🤖 AI

Compass: Navigating Global Marine Lead Data Integration through Expert-Guided LLM Agent

تقدم الورقة البحثية "Compass"، وهو إطار عمل لوكيل لغوي كبير (LLM) بتوجيه من الخبراء، نجح في استخراج 3,751 سجلاً سابقاً غير متاح للرصاص البحري من أكثر من 230,000 ورقة علمية لإنشاء أكبر قاعدة بيانات متكاملة للرصاص البحري، محققاً دقة بنسبة 92% من خلال نهج قائم على شجرة المعرفة يسد الفجوة بين الذكاء الاصطناٍ العام وتكامل البيانات العلمية عالية المخاطر.

المؤلفون الأصليون: Yiming Liu, Bin Lu, Meng Jin, Ziyuan Sang, Shuo Jiang, Lei Zhou, Xinbing Wang, Chenghu Zhou, Jing Zhang

نُشر 2026-05-29

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yiming Liu, Bin Lu, Meng Jin, Ziyuan Sang, Shuo Jiang, Lei Zhou, Xinbing Wang, Chenghu Zhou, Jing Zhang

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

إليك شرح لورقة بحثية بعنوان "Compass: الملاحة عبر تكامل بيانات الرصاص البحرية العالمية من خلال وكيل لغوي كبير (LLM) بتوجيه الخبراء"، مترجم إلى لغة بسيطة ويومية مع استخدام تشبيهات إبداعية.

المشكلة الكبيرة: مكتبة من الكنوز المفقودة

تخيل أن محيطات العالم هي مكتبة ضخمة وغامضة. داخل هذه المكتبة، توجد ملايين الكتب (الأوراق العلمية) التي كُتبت على مدار الخمسين عاماً الماضية. تحتوي هذه الكتب على "خرائط كنز" توضح بدقة أين يوجد تلوث الرصاص في المحيط، وكيف يتحرك، وكEF يتغير بمرور الوقت.

ومع ذلك، هناك عقبة:

الخرائط مخفية: البيانات ليست في جداول بيانات مرتبة؛ بل هي مدفونة داخل فقرات نصية وجداول فوضوية في هذه الكتب.
المكتبون متعبون: العثور على هذه البيانات ونسخها يدوياً يشبه محاولة قراءة كل كتاب في المكتبة للعثور على جملة واحدة محددة. هذا يستغرق وقتاً طويلاً ويكلف الكثير من المال.
الروبوتات مرتبكة: إذا طلبت من ذكاء اصطناعي قياسي (روبوت "عام الأغراض") قراءة هذه الكتب والعثور على البيانات، فغالباً ما يخطئ. قد يخلط بين الوحدات (مثل الخلط بين الأميال والكيلومترات) أو يخترع حقائق غير موجودة (وهي مشكلة تسمى "الهلوسة"). في العلوم، الخطأ في الأرقام أمر خطير.

الحل: "Compass" (البوصلة)

بنى المؤلفون أداة جديدة تسمى Compass. لا تنظر إلى Compass على أنها روبوت يكتفي بالتخمين، بل كـ محقق مدرب تدريباً عالياً يعمل مع كتيب قواعد متخصص.

1. كتيب قواعد الخبير (شجرة المعرفة)

بدلاً من ترك الذكاء الاصطناعي يخمن، جلس العلماء (وهم خبراء في كيمياء المحيطات) مع مطوري الذكاء الاصطناعي لكتابة "شجرة معرفة".

التشبيه: تخيل مخططاً انسيابياً لمحقق.
- الخطوة 1: هل هذا الكتاب عن المحيط؟ إذا كانت الإجابة نعم، انتقل إلى الخطوة 2. إذا كانت لا، توقف.
- الخطوة 2: هل الجدول يتحدث عن الرصاص؟ إذا كانت الإجوة نعم، انتقل إلى الخطوة 3.
- الخطوة 3: هل يبدو الرقم ممكناً من الناحية الفيزيائية؟ (على سبيل المثال، لا يمكن للرصاص أن يكون سالباً). إذا كان نعم، احتفظ به. إذا كان لا، استبعده.
هذه "الشجرة" تجبر الذكاء الاصطناعي على اتباع خطوات منطقية صارمة صممها خبراء بشريون. وهذا يمنع الذكاء الاصطناعي من القيام بتخمينات عشوائية.

