مولد تلقائي لمسائل الهندسة التحليلية مع رسومات دقيقة
إطار عمل جديد يجمع بين الشبكات العصبية والأساليب الرمزية لإنشاء نص ومخطط وإجابة المسألة بشكل متسق دون تدخل بشري. وبناءً عليه، تم تجميع مجموعة بيانات AnalyticGeo7K: أكثر من 7000 مثال مُتحقق منه مع خطأ وسيط في الإجابات المرجعية أقل من 1%.

الهندسة التحليلية — حجر العثرة غير المعلن للذكاء الاصطناعي
تمكنت النماذج الحديثة بشكل جيد من حل المسائل الهندسية التي تظهر فيها الأشكال مرسومة بالفعل في المخطط. لكن الوضع أكثر تعقيدًا مع الهندسة التحليلية: هنا تُعرَّف الأجسام من خلال المعادلات والإحداثيات وشروط التماس أو التقاطع. لتدريب مثل هذه الأنظمة، نحتاج إلى أمثلة موسومة — مسألة، نص، رسم دقيق، وإجابة. وهنا تكمن المشكلة الكبرى: المجموعات الجاهزة شبه معدومة، والحصول عليها تلقائيًا أمر بالغ الصعوبة.
لماذا لا يمكن ببساطة توليد الصور من قالب؟ يتبيّن أن منشئات المسائل التقليدية تعمل فقط مع سيناريوهات محددة بدقة. بمجرد ظهور قيد مثل «دائرة تمسّ قطعًا مكافئًا عند نقطة ذات إحداثيات صحيحة»، ينهار القالب. أما الشبكات العصبية التوليدية، فهي قادرة على رسم مخططات معقولة، لكنها لا تضمن الدقة الرياضية: فقد تتقاطع المنحنيات في غير الموضع المطلوب، وقد يكون التماس مجرد تماس بصري.

نحن بحاجة إلى نهج يبني المخطط من البداية وفق قواعد شكلية، وليس وفق «صورة نمطية» من الإنترنت.
كيف يعمل الإطار: من الشرط إلى رسم دقيق
اقترح الباحثون FormalAnalyticGeo — خط أنابيب آلي بالكامل يدمج الشبكات العصبية مع التحقق الرمزي. بدلًا من الوثوق بالنماذج التوليدية في بناء الرسم، يترجم النظام المسألة إلى وصف شكلي وسيط ثم يعرض المخطط بعد ذلك فقط. هذا يسمح بإبقاء الدقة الهندسية تحت السيطرة طوال مسار العمل.
CDL وSDF: جسر بين النص والرسم
الفكرة المركزية هي لغة وصف الشروط CDL (Condition Description Language). إنها تمثيل وسيط يضطلع بدورين: فهو ينظّم شروط المسألة المعاد صياغتها كنص حر، وفي الوقت نفسه يحتوي على جميع البيانات اللازمة للرسم. هذا الصيغة أكثر مرونة بكثير من القوالب البارامترية التقليدية: يمكن التعبير فيها عن تركيبات عشوائية من النقاط والخطوط والمقاطع المخروطية.
يتم الرسم بواسطة محرك يعمل بتقنية حقل المسافة المُشار إليه (Signed Distance Field). يوصف كل جسم بدالة للمسافة إلى حدوده — منطقة موجبة من الخارج، وسالبة من الداخل. بفضل هذا، يسهل حساب المواضع النسبية للأجسام: التقاطعات، التماسات، انتماء نقطة إلى منحنى. إن SDF هو ما يمنح تلك الدقة الرياضية التي تفتقر إليها الأساليب التوليدية التقليدية.
أربعة مكونات: التوليد، الصياغة، القياس، والتحكم
داخل الإطار تعمل أربعة مكونات LLM متخصصة، لكل منها وظيفته:
- المولّد (Generator) — يبتكر شرط المسألة، مختارًا البارامترات والحبكة الهندسية.
- المُصيغ (Formalizer) — يترجم النص إلى CDL، أي يحوّل الصياغة الحرة إلى بنية شكلية يفهمها المحرك.
- القائم بالقياس (Measurer) — يحلل المخطط المحسوب بالفعل و«يقيس» منه الإجابة المرجعية، محاكيًا تصرف الإنسان.
- المدقق الجودي (Quality Verifier) — يتحقق من الجودة في كل خطوة من الخطوات الثلاث السابقة: صحة النص، والصلاحية الشكلية لـCDL، واتساق الإجابة مع الرسم.
المدقق الجودي لا يكتفي برفض الأمثلة الرديئة. فهو يشكّل تغذية راجعة منظمة ويعيد توجيه خط الأنابيب لإعادة تنفيذ الخطوة المطلوبة. هكذا تُنشأ حلقة مغلقة لا يشارك فيها أي إنسان: تُصحح الأخطاء تلقائيًا حتى يجتاز النتيجة جميع الفحوصات.

