هوش مصنوعی
چارچوب SMART با گردآوری دانش زمینه‌ای، ارزیابی ادعاهای علمی را بهبود می‌دهد
پژوهشگران در پیش‌چاپی در arXiv می‌گویند چارچوب چندعاملی SMART با تولید مقدمات مرتبط و متکی بر دانش دنیای واقعی، عملکرد اعتبارسنجی ادعاهای علمی پیچیده را در سه مجموعه‌داده تا ۲۰ درصد افزایش داده است.
چارچوب SMART از چند مدل زبانی بزرگ (LLM) و راهبردی ساختاریافته مبتنی بر نقش استفاده می‌کند تا حالت ضمنیِ موجودیت‌های دخیل در یک مسئله را استخراج کند. سپس این اطلاعات را به مقدماتی متنوع، مکمل و مرتبط با حل مسئله تبدیل می‌کند تا استدلال دربارهٔ مسئله‌هایی با زمینهٔ محدود، مانند ارزیابی ادعاها، از دانش بیشتری بهره ببرد.
به‌گفتهٔ نویسندگان، استدلال هدایت‌شده با این مقدماتِ بررسی‌شده در دنیای واقعی، عملکرد اعتبارسنجی ادعاهای علمی پیچیده را در سه مجموعه‌داده تا ۲۰ درصد بهبود داده است. آن‌ها همچنین گزارش می‌کنند که متکی‌کردن مقدمات به دانش دنیای واقعی ضروری است و عملکرد را تا ۵ درصد بهتر می‌کند. این یافته‌ها در نسخهٔ اولیهٔ پژوهش منتشرشده در arXiv ارائه شده‌اند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده