معرفی مقاله و اهمیت آن

در دنیای امروز، که تعامل انسان با هوش مصنوعی رو به فزونی است، درک و تبیین زبان طبیعی انسان یکی از چالش‌برانگیزترین و در عین حال بنیادی‌ترین مسائل در حوزه پردازش زبان طبیعی (NLP) محسوب می‌شود. مقاله “CIDER: Commonsense Inference for Dialogue Explanation and Reasoning”، با عنوان فارسی “CIDER: استنتاجِ فهمِ عمومی برای توضیح و استدلالِ گفت‌وگو”، به همین چالش اساسی می‌پردازد.

توضیح مکالمات انسانی، فراتر از صرفاً پردازش کلمات، مستلزم درک عمیق محتوا (context)، برنامه‌ریزی، استنتاج، و جنبه‌های مختلفی از استدلال است. این جنبه‌ها شامل استدلال علّی (causal)، زمانی (temporal) و بویژه استدلال مبتنی بر فهم عمومی (commonsense reasoning) می‌شوند. فهم عمومی دانشی است که اکثر انسان‌ها بدون نیاز به آموزش صریح، آن را بدیهی و مسلم می‌دانند؛ مثلاً “اگر باران ببارد، زمین خیس می‌شود” یا “برای نوشتن باید خودکار داشته باشی”. ماشین‌ها برای تعامل طبیعی‌تر و مفیدتر با انسان، به این نوع دانش و توانایی استدلال بر اساس آن نیاز دارند.

پژوهشگران این مقاله، با معرفی CIDER، یک مجموعه داده (dataset) منحصر به فرد و دست‌ساز، گامی مهم در این راستا برداشته‌اند. این مجموعه داده حاوی توضیحات مکالمات دو نفره (dyadic dialogue explanations) است که در قالب سه‌تایی‌های دانش (knowledge triplets) صریح و ضمنی، و از طریق استنتاج فهم عمومی مبتنی بر محتوا، استخراج شده‌اند. این مقاله نه تنها اهمیت توانایی استدلال فهم عمومی در مکالمات را برجسته می‌کند، بلکه با فراهم آوردن ابزارها و وظایف جدید، مسیر را برای پیشرفت‌های آینده در این حوزه هموار می‌سازد.

نویسندگان و زمینه تحقیق

این مقاله حاصل تلاش مشترک تیمی از محققان برجسته در زمینه هوش مصنوعی و پردازش زبان طبیعی است. نویسندگان این اثر عبارتند از: دیپانوی قوسال (Deepanway Ghosal)، پنگفی هونگ (Pengfei Hong)، سیچی شن (Siqi Shen)، ناوونیل ماجومدر (Navonil Majumder)، رادا میهالچا (Rada Mihalcea) و سوجانیا پوریا (Soujanya Poria). این اسامی بیانگر تخصص و تجربه عمیق در حوزه‌های مرتبط با پردازش زبان طبیعی (NLP)، هوش مصنوعی (AI)، و یادگیری ماشین (Machine Learning) هستند.

زمینه تحقیق این مقاله عمیقاً در قلب تلاش برای ساخت سیستم‌های هوش مصنوعی قرار دارد که نه تنها قادر به تجزیه و تحلیل زبان باشند، بلکه بتوانند معنای واقعی آن را درک کرده و بر اساس آن استدلال کنند. این حوزه از دهه‌ها پیش مورد توجه دانشمندان کامپیوتر و زبان‌شناسان بوده است، اما با ظهور مدل‌های زبانی بزرگ (LLMs) و ترنسفورمرها در سالیان اخیر، قابلیت‌های پردازش زبان به سطوح بی‌سابقه‌ای رسیده است. با این حال، حتی پیشرفته‌ترین مدل‌ها نیز در مواجهه با پیچیدگی‌های ظریف فهم عمومی و استدلال در مکالمات، بویژه هنگامی که دانش صریحاً بیان نشده باشد، با چالش روبرو هستند.

این گروه تحقیقاتی به دنبال پر کردن شکاف بین توانایی مدل‌های فعلی در پردازش الگوهای زبانی و نیاز به استنتاج معنایی عمیق و استدلال مبتنی بر دانش عمومی هستند. آن‌ها با ارائه یک مجموعه داده که به طور خاص برای توضیح “چرا” و “چگونه” گفته‌ها در مکالمات طراحی شده است، ابزاری حیاتی برای توسعه نسل بعدی سیستم‌های هوش مصنوعی فراهم می‌آورند که می‌توانند به معنای واقعی کلمه، “مکالمه را درک کنند.”

چکیده و خلاصه محتوا

مقاله CIDER بر مبنای این ایده محوری بنا شده است که استنتاج فهم عمومی برای درک و توضیح زبان انسان، یک مسئله اساسی در پردازش زبان طبیعی است. چکیده مقاله به وضوح بیان می‌کند که توضیح مکالمات انسانی یک چالش بزرگ است زیرا نیازمند درک محتوایی، برنامه‌ریزی، استنتاج و چندین جنبه از استدلال از جمله استدلال علّی، زمانی و فهم عمومی است.

در قلب این کار، معرفی CIDER قرار دارد: یک مجموعه داده با دقت بالا که به صورت دستی گردآوری شده است. این مجموعه داده شامل توضیحات مکالمات دو نفره است که در قالب سه‌تایی‌های دانش ضمنی و صریح استنتاج شده با استفاده از استنتاج فهم عمومی مبتنی بر محتوا ارائه می‌شود. استخراج چنین توضیحات غنی‌ای از مکالمات می‌تواند به بهبود چندین کاربرد پایین‌دستی کمک کند.

سه‌تایی‌های دانش حاشیه‌نویسی شده، بر اساس نوع دانش فهم عمومی موجود (مثلاً علّی، شرطی، زمانی) دسته‌بندی می‌شوند. این دسته‌بندی ساختارمند، امکان تحلیل دقیق‌تری از انواع دانش مورد نیاز برای فهم مکالمه را فراهم می‌آورد. به عنوان مثال، یک مکالمه ممکن است به دلیل یک رابطه علّی بین دو رویداد توضیح داده شود (“او عصبانی شد زیرا دوستش او را نادیده گرفت”).

محققان سه وظیفه مختلف را بر اساس این مجموعه داده حاشیه‌نویسی شده تعریف کرده‌اند:

• استنتاج زبان طبیعی در سطح گفت‌وگو (Dialogue-level Natural Language Inference): این وظیفه ارزیابی می‌کند که آیا یک فرضیه معین با توجه به مکالمه، صحیح، غلط یا نامشخص است.
• استخراج بازه (Span Extraction): در این وظیفه، مدل باید بخشی از مکالمه (یک “بازه” متنی) را استخراج کند که توضیح یا استدلال فهم عمومی را پشتیبانی می‌کند.
• انتخاب بازه چند گزینه‌ای (Multi-choice Span Selection): مدل باید از بین چندین بازه متنی پیشنهادی، بازه صحیح را که توضیح را تأیید می‌کند، انتخاب کند.

نتایج اولیه که با مدل‌های مبتنی بر ترنسفورمر به دست آمده‌اند، نشان می‌دهند که این وظایف دشوار هستند، که راه را برای تحقیقات آتی امیدوارکننده هموار می‌کند. این دشواری مؤید آن است که علی‌رغم پیشرفت‌های چشمگیر در NLP، درک عمیق فهم عمومی در مکالمات همچنان یک مرز باز برای کاوش باقی مانده است. مجموعه داده و پیاده‌سازی‌های اولیه مدل‌ها به صورت عمومی در https://cider-task.github.io/cider/ در دسترس قرار گرفته‌اند.

روش‌شناسی تحقیق

روش‌شناسی تحقیق در مقاله CIDER بر محور ایجاد یک مجموعه داده با کیفیت بالا و دستی حاشیه‌نویسی شده برای درک استدلال فهم عمومی در مکالمات متمرکز است. این رویکرد داده‌محور، برای پیشرفت در حوزه‌های پیچیده‌ای مانند فهم عمومی، که قوانین صریح و قطعی برای آن دشوار است، حیاتی است.

۱. ساخت مجموعه داده CIDER

بخش اصلی روش‌شناسی شامل گردآوری و حاشیه‌نویسی مجموعه داده CIDER است. این مجموعه داده به صورت “دستی” (manually curated) ایجاد شده است، به این معنی که انسان‌ها در فرآیند تولید و برچسب‌گذاری داده‌ها نقش کلیدی داشته‌اند. این دقت انسانی اطمینان حاصل می‌کند که توضیحات و استنتاج‌های فهم عمومی در نهایت واقع‌بینانه و منطبق با درک انسانی باشند.