2. عمل المحقق المكون من ثلاث خطوات

يستخدم Compass هذا الكتيب للقيام بثلاثة أشياء بالترتيب:

الجمع: يقوم بمسح أكثر من 230,000 ورقة علمية مفتوحة المصدر للعثور على الأوراق التي قد تحتوي على الكنز.
الاستخراج: يقرأ الجداول والنصوص المحددة في تلك الأوراق، مستخدماً كتيب القواعد لاستخراج الأرقام الدقيقة لتركيز الرصاص ونسب النظائر.
التجميع: يأخذ كل تلك الأرقام المبعثرة وينظفها، ويتأكد من أنها جميعاً تتحدث نفس "اللغة" (نفس الوحدات، نفس التنسيق) بحيث يمكن وضعها في قاعدة بيانات واحدة ضخمة.

النتائج: العثور على الذهب المخفي

باستخدام Compass، حقق الفريق إنجازاً هائلاً:

عملية البحث: قاموا بمعالجة 230,000 ورقة علمية.
الصيد: وجدوا 3,751 سجلاً جديداً لبيانات الرصاص لم يسبق وضعها في قاعدة بيانات عالمية من قبل.
الدقة: عندما تحقق علماء المحيطات البشريون من العمل، وجدوا أنه دقيق بنسبة 92%. هذه تحسن هائل مقارنة بالذكاء الاصطناعي القياسي، الذي غالباً ما يفشل في هذه المهام العلمية المحددة.
الخريطة: أنشأوا أكبر خريطة لبيانات الرصاص البحرية حتى الآن. إنها تملأ مساحات شاسعة كانت فارغة على الخريطة، خاصة في مناطق مثل بحر الصين الشرقي والمحيط الجنوبي، والتي كانت تُعتبر سابقاً "صحاري بيانات".

لماذا هذا مهم؟

تخيل أن المحيط عبارة عن أحجية (بازل) ضخمة. لعقود من الزمن، كان لدى العلماء فقط قطع قليلة مبعثرة. لم يكن بإمكانهم رؤية الصورة الكاملة.

قبل Compass: كان على العلماء تخمين شكل القطع المفقودة.
مع Compass: لديهم الآن آلاف القطع الجديدة. يمكنهم أخيراً رؤية كيف ينتقل تلوث الرصاص من المصانع، عبر الهواء، وصولاً إلى أعماق المحيط. يمكنهم رؤية كيف يتعافى المحيط بعد توقفنا عن استخدام البنزين المحتوي على الرصاص.

ما الذي لم يفعلوه

لم يبنوا نوعاً جديداً من الروبوتات التي تتعلم من تلقاء نفسها دون مساعدة.
لم يدّعوا أن هذه الأداة يمكنها تشخيص الأمراض أو المساعدة في العلاجات الطبية.
لم يقولوا إن هذا يحل جميع مشاكل المحيطات؛ بل هو مصمم خصيصاً للعثور على بيانات الرصاص وتنظيمها من الأوراق العلمية.

باختختصار

بنى المؤلفون مساعداً ذكياً يتبع القواعد يعمل كجسر بين الكتب العلمية القدلة الفوضوية وقواعد البيانات الحديثة النظيفة. من خلال منح الذكاء الاصطناعي "كتيب قواعد" صارماً كتبه خبراء المحيطات، تمكنوا من إنقاذ آلاف النقاط البيانية المفقودة، مما خلق الخريطة الأكثر اكتمالاً لتلوث الرصاص في المحيطات التي عرفها العالم على الإطلاق.

ملخص تقني: Compass: الملاحة عبر تكامل بيانات الرصاص البحري العالمية من خلال وكيل LLM بتوجيه الخبراء

بيان المشكلة

تعد نظائر الرصاص (Pb) وعناصره تتبعات حاسمة لفهم دوران المحيطات والتلوث البشري المنشأ. ومع ذلك، فإن الملاحظات الميدانية عالية الجودة مكلفة ونادرة، حيث أن غالبية البيانات التاريخية مدفونة داخل النصوص والجداول والأشكال غير المنظمة في الأوراق الأكاديمية. وهذا يخلق مشكلة "صوامع البيانات" (data silo) حيث تصبح مجموعات البيانات الحرجة غير قابلة للوصول لأغراض التوليف العالمي.

تواجه الحلول الحالية عائقين رئيسيين:

التنسيق اليدوي: بينما تضمن برامج مثل GEOTRACES دقة عالية للبيانات، إلا أنها تتطلب جهداً مكثفاً وغير قابلة للتوسع في مواجهة النمو الأسي للأدبيات العلمية.
الاستخراج الآلي: غالباً ما تفشل النماذج اللغوية الكبيرة (LLMs) العامة والنماذج المتخصصة في المجال والمعدلة بدقة (fine-tuned) في السياقات العلمية عالية المخاطر. تفتقر النماذج العامة إلى القيود المنطقية النوعية اللازمة، مما يؤدي إلى الهلوسة والمخرجات غير الصالحة علمياً (مثل إساءة تفسير تدوينات النظائر أو تحويلات الوحدات). وعلى العكس من ذلك، فإن النماذج المعدلة بدقة غالباً ما تعاني من تدهور في قدرات اتباع التعليمات المطلوبة لسير العمل المعقد متعدد الخطوات.

