند تزويده بـ مكونات ذهبية (gold-standard) (بتجاوز مرحلة اكتشاف النطاق)، تحسن أداء النظام بشكل ملحوظ. في مجموعة بيانات AbstRCT، حقق F1 للتنبؤ بالروابط 51.51 وF1 لاكتشاف العلاقة 46.21، متفوقاً على خط الأساس لأحدث التقنيات (Morio et al., 2022) بمقدار +11.77 و**+7.5** على التوالي. وهذا يشير إلى أن النموذج يلتقط الهيكل العلاقي بفعالية بمجرد معرفة المكونات.
الأهمية والادعاءات يزعم البحث أن النظام المقترح يثبت إمكانات خطوط المعالجة القائمة على النماذج اللغوية الكبيرة لإعادة بناء الحجج بشكل قابل للتوسع. لقد نجح في استعادة الهياكل الحجاجية التي تتوافق مع معايير نظرية الحجاج، بما في ذلك الظواواهر الدقيقة مثل التقويض والمقدمات الضمنية. ويخلص المؤلفون إلى أنه بينما يعيد النظام بناء الحجج بأسلوب الكتب المدرسية بشكل كافٍ ويحقق أداءً معقولاً في المعايç المرجعية عند تكييفه مع مخططات ترميز مختلفة، إلا أن التحديات لا تزال قائمة في تحديد المكونات (اكتشاف النطاق). يسلط العمل الضوء على أن الجمع بين نقاط القوة السياقية للنماذج اللغوية الكبيرة والصرامة الهيكلية للأطر الرسمية هو مسار قابل للتطبيق، وإن كان هناك حاجة لعمل مستقبلي لتحسين استراتيجيات التلقين (prompting) وتقييم النظام على مجموعات بيانات أكثر تعقيداً وواقعية.