• مکالمات دو نفره (Dyadic Dialogues): مجموعه داده بر روی مکالمات بین دو نفر تمرکز دارد. این نوع مکالمات رایج‌ترین شکل تعامل انسانی هستند و پیچیدگی‌های خاص خود را از نظر تبادل نوبت، ارجاعات متنی و استنتاج‌های مشترک دارند.
• سه‌تایی‌های دانش (Knowledge Triplets): هسته اصلی حاشیه‌نویسی، استخراج سه‌تایی‌های دانش است. این سه‌تایی‌ها ساختاری مانند “(فاعل، فعل، مفعول)” یا “(رویداد A، رابطه، رویداد B)” دارند که دانش ضمنی یا صریح نهفته در مکالمه را نشان می‌دهند. به عنوان مثال، در مکالمه‌ای که یک نفر می‌گوید: “من فراموش کردم چترم را بردارم و خیس شدم”، سه‌تایی دانش علّی می‌تواند این باشد: “(فراموش کردن چتر، منجر به، خیس شدن)”.
• استنتاج فهم عمومی مبتنی بر محتوا: این فرآیند شامل تشخیص این است که چه دانش فهم عمومی برای درک یک بخش از مکالمه یا توضیح یک عمل/گفتار ضروری است. این دانش ممکن است صراحتاً در مکالمه ذکر نشده باشد (ضمنی) اما برای یک انسان قابل درک است. حاشیه‌نویسان باید این دانش ضمنی را استنتاج کرده و به صورت سه‌تایی‌های دانش فرموله کنند.
• دسته‌بندی دانش فهم عمومی: سه‌تایی‌های دانش بر اساس نوع فهم عمومی دسته‌بندی می‌شوند:
  • علّی (Causal): روابط علت و معلولی. مثال: “(شخص گرسنه است، باعث، شخص غذا می‌خورد)”.
  • شرطی (Conditional): روابط شرطی “اگر-آنگاه”. مثال: “(اگر باران ببارد، آنگاه مردم چتر می‌برند)”.
  • زمانی (Temporal): ترتیب رویدادها در زمان. مثال: “(شخص از خواب بیدار می‌شود، قبل از، شخص صبحانه می‌خورد)”.
  • ویژگی/حالت (Attribute/State): توصیف ویژگی‌ها یا وضعیت‌ها. مثال: “(یک سیب، دارای، رنگ قرمز)”.
  • هدف/نیت (Goal/Intention): چرایی پشت یک عمل. مثال: “(شخص درس می‌خواند، به منظور، قبولی در امتحان)”.
  • محیطی (Environmental): دانش مربوط به محیط و جهان فیزیکی. مثال: “(خورشید، می‌دهد، نور)”.

  این دسته‌بندی‌ها به مدل‌ها کمک می‌کنند تا انواع مختلف استدلال را تمییز دهند.

۲. تعریف وظایف معیار (Benchmark Tasks)

بر اساس مجموعه داده CIDER، سه وظیفه اصلی برای ارزیابی قابلیت‌های مدل‌های هوش مصنوعی تعریف شده است:

• استنتاج زبان طبیعی در سطح گفت‌وگو (Dialogue-level Natural Language Inference – NLI): در این وظیفه، به مدل یک مکالمه و یک فرضیه (hypothesis) داده می‌شود. مدل باید تعیین کند که آیا مکالمه، فرضیه را تأیید می‌کند (entailment)، رد می‌کند (contradiction) یا هیچ‌کدام (neutral). تفاوت این NLI با NLI‌های سنتی، در این است که اغلب برای استنتاج پاسخ صحیح، نیاز به فهم عمومی نهفته در مکالمه است.
• استخراج بازه (Span Extraction): این وظیفه به چالش کشیدن مدل برای شناسایی دقیق بخشی از متن مکالمه است که مستقیماً یک استنتاج فهم عمومی خاص را توجیه می‌کند. مدل باید نقطه شروع و پایان یک بازه متنی را در مکالمه مشخص کند که با سه‌تایی دانش مرتبط است. این وظیفه نیازمند درک عمیق‌تر از رابطه بین گفتار و دانش زیربنایی آن است.
• انتخاب بازه چند گزینه‌ای (Multi-choice Span Selection): این وظیفه یک نسخه ساده‌تر از استخراج بازه است که در آن، مدل به جای تولید بازه، باید از بین چند گزینه بازه متنی، بازه‌ای صحیح را انتخاب کند که بهترین توضیح را برای یک استنتاج فهم عمومی ارائه می‌دهد. این می‌تواند برای ارزیابی سریع‌تر و اولیه مدل‌ها مفید باشد.