التحدي الجوههري هو تحقيق كل من القابلية للتوسع والصرامة العلمية من خلال سد الفجوة بين فهم اللغة العام والقيود المنطقية الصارمة المطلوبة في الكيمياء الجيولوجية البحرية.

المنهجية: إطار عمل Compass

لمعالجة هذه التحديات، يقترح المؤلفون Compass، وهو إطار عمل لوكيل LLM يعمل على تشغيل نهج التكيف الموجه بالخبراء. بدلاً من الاعتماد على الضبط الدقيق (fine-tuning) "الصندوق الأسود" أو التوليد المعزز بالاسترجاع (RAG) غير المنظم، يدمج Compass خبرة المجال مباشرة في سير عمل الوكيل عبر شجرة معرفة (Knowledge Tree).

1. تصميم شجرة المعرفة

تم تصميم شجرة المعرفة ( $T$ ) بالتعاون مع علماء البحار، وهي هيكل هرمي تمثل فيه العقد مهاماً أو مهاماً فرعية محددة. ترتبط كل عقدة بمجموعة معرفية رباعية الأبعاد ( $K$ ):

المعرفة الخلفية ( $BK$ ): المفاهيم والمصطلحات النوعية.
القيود المنطقية ( $LC$ ): قواعد صريحة وتبعية شرطية تحدد مسارات التنفيذ الصالحة.
الإرشادات التشغيلية ( $OG$ ): إجراءات خطوة بخطوة ومواصفات تنسيق المخرجات.
معايير التحقق ( $VC$ ): مقاييس الجودة وفحوصات القيود الفيزيائية للتحقق من صحة المخرجات.

يشفر هذا الهيكل ليس فقط ما يجب أن يعرفه الوكيل، بل أيضاً كيف ينبغي له الاستنتاج والتحقق من مخرجاته، مما يضمن أن يكون سير العمل قابلاً للتفسير وموثوقاً من الناحية العلمية.

2. بنية الوكيل

يقوم Compass بتفكيك مهمة دمج البيانات المعقدة إلى خط أنابيب هرمي ثلاثي المراحل:

مرحلة الجمع: يقوم مكون تصنيف الأوراق باسترجاع الأوراق المرشحة من المستودعات (مثل Semantic Scholar و AceMap) ويستخدم نماذج LLM موجهة بشجرة المعرفة لتحديد الأوراق التي تحتوي على بيانات الرصاص البحري المستهدفة.
مرحلة الاستخراج: يستخدم مكون تصنيف الجداول أدوات تحليل ملفات PDF (مثل MinerU) لاستخراج المحتوى الجدولي. ثم تقوم نماذج LLM بتحليل الجداول مع المعلومات السياقية (العناوين والوصف) لتصنيف وتصفية جداول البيانات المستهدفة.
مرحلة التجميع: تتعامل ثلاثة مكونات مع التكامل:
- ربط البيانات: ربط العناصر ذات الصلة داخل الأوراق (على سبيل المثال، مطابقة قياسات الرصاص مع الإحداثيات من الحواشي السفلية).
- دمج المصادر المتعددة: توحيد رؤوس الجداول غير المتجانسة في مخطط موحد.
- توحيد البيانات: تحويل القيم إلى وحدات متسقة باستخدام وظائف التحويل التي تولدها نماذج LLM.

3. آلية التحقق

يستخدم Compass استراتيجية تحقق متعددة الطبقات مستمدة من معايير التحقق الخاصة بشجرة المعرفة:

فحوصات القيود الفيزيائية الآلية: تخضع كل سجل مستخرج لعملية تحقق من نطاق القيمة، والتحقق المتبادل لتحويل الوحدات، وتصفية القيم الجغرافية الشاذة. تؤدي حالات الفشل إلى تفعيل آلية التراجع (rollback) لإعادة معالجة المهمة الفرعية المحددة، مما يمنع انتشار الخطأ.
التحقق اليدوي من قبل الخبراء: يتم مراجعة عينة عشوائية طبقية من قبل علماء البحار لتقييم الدقة من البداية إلى النهاية.

