تُعدّ الرسوم البيانية المعرفية وسيلةً ملائمةً لتخزين الحقائق والعلاقات فيما بينها: الأشخاص، والشركات، والأحداث، والمنشورات العلمية، وآلاف الأنواع من العلاقات. لكن القيمة الرئيسية لمثل هذا الرسم البياني لا تكمن في قاعدة البيانات، بل في إمكانية الاستدلال: اكتشاف حقائق خفية بالاعتماد على العلاقات المعروفة بالفعل. في السنوات الأخيرة، تُبذل محاولات متزايدة لحل هذه المهمة باستخدام النماذج اللغوية الكبيرة — فهي تعمل بشكل جيد مع النصوص وتستطيع التعلّم الإضافي «أثناء العمل». غير أن لهذا النهج قيدًا دقيقًا لكنه مهم: قد يحفظ النموذج إجابةً معقولةً بدلًا من استنتاجها من بنية الرسم البياني.
في مسودة حديثة على arXiv (2608.17443)، يصف فريق من الباحثين — Xingrui Zhuo وJiapu Wang وManzong Huang وGongqing Wu وXindong Wu — نموذج SIRLM الذي يحاول معالجة هذه المشكلة عبر توليد قواعد بنيوية. لكن قبل تحليل الحل، يجدر بنا فهم ما الذي يختلّ بالضبط.
ما هو «انحراف إدراك أدلة الاستدلال»
عندما يعمل النموذج اللغوي مع رسم بياني معرفي، فإنه عادةً لا يتلقاه كرسم بياني، بل كتسلسل من الثلاثيات النصية: الفاعل، والعلاقة، والمفعول. هذا العرض ملائم بحد ذاته للنماذج اللغوية الكبيرة، لأن النموذج مُدرَّب على النصوص. لكن الرسم البياني ليس مجرد قائمة حقائق، بل هو أيضًا قيود: العبور، والتناظر، والتسلسل الهرمي للأنواع، ومنع التناقضات. عند الانتقال من البنية إلى النص، تُفقد هذه القيود جزئيًا.
يسمّي المؤلفون المشكلة «انحراف إدراك أدلة الاستدلال» (reasoning evidence perception drift). جوهرها أن المعرفة البارامترية للنموذج — كل ما «تعلّمه» أثناء التدريب على مليارات النصوص — تبدأ بالهيمنة على التلميحات البنيوية المستمدة من الرسم البياني. قد يجيب النموذج بسهولة على سؤال لأنه شاهد موضوعًا مشابهًا في بيانات التدريب، وليس لأن الاستنتاج يتبع فعلًا من العلاقات في الرسم البياني. هذا وضع خطير: تبدو الإجابة واثقة، لكنها ليست موثوقة من منظور منطق الرسم البياني.
كيف يستعيد SIRLM الصلة بالبنية
فكرة SIRLM ليست مجرد تلقين النموذج القواعد، بل دمج المعرفة البنيوية في نموذج الاستدلال نفسه. ولتحقيق ذلك، يُستخدم توليد القواعد البنيوية: يتعلم النموذج بناء قواعد من قبيل «إذا وُجدت علاقة A وعلاقة B، فمن المرجح وجود علاقة C»، ثم يتحقق من هذه القواعد على الرسم البياني. يربط هذا النهج التعلّم البارامتري بالتحقق الرسمي من النتيجة: لا يمكن للنموذج ببساطة «تذكّر» الإجابة، بل يتعين عليه مواءمة استنتاجه مع المسارات الفعلية في الرسم البياني.
مولّد القواعد SIRG
المكوّن الرئيسي للنموذج هو مولّد القواعد البنيوية SIRG. وهو مصمم ككتلة تعلّم داخل السياق، معززة بذاكرة للعلاقات البنيوية. إذا كان التعلّم داخل السياق العادي يسمح للنموذج باستخدام أمثلة من السياق، فإن ذاكرة العلاقات البنيوية تضيف إلى ذلك معرفةً بأنواع العلاقات المميزة لهذا الرسم البياني عمومًا. وبهذا ينسّق النموذج بشكل أفضل بين المعرفة البارامترية والبنية الحالية.