۳. مدل‌های پایه (Baselines)

برای ایجاد یک نقطه مرجع، محققان از مدل‌های مبتنی بر ترنسفورمر (transformer-based models) پیشرفته برای حل این وظایف استفاده کردند. این مدل‌ها که در سالیان اخیر در بسیاری از وظایف NLP به موفقیت‌های چشمگیری دست یافته‌اند (مانند BERT، RoBERTa، etc.)، به عنوان خطوط پایه عمل می‌کنند. عملکرد آن‌ها در این وظایف، میزان دشواری ذاتی مسائل مربوط به فهم عمومی در مکالمات را آشکار می‌سازد و نشان می‌دهد که راه زیادی برای رسیدن به درک انسانی از مکالمات وجود دارد.

یافته‌های کلیدی

یافته‌های کلیدی مقاله CIDER نه تنها به چالش‌های موجود در استدلال فهم عمومی در مکالمات اشاره دارد، بلکه مسیرهای جدیدی را برای تحقیقات آتی باز می‌کند. مهم‌ترین یافته‌ها عبارتند از:

• دشواری بالای وظایف: اصلی‌ترین و مهم‌ترین یافته این است که سه وظیفه تعریف شده – استنتاج زبان طبیعی در سطح گفت‌وگو، استخراج بازه، و انتخاب بازه چند گزینه‌ای – حتی برای پیشرفته‌ترین مدل‌های مبتنی بر ترنسفورمر نیز بسیار دشوار هستند. این نشان می‌دهد که درک عمیق فهم عمومی در مکالمات، فراتر از توانایی فعلی این مدل‌ها در پردازش الگوهای زبانی صرف است. مدل‌ها در استخراج دانش ضمنی و استدلال پیچیده بر اساس آن با مشکل مواجه می‌شوند.

• پیچیدگی چندوجهی فهم عمومی: مجموعه داده CIDER و دسته‌بندی‌های دانش آن، ماهیت چندوجهی و پیچیده فهم عمومی مورد نیاز برای درک مکالمات را آشکار می‌سازد. از روابط علّی و زمانی گرفته تا شرطی و نیتی، هر یک از این انواع دانش نقش حیاتی در تفسیر صحیح یک مکالمه دارند. عدم درک یکی از این ابعاد می‌تواند به سوءتفاهم کلی منجر شود.

• نیاز به رویکردهای نوین: عملکرد نسبتاً پایین مدل‌های پایه، به وضوح نشان می‌دهد که نیاز به توسعه معماری‌های مدل جدید، روش‌های آموزش بهتر، و شاید ادغام دانش صریح‌تر در مدل‌های زبانی وجود دارد. صرفاً افزایش حجم داده‌های آموزشی یا بزرگ‌تر کردن مدل‌ها ممکن است برای حل این چالش کافی نباشد؛ نیاز به فهم “چگونه جهان کار می‌کند” در هسته مدل احساس می‌شود.

• ارائه یک منبع ارزشمند تحقیقاتی: خود مجموعه داده CIDER یک دستاورد و یافته کلیدی است. این مجموعه داده، یک منبع عمومی و با کیفیت را برای جامعه پژوهشی فراهم می‌کند که می‌تواند به عنوان یک ابزار استاندارد برای ارزیابی پیشرفت‌ها در استدلال فهم عمومی در مکالمات عمل کند. پیش از این، منابع با این سطح از جزئیات و تمرکز بر فهم عمومی در مکالمات کمیاب بودند.

• نقش سه‌تایی‌های دانش در توضیح: ساختار سه‌تایی‌های دانش (knowledge triplets) یک چارچوب مؤثر برای کدگذاری توضیحات مکالمه ارائه می‌دهد. این فرمت، امکان تحلیل گرانولارتر و دقیق‌تر از عناصر دانش مورد نیاز برای فهم را فراهم می‌کند و می‌تواند به توسعه مدل‌هایی کمک کند که نه تنها پاسخ می‌دهند، بلکه “چرایی” پاسخ خود را نیز تبیین می‌کنند.

