🤖 AI

Neurosymbolic Learning for Inference-Time Argumentation

تقدم هذه الورقة "الاستدلال الحجاجي أثناء الاستنتاج" (Inference-Time Argumentation - ITA)، وهو إطار عمل عصبي رمزي يدمج دلالات الحجاج الصورية لتدريب النماذج اللغوية الكبيرة على توليد وتقييم الحجج، مما يتيح تحققاً ثلاثياً من الادعاءات يتسم باليقين والأمانة ويتفوق على النماذج المرجعية الحالية مع توفير استدلال شفاف وقابل للفحص.

المؤلفون الأصليون: Gabriel Freedman, Adam Dejl, Adam Gould, Mansi, Lihu Chen, Jianqi Jiang, Francesca Toni

نُشر 2026-05-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Gabriel Freedman, Adam Dejl, Adam Gould, Mansi, Lihu Chen, Jianqi Jiang, Francesca Toni

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 قاعة محكمة، ولكن بدلاً من وجود محامٍ بشري، لديك مساعد آلي ذكي وسريع التحدث. مهمتك هي تحديد ما إذا كانت العبارة صحيحة، أو خاطئة، أو إذا كنت ببساطة لا تملك معلومات كافية لاتخاذ القرار.

في الماضي، إذا سألت هذا الروبوت: "هل صحيح أن تناول الجزر يحسن رؤيتك الليلية؟"، فقد يكتفي بنطق "صحيح" أو "خطأ" بناءً على ذاكرته الداخلية. وإذا أخطأ، فقد لا يستطيع حقاً شرح لماذا اعتقد ذلك، سوى بالقول: "أنا فقط أشعر بذلك".

تقدم هذه الورقة البحثية طريقة جديدة لتدريب الروبوت، تسمى الاستدلال القائم على المحاجة (Inference-Time Argumentation - ITA). فكر في الأمر كأنك تعلم الروبوت كيف يعمل مثل نادي المناظرة بدلاً من كونه آلة للمعلومات العامة.

الفكرة الجوهرية: نادي المناظرة

بدلاً من مجرد تخمين الإجابة، يتم تدريب الروبوت على:

توليد الحجج: يقوم بكتابة قائمة بالأسباب المؤيدة للادعاء (المؤيدون) والأسباب المعارضة له (المعارضون).
تقييم الحجج: يقوم بتعيين "درجة قوة" لكل حجة (مثل وزن على ميزان).
حساب الحكم: يستخدم قاعدة رياضية محددة (محرك "الدلالات") لوزن كل هذه الحجج ضد بعضها البعض.
- إذا كانت حجج "الصواب" ثقيلة بما يكفي، يكون الحكم هو صحيح.
- إذا كانت حجج "الخطأ" هي الأثقل، يكون الحكم هو خطأ.
- إذا كانت الكفات متوازنة أو الأدلة ضعيفة، يكون الحكم غير مؤكد.

إن سحر هذه الورقة البحثية هو أن الروبوت لا يستخدم "نادي المناظرة" هذا لشرح إجابته فحسب؛ بل إنه يتعلم كيف يكون مناظراً أفضل أثناء عملية التدريب نفسها.

الأداتان الرئيسيتان

بنى الباحثون نظاماً يتكون من جزأين يتعلمان معاً:

1. مولد الحجج (المتحدث)
هذا هو الجزء الذي يكتب نقاط "مع" و"ضد".

كيف يتعلم: استخدم الباحثون تقنية تسمى التعلم التعزيزي (Reinforcement Learning). تخيل أن الروبوت يلعب لعبة فيديو؛ في كل مرة يكتب فيها حجة جيدة تساعد الحكم النهائي على الاستقرار في الجانب الصحيح، يحصل على "نقطة". وإذا كتب حجة سيئة تشتت الحكم، فإنه يخسر نقاطاً. بمرور الوقت، يتعلم كتابة حجج أفضل وأكثر فائدة.

2. نموذج التقييم الأساسي (القاضي)
هذا هو الجزء الذي يقرر مدى قوة كل حجة.

كيف يتعلم: في الأنظمة القديمة، كان الروبوت يخمن قوة الحجة فحسب. أما هنا، فإن الروبوت يتعلم تعيين الدرجات من خلال النظر إلى النتيجة النهائية. إذا أعطى الروبوت درجة عالية لحجة ضعيفة وتسبب ذلك في جعل الحكم النهائي خاطئاً، فإن النظام يقول له: "مهلاً، لقد أعطيت تلك الحجة تقديراً أكبر مما تستحق! حاول مجدداً". إنه يتعلم معايرة تقييمه بحيث يكون النقاش النهائي منطقياً.

