← أحدث الأبحاث
💻 computer science

Are you Talking Logic to Me? Assessing Language Models Syllogistic Reasoning Capabilities

تتقصى هذه الورقة كيفية تعزيز تدوينات تمثيل المعرفة الرسمية المختلفة وطريقة تصنيف قياسية مبتكرة (SEF) لقدرات الاستدلال القياسي للنماذج اللغوية الصغيرة، مما يقدم بديلاً تنافسياً وأسرع للمدخلات اللغوية الطبيعية من خلال إطار بناء قواعد المنطق المشترك (CLGC) مفتوح المصدر.

المؤلفون الأصليون: Hanna Abi Akl, Fabien Gandon, Catherine Faron, Pierre Monnin

نُشر 2026-08-14
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Hanna Abi Akl, Fabien Gandon, Catherine Faron, Pierre Monnin

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 روبوت كيف يفكر. قد تفترض أنك إذا أعطيت الروبوت ما يكفي من الكتب ليقرأها، فإنه سيكتشف في النهاية كيفية حل لغز منطقي، مثل أحجية أو مسألة رياضية. لكن هنا تكمن الخدعة: الروبوتات (أو "نماذج اللغة"، كما يسميها العلماء) تشبه الببغاوات فائقة السرعة. إنها بارعة في محاكاة الكلام البشري وكتابة القصص، ولكن عندما تطلب منها اتباع قواعد منطقية صارمة، فإنها غالباً ما ترتبك. قد تخمن الإجابة بناءً على كيفية "صوت" الجملة بدلاً مما تعنيه فعلياً. هذه مشكلة كبيرة لأننا نريد لهذه الأدوات الذكية أن تكون مساعدين موثوقين، لا مجرد أصدقاء ثرثارين يختلقون الحقائق. ولإصلاح ذلك، يحاول الباحثون تعليم هذه الروبوتات كيف "تتحدث" بلغات مختلفة. بعض اللغات تشبه كلماتنا اليومية (اللغة الطبيعية)، بينما تشبه لغات أخرى الصيغ الرياضية الصارمة أو الأكواد البرمجية (التمثيلات الرسمية). السؤال الكبير هو: هل يساعد التحدث بلغة برمجية صارمة ومنطقية الروبوت على التفكير بشكل أفضل من التحدث بالإنجليزية العادية؟

هذه الورقة البحثية، التي تحمل عنوان "?Are you Talking Logic to Me" (هل تتحدث إليّ بالمنطق؟)، تغوص مباشرة في هذا السؤال. قرر المؤلفون، وهم فريق من الباحثين من فرنسا، اختبار ما إذا كان تغيير "اللغة" التي يستخدمها الروبوت لحل الألغاز المنطقية يمكن أن يجعله أكثر ذكاءً. لقد ركزوا على نوع معين من الألغاز يسمى "القياس المنطقي" (syllogism). فكر في القياس المنطقي كسلسلة منطقية مكونة من ثلاثة أجزاء: "كل القطط ذات فرو. فلافي قط. إذن، فلافي ذو فرو". إذا لم يستطع الروبوت ضبط هذا الأمر، فلا يمكن الوثوق به في مهام أكثر تعقيداً. أخذ الباحثون مجموعات بيانات موجودة لهذه الألغاز وترجموها إلى عدة لغات "رسمية" مختلفة، تتراوح من المنطق الحاسوبي القياسي (مثل FOL) إلى أكواد أكثر تجريداً وكثافة في الرموز (مثل TFLPLUS) وحتى بعض النسخ الجديدة والمبسطة التي اخترعوها تسمى "MINIFOL". ثم اختبروا هذه الألغاز على "نماذج اللغة الصغيرة" (SLMs) — وهي نسخ خفيفة الوزن وفعالة في استهلاك الطاقة من نماذج الذكاء الاصطناعي العملاقة التي نسمع عنها في الأخبار.

