Optimizing Retrieval-Augmented Generation Retrieval for High-Logic-Density Policy Texts: A Campus Policy Case Study
تقترح هذه الدراسة وتتحقق من صحة إطار عمل هجين مطور لتوليد النصوص المعزز بالاسترجاع، باستخدام مسار متعدد المراحل يتكون من الاسترجاع المتناثر والكثيف وإعادة الترتيب مع تقسيم محسّن وعتبات متتالية، لتحسين دقة الاسترجاع والمواءمة الدلالية لنصوص سياسات الحرم الجامعي ذات الكثافة المنطقية العالية بشكل كبير.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في العالم الحديث، تُطالب الحواسيب بشكل متزايد بالإجابة على الأسئلة من خلال قراءة مكتبات ضخمة من المستندات. هذه العملية، المعروفة باسم التوليد المعزز بالاسترجاع، تعمل من خلال جعل الحاسوب يبحث أولاً في قاعدة بيانات عن معلومات ذات صلة، ثم يستخدم تلك المعلومات لكتابة إجابة. ومع ذلك، ليست كل المستندات متساوية؛ فبعض النصوص، لا سيالما السياسات واللوائح الرسمية، تُكتب بكثافة منطقية عالية. فهي تحتوي على جمل طويلة ومتداخلة، وشروط صارمة، واستثناءات تعتمد على بعضها البعض. وعندما يحاول الحاسوب العثور على القطعة الصحيحة من المعلومات في مثل هذا النص، فإنه غالباً ما يصاب بالارتباك؛ فقد يجد جملة تبدو مشابهة للسؤال ولكنه يغفل عن بند حاسم مثل "إلا إذا" أو "يجب"، مما يؤدي إلى إجابة تبدو منطقية ولكنها خاطئة واقعياً. ويمثل هذا عقبة كبيرة أمام المؤسسات التي تحتاج إلى تقديم إجابات مؤتمتة دقيقة للقواعد المعقدة، مثل الجامعات التي تدير ترقيات أعضاء هيئة التدريس أو أدلة الطلاب.
لقد سعى باحثون في كلية فوجيان الصحية في الصين إلى حل هذه المشكلة تحديداً باستخدام دراسة حالة لسياسات حرمهم الجامعي. أرادوا بناء نظام يمكنه التنقل عبر الطبقات المنطقية الملتوية لهذه المستندات دون أن يفقد تتبع الحقائق. تضمن نهجهم عملية تصفية مكونة من ثلاث خطوات مصممة لمحاكاة كيفية اقتراب القارئ البشري المتأني من نص صعب. أولاً، يلقي النظام شبكة واسعة للإمساك بأي مستند قد يحتوي على الكلمات المفتاحية الصحيحة. ثانياً، يستخدم فهماً أكثر تطوراً للمعنى لتضييق تلك القائمة، بحثاً عن الفكرة العامة بدلاً من مجرد مطابقة الكلمات. وأخيراً، يقوم بإجراء فحص عميق ودقيق للمرشحين المتبقين لضمان توافقهم مع القيود المنطقية المحددة للسؤال. ووجد الباحثون أن حجم قطع النصوص التي يغذي بها النظام وصرامة خطوات التصفية الخاصة به كانا مفتاحي النجاح.
ركزت الدراسة على مستندات مثل "خطة مراجعة مسميات أعضاء هيئة التدريس" و"دليل الطالب"، وهي مستندات مليئة بالمعايير المعقدة للترقيات والمنح الدراسية والتمويل البحثي. ولاختبار نظامهم، أنشأ الفريق مجموعة من مائتي سؤال محدد تتطلب من الحاسوب فهم شروط معقدة، مثل ما إذا كان جائزة معينة تحتسب ضمن الترقية إذا تم استيفاء عدد ساعات تدريس معينة أيضاً. وقارنوا منهجهم الجديد المكون من ثلاث مراحل بالأساليب الأبسط التي تعتمد فقط على نوع واحد من البحث أو مزيج أقل دقة من الطرق. وأظهرت النتائج أن النهج متعدد المراحل كان متفوقاً بمراحل في العثัง على المعلومات الصحيحة، والأهم من ذلك، في توليد إجابات تستند بدقة إلى الحقائق المسترجعة.
كان الاكتشاف الحاسم في هذا العمل هو أهمية كيفية تقسيم النص قبل البحث فيه. اختبر الباحثون تقسيم المستندات إلى قطع صغيرة، وقطع متوسطة، وقطع كبيرة. ووجدوا أنه إذا كانت القطع صغيرة جداً، فإن الروابط المنطقية بين الجمل تنقطع، مما يترك الحاسوب مع معلومات مجزأة. وإذا كانت القطع كبيرة جداً، فإنها تحتوي على الكثير من الضجيج غير ذي الصلة، مما يربك الحاسوب ويؤدي إلى "الهلوسة"، أو تفاصيل مختلقة. وكان الحجم الأمثل الذي حددوه هو قطعة بحجم 256 توكن (Token). كان هذا الحجم المحدد كبيراً بما يكفي للحفاظ على فكرة أو قاعدة كاملة سليمة، وصغيراً بما يكفي لمنع النظام من الارتباك بسبب نصوص غير ذات صلة.
وبنفس القدر من الأهمية، كانت استراتيجية عدد المستندات التي يتم الاحتفاظ بها في كل مرحلة من مراحل البحث. جرب الباحثون أعداداً مختلفة، محاولين إيجاد التوازن الصحيح بين النظر في خيارات قليلة جداً أو كثيرة جداً. واكتشفوا أن نمطاً متتالياً معيناً كان يعمل بشكل أفضل: البدء ببحث واسع يشمل 1,000 قطعة نصية محتملة، ثم تضييق النطاق إلى 100 بناءً على المعنى، وأخيراً اختيار أفضل 10 فقط للإجابة النهائية. سمح هذا القمع من الواسع إلى الضيق للنظام بضمان عدم تفويت أي معلومات ذات صلة في البداية، بينما ضمنت الفلترة النهائية الصارمة استخدام المعلومات الأكثر دقة وسلامة من الناحية المنطقية فقط لتوليد الاستجابة.
أظهرت الدراسة أن هذا المنهج المنقح حسن دقة الإجابات بشكل كبير. فعند مقارنته بالأساليب الأخرى، كان هذا النظام ثلاثي المراحل أفضل في العثور على السياق الصحيح، والأهم من ذلك، في تجنب إنشاء معلومات كاذبة. وقد أثبت أنه من خلال ضبط حجم قطع النص وصرامة خطوات التصفية بعناية، يمكن للحواسيب التعامل مع الكثافة المنطقية العالية لنصوص السياسات بشكل أكثر فعالية. وخلص الباحثون إلى أن هذا النهج يقدم مخططاً موثوقاً لإنشاء خدمات معرفية ذكية في المجالات الإدارية، حيث يكون ضبط التفاصيل أمراً ضرورياً. وبينما أظهر النظام وعداً كبيراً، أشار المؤلفون إلى أنه لا يزال يعتمد على نصوص نظيفة ومنظمة جيداً، وقد يواجه صعوبة مع المستندات ذات التنسيق الفوضوي أو التي تتطلب مقارنة المعلومات عبر ملفات متعددة ومختلفة. ويهدف العمل المستقبلي إلى معالجة هذه القيود من خلال استكشاف تقنيات استدلال أكثر تقدماً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.