لماذا "غير مؤكد" أمر جيد

عادةً ما تحاول أنظمة الذكاء الاصطناعي فرض إجابة ما. ولكن في الحياة الواقعية (كما في الطب أو التمويل)، قد تكون المعلومات أحياناً مشوشة أو ناقصة.

التشبيه: تخيل محققاً يحاول حل جريمة. إذا لم تكن هناك بصمات أصابع ولا شهود، فإن المحقق الذكي يقول: "لا أعرف بعد"، بدلاً من التخمين بأن "الخادم هو الفاعل".
في هذه الورقة، يُعامل تصنيف "غير مؤكد" كإجابة صالحة وصادقة. فالنظام مصمم للاعتراف عندما لا يكون النقاش قوياً بما يكفي لاختيار جانب ما.

النتائج: هل نجح الأمر؟

اختبر الباحثون هذا الروبوت الجديد بنظام "نادي المناظرة" مقابل نوعين آخرين من الروبوتات:

المخمنون المباشرون: روبوتات تحاول فقط تخمين "صحيح/خطأ/غير مؤكد" دون كتابة حجج.
روبوتات المناظرة القديمة: روبوتات تكتب حججاً ولكنها لا تتعلم كيفية تقييمها جيداً (تستخدم فقط طريقة ثابتة وغير مدربة).

النتائج:

حقق نظام ITA الجديد (الذي يتعلم المناظرة والتقييم) أداءً جيداً جداً.
في بعض الاختبارات، كان حتى أفضل من "المخمنين المباشرين"، وهو أمر مثير للإعجاب لأن مهمة المخمنين المباشرين أبسط (مجرد تخمين الإجابة).
الأهم من ذلك، قدم نظام ITA تفسيرات موثوقة. ولأن الإجابة النهائية تُحسب رياضياً من الحجج التي كتبها، يمكنك النظر في المناظرة ورؤية السبب الدقيق وراء اتخاذه لهذا القرار. لم يكتفِ بالقول "أعتقد أنه صحيح"؛ بل أظهر كيف مالت الكفات نحو "الصحيح".

الخلاصة

تقدم هذه الورقة البحثية طريقة لجعل الذكاء الاصطناعي أكثر صدقاً وشفافية. فبدلاً من كونه "صندوقاً أسود" يخرج الإجابات، فإنه يبني "صندوقاً زجاجياً" حيث يمكنك رؤية الحجج، ورؤية كيفية وزنها، ومشاهدة الرياضيات وهي تقرر الحكم. إنه يعلم الذكاء الاصطناعي أن الإجابة الأكثر صحة أحياناً هي قول: "الأدلة مختلطة للغاية بحيث لا يمكن اتخاذ قرار".

ملخص تقني: التعلم العصبي الرمزي للاستدلال القائم على الجدل

بيان المشكلة

يعد التحقق من الادعاءات مهمة حاسمة في المجالات عالية المخاطر مثل الرعاية الصحية، والتمويل، والاكتشاف العلمي. وبينما أظهرت النماذج اللغوية الكبيرة (LLMs) وعودًا في هذا المجال، فإن التصنيف الثنائي القياسي (صواب/خطأ) غالبًا ما يكون غير كافٍ عندما تكون المعلومات الأساسية غير مكتملة أو متضاربة. وفي مثل هذه الحالات، يكون الحكم بـ "غير مؤكد" أكثر ملاءمة من اتخاذ قرار ثنائي قسري. علاوة على ذلك، في البيئات عالية المخاطر، يجب أن تكون التفسيرات لهذه الأحكام أمينة (faithful)—بمعنى أن عملية الاستدلال يجب أن تعكس حقًا العوامل التي تحدد القرار النهائي، بدلاً من الاعتماد على تبريرات لاحقة قد لا تكون أمينة للمنطق الداخلي للنموذج.

غالبًا ما تتعامل النهج الحالية مع الجدل باعتباره طبقة تفسير عند وقت الاستدلال، أو تعتمد على نماذج لغوية كبيرة جاهزة لتوليد الحجج دون تحسينها لمهام التحقق المحددة. بالإضافة إلى ذلك، فإن العديد من نهج التعلم المعزز (RL) للتحليل تركز على مهام ذات نتائج قابلة للتحقق وحتمية (مثل الرياضيات)، مما يؤدي إلى الفشل في معالجة عدم اليقين المتأصل في التحقق من الادعاءات حيث قد تكون النتائج غامضة.

المنهجية: الجدل عند وقت الاستنفاد (Inference-Time Argumentation - ITA)

يقدم المؤلفون الجدل عند وقت الاستنفاد (ITA)، وهو إطار عمل عصبي رمزي قابل للتدريب مصمم للتحقق الثلاثي من الادعاءات (صواب، خطأ، غير مؤكد). وخلافًا للطرق السابقة التي تستخدم الجدل فقط للتفسير، يدمج ITA دلالات الجدل الرسمية مباشرة في حلقة التدريب لتوجيه كل من توليد الحجج وتقييمها.

الإطار الجوهري

يعمل النظام على أطر الجدل ثنائية القطب الكمية (QBAFs):

توليد الحجج: يقوم نموذج لغوي كبير (يُرمز له بـ $\theta$ ) بتوليد مجموعة من الحجج المؤيدة ( $S_c$ ) والمهاجمة ( $T_c$ ) لادعاء معين $c$ . ويتم التعامل مع الادعاء نفسه كحجة $a_c$ .
تعيين الدرجة الأساسية: يقوم نموذج الدرجة الأساسية (BSM) القابل للتعلم (يُرمز له بـ $\phi$ ) بتعيين قوة ذاتية (درجة أساسية) $\tau(a) \in [0, 1]$ لكل حجة مولدة. وتكون الدرجة الأساسية للادعاء ثابتة عند قيمة محايدة قدرها 0.5.
التجميع الدلالي: تقوم دالة دلالات الجدل الحتمية، DF-QuAD، بتجميع الدرجات الأساسية وعلاقات الدعم/الهجوم لحساب القوة الجدلية النهائية $\hat{v}_c = \sigma(a_c)$ للادعاء.
اشتقاق الحكم: يتم ربط القوة النهائية بحكم ثلاثي باستخدام عتبات ثابتة:
- خطأ: $\hat{v}_c \leq 1/3$
- صواب: $\hat{v}_c \geq 2/3$
- غير مؤكد: $1/3 < \hat{v}_c < 2/3$

استراتيجيات التدريب

يستخدم ITA مرحلتين متميزتين للتدريب لتحسين المكونات:

التعلم الخاضع للإشراف الضعيف للدرجات الأساسية (BSM):
- مرحلة التمهيد: يتم تهيئة رأس الانحدار لنموذج BSM باستخدام التعلم الخاضع للإشراف على ثلاثيات تتكون من (الادعاء، الحجة، الدرجة الأساسية)، حيث يتم توليد الدرجات بواسطة نموذج لغوي أساسي عبر التلقين.
- مرحلة خسارة الدلالات: يتم ضبط نموذج BSM بدقة باستخدام دالة خسارة عصبية رمزية. الخسارة هي متوسط مربع الخطأ (MSE) بين قوة الادعاء المتوقعة (المستمدة عبر DF-QuAD) والوسم الحقيقي (المحول إلى 0 أو 0.5 أو 1). وبما أن دالة DF-QuAD قابلة للاشتقاق، يمكن تمرير التدرجات عبر الدلالات لتحديث نموذج BSM.
- الخسائر المساعدة: لتحسين الخصائص المحلية، قدم المؤلفون خسارة الاتساق (تقليل التباين للحجج المتكافئة دلاليًا) وخسارة الترتيب (فرض ترتيب محدد مسبقًا لجودة الحجج).
التعلم المعزز لتوليد الحجج:
- يتم تحسين مولد الحجج باستخدام تحسين السياسة النسبية للمجموعة (GRPO).
- دالة المكافأة: تُشتق المكافأة من قوة الادعاء النهائية $\hat{v}_c$ التي ينتجها BSM وDF-QuAD. وهي توفر أقصى مكافأة للدرجات التي تقع ضمن الفترة التصنيفية الصحيحة (مثل القوة العالية لعلامات "صواب") وتقل المكافأة خطيًا مع ابتعاد القوة عن العتبة الصحيحة. وهذا يحول دلالات الجدل إلى إشارة تدريب، مما يشجع المولد على إنتاج حجج تؤدي إلى أحكام صحيحة.

