← أحدث الأبحاث
💬 NLP

PARTAB: Partition-Aware Reasoning with Structured Evidence for Scalable Table Understanding

تقدم الورقة البحثية إطار عمل PARTAB، الذي يعزز الاستدلال القابل للتوسع على الجداول من خلال بناء واجهة أدلة مهيكلة ومدركة للتقسيم، تختار هرمياً مناطق صفوف وأعمدة متماسكة دلالياً لتحسين تحديد موقع الأدلة وتقليل تعقيد السياق بالنسبة للنماذج اللغوية الكبيرة.

المؤلفون الأصليون: Md Mahadi Hasan Nahid, Davood Rafiei

نُشر 2026-08-26
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Md Mahadi Hasan Nahid, Davood Rafiei

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 محاولة العثور على حقيقة واحدة محددة مخبأة داخل جدول بيانات ضخم يحتوي على آلاف الصفوف وعشرات الأعمدة. بالنسبة للإنسان، هذه مهمة مضنية تتطلب المسح والربط المرجعي. أما بالنسبة لبرامج الكمبيوتر القوية المعروفة بنماذج اللغات الكبيرة، والتي يمكنها قراءة وفهم كميات هائلة من النصوص، فقد أصبحت هذه المهمة صعبة بشكل مفاجئ. فهذه النماذج تبرع في الإجابة على الأسئلة عندما يتم تقديم المعلومات بحجم يمكن إدارته، ولكن كلما كبرت الجداول وأصبحت أكثر تعقيدًا، بدأت هذه النماذج في التعثر. إنها تشعر بالارتباك من الحجم الهائل للبيانات، فتفقد القدرة على تتبع أي الأرقام تنتمي إلى أي فئات، أو تفشل في ملاحظة الصف المحدد الذي يحمل الإجابة. هذه المشكلة، التي تُسمى غالبًا "تشتت الانتباه"، تعني أنه حتى عندما تكون المعلومة الصحيحة موجودة أمامها مباشرة في البيانات، فقد يغفل عنها النموذج تمامًا أو يرتبك بسبب التفاصيل غير ذات الصلة المحيطة بها.

لقد حاول الباحثون حل هذه المشكلة إما عن طريق تغذية النموذج بالجدول بأكمله أو عن طريق محاولة قص الأجزاء غير الضرورية قبل طرح السؤال. ومع ذلك، فإن مجرد تقليص حجم الجدول يؤدي غالبًا إلى إزالة القرائن اللازمة لحل اللغز، في حين أن تغذية النموذج بالجدول كاملاً تغرقه في الضجيج. وقد اقترح فريق من الباحثين في جامعة ألبرتا نهجًا مختلفًا؛ حيث طوروا نظامًا يُسمى PARTAB، والذي يعمل كدليل ذكي بين السؤال والبيانات. فبدلاً من إجبار النموذج على النظر إلى الجدول بأكمله أو إلى شريحة واحدة قد تكون غير مكتملة، يقوم PARTAB بتقسيم الجدول إلى أجزاء صغيرة وذات مغزى بناءً على ما يسأل عنه السؤال بالفعل. فهو يجمع الأعمدة ذات الصلة معًا، مثل وضع جميع البيانات المالية في كومة واحدة والبيانات الجغرافية في كومة أخرى، ثم يختار فقط الصفوف المحددة التي تهم السؤال. وهذا يخلق مجموعة منظمة وهيكلية من الأدلة التي يمكن للنموذج فحصها دون أن يتوه.

اختبر الباحثون هذه الطريقة على عدة اختبارات معيارية صعبة مصممة لتقييم مدى قدرة الحواسيب على الاستنتاج باستخدام البيانات الجدولية. تضمنت هذه الاختبارات أسئلة تتطلب العثور على حقائق محددة، والتحقق مما إذا كانت عبارة ما صحيحة بناءً على الجدول، وإجراء عمليات حسابية رقمية. وأظهرت النتائج أن PARTAB تفوق باستمرار على الأساليب التي تعتمد على قراءة الجدول بالكامل أو استخدام تقنيات القص البسيطة. وفي أحد مجموعات البيانات الكبرى المتعلقة بأسئلة حول جداول ويكيبيديا، حقق النظام الجديد درجة دقة بلغت 79.31 بالمائة، متفوقًا على أفضل الأساليب السابقة. وفي مجموعة بيانات أخرى ركزت على التحقق من الحقائق، وصل إلى دقة بلغت 90.48 بالمائة. وكان التحسن أكثر دراماتيكية عندما كانت الجداول كبيرة أو فوضوية بشكل خاص؛ ففي الاختبارات التي تضمنت جداول صعبة ومعقدة، حسّن النظام الدقة بما يصل إلى 34 نقطة مئوية مقارنة بالنهج القياسية. ويشير هذا إلى أن الطريقة التي يتم بها تنظيم المعلومات وتقديمها للنموذج لا تقل أهمية عن ذكاء النموذج نفسه.