AnalyticGeo7K: اختبار على بيانات حقيقية
للتحقق من الإطار عمليًا، جمع المؤلفون ونقّوا مجموعة بيانات AnalyticGeo7K. ضمّت أكثر من سبعة آلاف مسألة، في كل منها أربعة عناصر متسقة: الشرط، المخطط، التعليق الشكلي، والإجابة. هذا التعقيد كان مفقودًا في مجموعات البيانات السابقة.
النتائج تبدو واعدة. متوسط الخطأ النسبي للإجابات المرجعية التي حُصل عليها بالقياس البصري للمخططات بلغ حوالي 0.7%. وإذا سمحنا بهامش خطأ يصل إلى خمسة بالمئة من الحل الرمزي الدقيق، فإن 82.3% من جميع الإجابات المولّدة تقع ضمن هذا النطاق. هذا يعني أن خط الأنابيب الآلي قادر على إنتاج مسائل صحيحة فعلًا بمخططات دقيقة، وليس مجرد مسائل معقولة.

الخطوات القادمة
يخطط المؤلفون لإتاحة الإطار نفسه ومجموعة البيانات للاستخدام العام. هذا يفتح آفاقًا مثيرة: سيتمكن المدرسون من الحصول بسرعة على عدد غير محدود من المسائل الجديدة برسوم توضيحية دقيقة، وسيتمكن الباحثون من استخدام بيانات جديدة لتدريب النماذج على التفكير الرياضي. علاوة على ذلك، من المرجح أن تُنقل البنية إلى أقسام أخرى من الهندسة أو حتى تخصصات مجاورة حيث تكون العلاقة الصارمة بين النص والصيغة والصورة مهمة.
في الوقت الحالي، يُظهر FormalAnalyticGeo الأمر الجوهري: الجمع بين التوليد العصبي والتحقق الشكلي يتيح الحصول على بيانات متعددة الوسائط عالية الجودة دون عمل يدوي، ومن المرجح أن يصبح هذا المبدأ معيارًا لمولّدي المواد التعليمية في المستقبل.
الأسئلة المتكررة
المواد ذات الصلة
جميع المواد
الثوابت كثيرة الحدود القانونية في تشخيص أعطال محاكيات التعلم المعزز: أين تكون مفيدة حقًا
تبحث الدراسة مدى جدوى إدراج القوانين الفيزيائية في نماذج الديناميكيات المتعلَّمة: فالثوابت المستخلصة من المسارات والمحوَّلة إلى صيغة معيارية باستخدام قواعد غروبينر تحقق تحسناً متواضعاً في التنبؤات، لكنها فعّالة في التشخيص، إذ تتيح تحديد موضع القيد المنتهك والكشف عن المعلمة الخاطئة بعينها.
10 نوفمبر 2026
AURA-Eval: كيفية التحقق من أن وكيل LLM قد أدرك المخاطر وغيّر خطوته التالية
يقيّم هذا الإطار سلوك وكلاء LLM لا استنادًا إلى الحكم النهائي، بل إلى استجابتهم للمخاطر عند نقاط محورية: إذ تُقطع مسارات استدعاء الأدوات، ثم يُطلب من النموذج مواصلة الاستدلال والتصرف، بينما تحلل لجنة من محكّمي LLM رصد المخاطر وطبيعة الخطوة ومدى أمانها. وفي 1249 مهمة جُمعت من 157 مسارًا لـ R-Judge، ازداد تواتر التصرفات غير الآمنة لدى 20 نموذجًا عند غياب مسار آمن، كما أدى رفع الإشراف قبل التنفيذ إلى تحويل 52,3% من الحالات الآمنة في الأصل إلى حالات غير آمنة.
10 نوفمبر 2026
ذاكرة خزان تشيرن-سايمونز: ديناميكيات الترابط الذاتية ونقل الكثافة
تتناول المقالة كيفية احتفاظ الخزان بتاريخ الإشارات الواردة في كلٍّ من توزيع الكثافة ودرجات الحرية الهندسية. وتُظهر مقارنة أربعة آليات أن التيار ينشئ مكوّنًا منفصلًا من مكوّنات الاتصال، يغيّر استجابة الكثافة لاحقًا، وأن أخذ جميع السمات المقاسة في الحسبان يحقق تحسنًا طفيفًا في فك ترميز ترتيب النبضات.
10 نوفمبر 2026