المساهمات الرئيسية

إطار عمل عصبي رمزي قابل للتدريب: تقديم ITA، الذي يوسع دور الجدل من طبقة تفسير ثابتة عند وقت الاستدلال إلى واجهة تعلم ديناميكية حيث توجه الدلالات عملية تدريب النموذج.
استراتيجيات التحسين: اقتراح استراتيجيتين جديدتين للتدريب:
- تعلم الدرجات الأساسية عبر أحكام جدلية لاحقة بدلاً من الاعتماد فقط على درجات النماذج اللغوية الكبيرة الثابتة.
- استخدام دلالات الجدل الرسمية لتوليد مكافآت للتعلم المعزز، مما يحسن توليد الحجج لغرض محدد وهو التحقق من الادعاءات.
القابلية للتفسير الأمينة: من خلال البناء، يعد الحكم النهائي دالة حتمية للحجج المولدة، ودرجاتها المتعلمة، والدلالات. وهذا يضمن أن التفسير أمين لعملية اتخاذ القرار، ويتجنب عيوب التتبع الاستدلالي اللاحق.

النتائج التجريبية

قيم المؤلفون ITA على مجموعتي بيانات للتحقق الثلاثي من الادعاءات: TFU Evaluation Claims (المستمدة من StrategyClaim وDEBATunE) و AVeriTeC (ادعاءات من العالم الحقيقي). وقارنوا ITA مع خطوط الأساس غير الجدلية (التنبؤ المباشر عبر SFT وGRPO) والخطوط الأساسية الجدلية (استخدام نماذج لغوية كبيرة جاهزة للحجج والدرجات).

الأداء:
- نماذج الدرجة الأساسية: تفوقت نماذج BSM المتعلمة بشكل كبير على الخطوط الأساسية الجدلية التي استخدمت درجات ثابتة أو ناتجة عن التلقين. حقق أفضل نموذج BSM (المدرب على حجج مولدة بواسطة GPT-5 مع خسائر دلالية وترتيب واتساق) دقة قدرها 0.677 على TFU و 0 .460 دقة متوازنة على AVeriTeC، متفوقًا على جميع الخطوط الأساسية القابلة للتفسير بأمانة ومنافسًا لأقوى خطوط التنبؤ المباشر.
- مولدات الحجج: أظهر تدريب مولد الحجج عبر GRPO نتائج مختلطة ولكن إيجابية، حيث أظهر تحسينات طفيفة مقارنة بالمولدات غير المدربة عند اقترانها بدرجات ناتجة عن التلقين، رغم أن المكاسب كانت أقل اتساقًا من مكاسب تدريب BSM.
- الدمج: لم يؤدِ الجمع بين مولد مدرب و BSM مدرب إلى تحسينات تراكمية فوق أفضل BSM وحده، مما يشير إلى أن المقيّم مهيأ لتوزيع حجج محدد.
الخصائص المحلية: أدى التدريب باستخدام الخسائر المساعدة إلى تحسين اتساق الدرجات للحجج المتشابهة في المعنى وترتيب الحجج حسب الجودة، مما يثبت أن الإطار يمكنه تعلم خصائص محلية مرغوبة تتجاوز مجرد الدقة اللاحقة.

الأهمية والادعاءات

يزعم البحث أن ITA يثبت أن دلالات الجدل الرسمية يمكن أن تعمل كإشارة تدريب مفيدة للنماذج اللغوية الكبيرة، وليس فقط كقاعدة تجميع عند وقت الاستدلال. ومن خلال دمج الجدل في حلقة التدريب، يحقق النظام أداءً تنافسيًا مع طرق التنبؤ المباشر مع الحفاظ على الأمانة الإجرائية—حيث يتم اشتقاق الحكم صراحة من هياكل جدلية يمكن فحصها.

يضع المؤلفون هذا العمل كخطوة نحو ذكاء اصطناعي أكثر شفافية وموثوقية في المجالات عالية المخاطر، حيث تكون القدرة على تفسير سبب كون ادعاء ما غير مؤكد أو خاطئ بنفس أهمية التصنيف نفسه. كما يقرون بالقيود، بما في ذلك نقص استرجاع الأدلة الخارجية (الحجج تُولد من معرفة النموذج) والتقيد بأطر جدل بعمق 1، مشيرين إلى هذه كاتجاهات للعمل المستقبلي.