إن الرؤية الأساسية المستخلصة من الدراسة هي أن النظام لا يكتفي فقط بتقليل كمية النص التي يتعين على النموذج قراءتها، بل يغير هيكل ذلك النص ليتناسب مع منطق السؤال. فعندما يحلل النظام سؤالًا ما، فإنه يحدد أولاً نوع الاستنتاج المطلوب، مثل ما إذا كانت الإجابة تتطلب مقارنة قيمتين أو جمع قائمة ما. ثم يستخدم هذا الفهم لتجميع أعمدة الجدول في مجموعات دلالية، مما يضمن بقاء المعلومات ذات الصلة معًا. فعلى سبيل المثال، إذا كان السؤال يسأل عن عدد سكان المدن، فإن النظام يعزل أسماء المدن وأرقام السكان، متجاهلاً الأعمدة غير المرتبطة مثل تواريخ التأسيس أو رموز المناطق. ثم يقوم بتقسيم هذه المجموعات إلى أقسام صغيرة وسهلة الإدارة من الصفوف. بعد ذلك، يُطلب من النموذج الاستنتاج بناءً على هذه القطع المحددة والمنتقاة من الأدلة، وربطها معًا باستخدام معرف فريد لكل صف. وتسمح هذه العملية للنموذج بتركيز انتباهه بدقة حيث تبرز الحاجة، وتجنبه الارتباك الناتج عن البيانات غير ذات الصلة.

كما بحث الباحثون في سبب عمل النظام بهذا الشكل الجيد وأين قد لا يزال يواجه صعوبات. ووجدوا أن المكاسب الأكثر أهمية جاءت من القدرة على تحديد موقع الأدلة، مما يعني أن النظام استطاع تحديد الأجزاء التي تحتوي على الإجابة بدقة. ومع ذلك، أشاروا إلى أن النظام ليس مثاليًا؛ ففي حوالي 46 بالمائة من الحالات التي فشل فيها النظام، حدث الخطأ لأن الاختيار الأولي لأجزاء الجدول أغفل المعلومات الضرورية. وهذا يشير إلى أنه بينما تعد هذه الطريقة فعالة للغاية في تصفية الضجيج، فإن خطوة اختيار قطع البيانات الصحيحة تظل الجزء الأكثر حرجًا وتحديًا في العملية. بالإضافة إلى ذلك، فإن النظام مصمم للأسئلة التي يمكن العثور على إجابتها في مجموعة فرعية محددة من البيانات، وهو أقل ملاءمة للمهام التي تتطلب مسح كل صف في الجدول لحساب الإجماليات أو إيجاد الحد الأقصى العام، حيث يتجنب هذا النهج عمدًا عرض مجموعة البيانات بأكملها للنموذج.

على الرغم من هذه القيود، تظهر الدراسة مسارًا واضحًا لجعل الذكاء الاصطناعي أكثر موثوقية عند التعامل مع البيانات الواقعية الكبيرة. فمن خلال التعامل مع الاستنتاج من الجداول كمسألة تنظيم واختيار للأدلة وليس مجرد معالجة للنص الخام، أظهر الباحثون أن النماذج يمكنها تحقيق دقة أعلى بكثير دون الحاجة لأن تكون أكبر حجمًا أو أكثر قوة. كما أن النظام يعمل عبر أنواع مختلفة من النماذج، مما يشير إلى أن الفائدة تأتي من هيكلية الأدلة نفسها وليس من البرنامج المستخدم لمعالجتها. ومع استمرار نمو الجداول في الحجم والتعقيد في العالم الحقيقي، يوفر هذا النهج طريقة عملية لضمان قدرة الحواسيب على العث طالما وجدت الإبرة في كومة القش دون أن يتشتت انتباهها ببقية القش. وتُشير النتائج إلى أنه لكي تفهم الآلات البيانات المهيكلة حقًا، فإنها تحتاج إلى دليل يعرف كيفية تقديم المعلومات بطريقة تتماشى مع المنطق البشري والمتطلبات المحددة للسؤال.

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.CL →