بشكل منفصل، لدى SIRG آليتان مهمتان:
- مُرمِّز رسم بياني قائم على تعلّم الثبات البنيوي — يتعلم تمثيل العقد والعلاقات بحيث تعطي المواضع البنيوية المتطابقة تمثيلاتٍ متشابهة، حتى لو كانت الكيانات نفسها مختلفة.
- مُستدل عصبي-رمزي قائم على نشر الرسائل المقيّد بالقواعد — ينشر الإشارات عبر الرسم البياني، لكن فقط عبر المسارات التي تسمح بها القواعد المولّدة. وهذا يوفر تغذية راجعة من التنفيذ الفعلي للقواعد: إذا أدت القاعدة إلى تأكيد حقيقة، يتلقى النموذج إشارة إيجابية.
يتيح هذا الربط الحصول على تمثيلات بنيوية قابلة للتعلّم مع التحقق من موثوقيتها عبر تنفيذ القواعد.
الدمج في دورات التعلّم القياسية
من نقاط قوة SIRLM الجدوى الهندسية. لا يتطلب النموذج بنية معمارية غريبة، ويمكن دمجه في النماذج القياسية لتعلّم النماذج اللغوية الكبيرة، بما في ذلك SFT (التعلّم الإضافي على أمثلة موسومة) وGRPO (التحسين الجماعي بالتعزيز المعزز). وهذا يعني أن المطوّرين يمكنهم أخذ نموذج موجود وإضافة القواعد البنيوية إليه كطبقة تعلّم إضافية.
هذا النهج مهم ليس فقط من حيث الجودة، بل أيضًا من حيث الثقة بالنموذج. عندما يمكن تفسير استدلال النموذج عبر قواعد وعلاقات محددة في الرسم البياني، تتاح للمستخدم إمكانية التحقق من مسار التفكير. وهذا يختلف اختلافًا كبيرًا عن الحالة التي يخرج فيها النموذج إجابةً محتملة دون أي تبرير.
ما مدى فعالية هذا
يدّعي المؤلفون أنهم أجروا تجارب موسعة: قارنوا SIRLM مع 17 طريقة حديثة لاستدلال الرسم البياني المعرفي على 36 مجموعة بيانات. وفقًا لبياناتهم، يتفوق النموذج بشكل ملحوظ على الأساليب القائمة. يبدو هذا مشجعًا، خاصةً في ظل أن العديد من أساليب النماذج اللغوية الكبيرة تحسّن الجودة فقط عبر الحجم أو التعقيد في التلقين، وليس عبر الفهم الفعلي للبنية.
بطبيعة الحال، كما هو الحال مع أي مسودة، ينبغي التعامل مع النتائج بحذر: اختيار مجموعات البيانات والمقاييس والنماذج الأساسية قد يؤثر على الصورة النهائية. لكن صياغة المشكلة نفسها — «انحراف الإدراك» — دقيقة وفي وقتها المناسب. لقد تعلّمت النماذج اللغوية الكبيرة بالفعل التلاعب بالنصوص بمهارة، لكن بالنسبة للمهام المسؤولة، حيث يجب أن يتبع القرار الأدلة المتاحة، لا تكفي الحدس اللغوي وحده.
الخلاصة
تتطلب الرسوم البيانية المعرفية من النماذج الانضباط: يجب أن يعتمد الاستنتاج على البنية، لا على الذاكرة. SIRLM — واحدة من أولى الخطوات الملحوظة نحو الجمع بين مرونة النماذج اللغوية والصرامة الرسمية للقواعد. إنها ليست مجرد طريقة أخرى بأرقام أفضل، بل محاولة لتغيير طريقة تفاعل النماذج اللغوية الكبيرة مع الرسوم البيانية ذاتها. إذا رسخت هذه النماذج، سيصبح الاستدلال على الرسوم البيانية ليس أدق فحسب، بل وأكثر شفافية بشكل ملحوظ: سيكون لكل إجابة أثر قابل للتحقق من القواعد والعلاقات.