در مجموع، این یافته‌ها تأکید می‌کنند که هوش مصنوعی در مسیر درک زبان انسان هنوز با چالش‌های اساسی روبروست و CIDER به عنوان یک معیار و کاتالیزور برای تحقیقات آینده در این زمینه عمل خواهد کرد.

کاربردها و دستاوردها

استخراج توضیحات غنی و استدلال‌های فهم عمومی از مکالمات، که توسط CIDER تسهیل می‌شود، می‌تواند به طور چشمگیری چندین کاربرد پایین‌دستی در حوزه هوش مصنوعی و پردازش زبان طبیعی را بهبود بخشد. دستاورد اصلی این پژوهش، فراتر از صرفاً یک مقاله علمی، ایجاد زیرساختی برای پیشرفت‌های آتی است.

۱. کاربردهای عملی

• بهبود هوش مصنوعی مکالمه‌ای (Conversational AI): دستیاران مجازی و چت‌بات‌های امروزی اغلب در درک مفاهیم ضمنی، استدلال فهم عمومی یا توضیح “چرا” یک چیز گفته شده، دچار مشکل می‌شوند. CIDER با فراهم آوردن داده‌های آموزشی برای این نوع استدلال، می‌تواند به ساخت چت‌بات‌هایی کمک کند که نه تنها به سؤالات پاسخ می‌دهند، بلکه قادر به توضیح دلایل پشت رویدادها، پیش‌بینی نتایج و حتی درک نیت واقعی کاربر در مکالمات پیچیده‌تر باشند. این امر منجر به تعاملات طبیعی‌تر و مفیدتر می‌شود.

• خلاصه‌سازی گفت‌وگو با کیفیت بالاتر: خلاصه‌سازهای فعلی ممکن است محتوای صریح مکالمات را به خوبی پوشش دهند، اما اغلب در گنجاندن استنتاج‌های ضمنی یا فهم عمومی شکست می‌خورند. با توانایی استخراج سه‌تایی‌های دانش، خلاصه‌سازی می‌تواند به جنبه‌های علّی، زمانی و نیت‌محور مکالمه نیز بپردازد و خلاصه‌های عمیق‌تر و جامع‌تری ارائه دهد که نه تنها “چه اتفاقی افتاد” بلکه “چرا اتفاق افتاد” را نیز پوشش دهد.

• سیستم‌های پرسش و پاسخ پیشرفته (Advanced QA Systems): سیستم‌هایی که به سؤالات مربوط به مکالمات پاسخ می‌دهند، می‌توانند با استفاده از CIDER بهبود یابند. این سیستم‌ها می‌توانند نه تنها پاسخ‌های مستقیم را ارائه دهند، بلکه توضیحات مبتنی بر فهم عمومی را نیز برای توجیه پاسخ‌های خود تولید کنند، که درک کاربر از پاسخ را افزایش می‌دهد و اعتماد به سیستم را بالا می‌برد.

• درک بهتر تعامل انسان-کامپیوتر: توسعه رابط‌های کاربری هوشمندتر که قادر به درک نه تنها دستورات صریح، بلکه نیت‌ها، زمینه‌های فرهنگی و پیش‌فرض‌های فهم عمومی کاربران هستند. این موضوع در طراحی سیستم‌های خودکار، کمک‌ربات‌ها و سیستم‌های توصیه‌گر کاربرد فراوانی دارد.

• تحلیل رفتار اجتماعی و روان‌شناختی: با استخراج روابط علّی و نیتی از مکالمات، می‌توان الگوهای رفتاری، انگیزه‌ها و روابط بین افراد را در زمینه‌های مختلف (مثلاً در پلتفرم‌های اجتماعی، تحلیل نظرات مشتریان، یا حتی در تحلیل‌های روان‌درمانی) بهتر درک کرد. این کار می‌تواند در کشف ریشه‌های مشکلات و ارائه راه‌حل‌ها مفید باشد.

• ابزارهای آموزشی و یادگیری: سیستم‌هایی که می‌توانند روابط علّی یا مفاهیم فهم عمومی را از متون استخراج و توضیح دهند، می‌توانند به ابزارهای قدرتمندی برای آموزش و یادگیری تبدیل شوند، بویژه در زمینه‌هایی که استدلال و تفکر انتقادی اهمیت دارد.

۲. دستاوردهای کلیدی پژوهشی

• ایجاد مجموعه داده معیار (Benchmark Dataset): مهم‌ترین دستاورد، ایجاد مجموعه داده CIDER است. این مجموعه داده دستی و با کیفیت، یک منبع حیاتی برای تحقیقات آینده است که به محققان امکان می‌دهد مدل‌های خود را برای درک استدلال فهم عمومی در مکالمات آموزش داده و ارزیابی کنند. این به تسریع پیشرفت در این حوزه کمک می‌کند.

• تعریف وظایف چالش‌برانگیز: تعریف سه وظیفه مشخص – NLI سطح گفت‌وگو، استخراج بازه، و انتخاب بازه چند گزینه‌ای – نقاط ضعف مدل‌های فعلی را روشن کرده و اهداف مشخصی را برای توسعه مدل‌های جدید تعیین می‌کند. این وظایف به عنوان معیارهایی برای اندازه‌گیری واقعی “هوش” یک سیستم در درک زبان عمل می‌کنند.

• هموارسازی راه برای تحقیقات آتی: با اثبات دشواری این وظایف برای مدل‌های فعلی، CIDER به وضوح نشان می‌دهد که حوزه‌ی استدلال فهم عمومی در مکالمات یک زمینه فعال و پربار برای تحقیقات است. این مقاله محققان را تشویق می‌کند تا به دنبال رویکردهای نوآورانه فراتر از مدل‌های ترنسفورمر فعلی باشند.

• ارائه دسترسی عمومی: قرار دادن مجموعه داده و پیاده‌سازی‌های اولیه به صورت عمومی، یک گام مهم برای جامعه علمی است. این کار به شفافیت، تکرارپذیری نتایج و همکاری‌های بین‌المللی کمک می‌کند و اطمینان می‌دهد که دستاوردهای این پژوهش می‌تواند توسط همه استفاده و توسعه یابد.

نتیجه‌گیری

در نهایت، مقاله “CIDER: Commonsense Inference for Dialogue Explanation and Reasoning” یک مشارکت مهم و تأثیرگذار در حوزه پردازش زبان طبیعی و هوش مصنوعی است. این پژوهش نه تنها اهمیت حیاتی استدلال فهم عمومی را برای درک عمیق مکالمات انسانی برجسته می‌کند، بلکه با معرفی یک مجموعه داده منحصر به فرد و با دقت بالا، ابزار لازم برای پیشرفت در این زمینه را فراهم می‌آورد.

با تعریف وظایف چالش‌برانگیز استنتاج زبان طبیعی، استخراج بازه و انتخاب بازه، محققان نشان دادند که حتی پیشرفته‌ترین مدل‌های زبانی نیز در درک و تبیین پیچیدگی‌های نهفته در مکالمات، که اغلب نیازمند فهم عمومی ضمنی هستند، با محدودیت‌های قابل توجهی روبرو هستند. این امر تأیید می‌کند که هوش مصنوعی هنوز راه درازی در پیش دارد تا به سطح درک و استدلال انسانی در تعاملات زبانی دست یابد.

مجموعه داده CIDER، با ساختاردهی توضیحات مکالمات در قالب سه‌تایی‌های دانش (علّی، زمانی، شرطی و غیره)، یک چارچوب غنی برای تحلیل و آموزش مدل‌ها فراهم می‌کند. این دستاورد، نه تنها به بهبود قابلیت‌های هوش مصنوعی مکالمه‌ای، خلاصه‌سازی گفت‌وگو، و سیستم‌های پرسش و پاسخ کمک خواهد کرد، بلکه در نهایت به تعاملات طبیعی‌تر و معنادارتر بین انسان و ماشین منجر می‌شود.

در دسترس قرار دادن عمومی مجموعه داده و پیاده‌سازی‌های اولیه، روح همکاری علمی را تقویت کرده و به جامعه پژوهشی امکان می‌دهد تا بر روی این پایه محکم بنا نهاده و رویکردهای نوینی را برای غلبه بر چالش‌های استدلال فهم عمومی توسعه دهند. CIDER به عنوان یک کاتالیزور برای تحقیقات آینده عمل می‌کند و نویدبخش هوش مصنوعی است که نه تنها می‌داند “چه” گفته می‌شود، بلکه “چرا” و “چگونه” نیز درک می‌کند.