المساهمات الرئيسية

إطار عمل Compass: تطوير وكيل LLM معزز بشجرة معرفة يقوم بتفكيك سير العمل العلمي المعقد هرمياً، مما يسمح باستخراج وتكامل البيانات الدقيقة (النصوص والجداول) من المصادر الأكاديمية غير المتجانسة.
التكيف الموجه بالخبراء: إثبات أن حقن المعرفة الهيكلية للخبراء عبر شجرة معرفة مصممة بشكل مشترك يمكن أن يسد بفعالية الفجوة بين نماذج LLM العامة والمجالات العلمية عالية المخاطر دون الحاجة إلى ضبط دقيق مكلف.
أكبر قاعدة بيانات متكاملة للرصاص البحري: نشر Compass عبر أكثر من 230,000 ورقة بحثية مفتوحة الوصول لاسترداد 3,751 سجلاً للرصاص لم تكن مدرجة سابقاً، مما أدى إلى إنشاء أكبر قاعدة بيانات متكاملة للرصاص حتى الآن.

النتائج والأداء

قام المؤلفون بتقييم Compass مقابل نماذج LLM عامة (مثل GPT-4o و Gemini-2.5-pro) ونماذج متخصصة معدلة بدقة (مثل K2 و OceanGPT) باستخدام مجموعة بيانات مرجعية تضم 337 جدولاً عبر 10 فئات.

أداء الاختبار المرجعي: حقق Compass (باستخدام نموذج Qwen2.5-32B كقاعدة) أعلى الدرجات في جميع المهام.
- تصنيف الأوراق: دقة بنسبة 96.0%.
- تصنيف الجداول: دقة بنسبة 94.7%.
- الاستخراج من البداية إلى النهاية: حقق درجة F1 بلغت 0.465، متفوقاً على GPT-4o (0.373) و Gemini-2.5-pro (0.404).
- المقارنة مع النماذج المعدلة بدقة: أدت نماذج المجال مثل OceanGPT أداءً ضعيفاً (F1: 0.009)، مما يسلط الض الضوء على أن الضبط الدقيق وحده يقلل من قدرات اتباع التعليمات الضرورية للتكامل متعدد الخطوات.
دراسات الاستئصال (Ablation Studies): أدى إزالة المنطق الهيكلي للشجرة إلى انخفاض درجة F1 إلى 0.402، وإزالة عقد المعرفة إلى انخفاضها إلى 0.381. كما أدى تمكين آلية التراجع الآلية للتحقق إلى تحسين درجة F1 إلى 0.619.
نطاق النشر: عالج Compass 230,000 ورقة بحثية، وحدد 110 ورقة ذات صلة واستخرج 3,751 سجلاً جديداً.
جودة البيانات:
- حققت الفحوصات الآلية معدلات نجاح بنسبة 100% لفحص نطاق القيم والحدود الجغرافية، و95% لتحويل الوحدات.
- أكد التحقق اليدوي من قبل الخبراء على عينة من 22 ورقة (946 نقطة بيانات) دقة بنسبة 92% (95% CI: ±1.7%).
- كانت المصادر الرئيسية للخطأ هي الارتباك الدلالي (مثل تصنيف عينات مياه الأمطار خطأً على أنها مياه بحر) وأخطاء ربط البيانات.

الأهمية والتأثير

يزعم المؤلفون أن هذا العمل يثبت جدوى الوكلاء الموجهين بالخبراء لسد الفجوة بين نماذج LLM العامة والمجالات العلمية الصارمة.

توسيع البيانات: يضيف التكامل 16,455 سجلاً جديداً إلى مجموعة بيانات GEOTRACES الحالية (زيادة بنسبة 86%)، مما يوسع التغطية بشكل كبير في المناطق التي تعاني من نقص البيانات مثل شرق بحر الصين، وبحر العرب، والمحيط المتجمد الجنوبي.
الفائدة العلمية: تدعم مجموعة البيانات المعززة تقدير مخزون الرصاص العالمي، وتحديد المصادر عبر نسب النظائر المستقرة، والتحقيق في الاستجابات المحيطية للإلغاء العالمي للبنزين المحتوي على الرصاص.
الكفاءة: تطلب خط الأنابيب حوالي 52 ساعة من وحدة معالجة الرسومات (GPU)، مما يمثل تحسناً في الكفاءة بأكثر من أربعة أوامر قدرية مقارنة بالتنسيق اليدوي.
العلم المفتوح: أصدر المؤلفون منصة تصور تفاعلية (JingWei) والبرمجيات المصدرية لتسهيل الوصول العلمي المفتوح وقابلية التكرار.

يخلص البحث إلى أنه على الرغم من وجود قيود فيما يتعلق باستخراج الأشكال والاعتماد على معالجة ملفات PDF في المراحل الأولية، فإن التصميم المعياري يسمح بتحسينات مستقبلية. يضع هذا العمل بديلاً عملياً ومنخفض التكلفة للتدريب على النماذج المتخصصة بالمجال من أجل اكتشاف البيانات القابل للتوسع في علوم الأرض.