لم يكتفِ الفريق بإلقاء الألغاز على الروبوتات فحسب؛ بل جربوا طريقتين مختلفتين للتعليم. أولاً، استخدموا "الضبط الدقيق تحت الإشراف" (SFT)، وهو يشبه إعطاء الروبوت دورة تدريبية مكثفة حيث يعرضون عليه الألغاز والإجابات الصحيحة مراراً وتكراراً حتى يتعلم النمط. ثانياً، استخدموا اختبار "الصفر محاولة" (Zero-Shot)، حيث قدموا للربوات لغزاً جديداً ومجموعة من التعليمات، وطلبوا منها اكتشاف الحل فوراً دون أي ممارسة سابقة. كما جربوا إضافة "أوراق مرجعية" إلى التعليمات، عبر إعطاء الروبوت تعريفاً لنوع اللغز (مثل "هذا قياس منطدي منفصل") لمعرفة ما إذا كان هذا السياق الإضافي سيساعد.

ماذا وجدوا؟ اتضح أن "اللغة" التي يتحدث بها الروبوت تهم كثيراً، ولكن الأمر يعتمد على مقدار ما درسه. عندما تم إعطاء الروبوتات دورة تدريبية مكثفة (SSFT)، كانت النتائج مفاجئة. في مجموعات البيانات الأصغر، كانت اللغات الأكثر تجريداً وكثافة في الرموز (مثل TFLPLUS) تعمل في الواقع بشكل أفضل من الإنجليزية العادية، رغم أن الروبوتات قد رأت الكثير من الإنجليزية خلال تدريبها الأولي. يقترح الباحثون أن هذا قد يكون بسبب كون الرموز في هذه اللغات المجردة أبسط وأقل إرباكاً للروبوت أثناء المعالجة. ومع ذلك، عندما كبرت مجموعة البيانات، بدأت الروبوتات تفضل مزيجاً من الإنجليزية وكود مدمج (CLIF). بدا أن هذا المزيج يجعل الروبوتات أكثر حذراً وأقل عرضة للتخمين الخاطئ، خاصة عندما تكون الإجابة هي "غير معروف".

في اختبارات "الصفر محاولة"، حيث كان على الروبوتات الاعتماد على ما تعرفه بالفعل، كانت النتائج مختلطة نوعاً ما. اعتمدت أفضل لغة على نموذج الروبوت المحدد الذي يتم اختباره. بعض النماذج، التي تم تدريبها على الكثير من البيانات الرياضية والمنطقية، أدت بشكل أفضل مع الأكواد المجردة. أما النماذج الأخرى، التي تدربت في الغالب على النصوص، فقد أدت بشكل أفضل مع التنسيقات الشبيهة بالإنجليزية. ومن المثير للاهتمام أن إضافة تلك "الأوراق المرجعية" التعريفية إلى التعليمات ساعدت بعض النماذج وأضرت ببعضها الآخر، مما يشير إلى عدم وجود "حل سحري" واحد لجميع الروبوتات.

أحد الاكتشافات الأكثر روعة كان يتعلق بالسرعة. لقد حلت الروبوتات الألغاز بشكل أسرع عند استخدام اللغات المدمجة القائمة على الرموز مقارنة بالإنجليزية العادية. الأمر يشبه الفرق بين قراءة قصة طويلة ومتعرجة للعثور على حقيقة معينة مقابل البحث عن رقم في جدول قصير ومرتب. لم تكن اللغات المجردة أسرع في المعالجة فحسب، بل أدت أيضاً في بعض الأحيان إلى استنتاج أكثر دقة. خلص المؤلفون إلى أنه بينما لا يمكننا ببساطة اختيار لغة واحدة مثالية لجميع أنواع الذكاء الاصطناعي، فإن استخدام مزيج من اللغة الطبيعية والأكواد الرسمية قد يكون المفتاح لبناء أنظمة استنتاج أكثر ذكاءً وموثوقية. لقد أطلقوا أيضاً أداة مجانية تسمى "CLGC" تتيح لأي شخص ترجمة هذه الألغاز المنطقية تلقائياً إلى تنسيقات مختلفة، آملين في مساعدة الباحثين الآخرين على استكشاف "لغة المنطق" هذه بشكل أكبر. في النهاية، تشير الورقة البحثية إلى أن تعليم الذكاء الاصطناي ليس مجرد تغذيته بمزيد من البيانات؛ بل يتعلق بتعليمه التحدث باللغة الصحيحة المناسبة للمهمة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →