۱. مقدمه و اهمیت موضوع

در عصر انفجار اطلاعات، سازماندهی و بهره‌برداری مؤثر از دانش انباشته شده، یکی از چالش‌های اساسی پیش روی پژوهشگران و متخصصان حوزه هوش مصنوعی است. گراف‌های دانش (Knowledge Graphs) به عنوان یکی از فناوری‌های کلیدی و رو به رشد، نقشی حیاتی در نمایش ساختاریافته دانش و تسهیل کاربردهایی چون تشخیص موجودیت، موتورهای جستجوی هوشمند و سیستم‌های پرسش و پاسخ ایفا می‌کنند. با وجود پیشرفت‌های قابل توجه در حوزه پردازش زبان طبیعی (NLP) برای وظایفی مانند تشخیص موجودیت نام‌گذاری شده (Named Entity Recognition – NER)، تعداد متدولوژی‌های توسعه‌یافته برای استخراج سه‌تایی‌ها (Triples) از متون تخصصی و دامنه-محور، هنوز محدود است. این مقاله به معرفی و بررسی پژوهشی می‌پردازد که سعی در رفع این خلاء داشته و سیستمی را برای تبدیل متون کتاب‌های درسی به سه‌تایی‌هایی قابل استفاده در ساخت گراف دانش ارائه می‌دهد.

۲. نویسندگان و زمینه تحقیق

این مقاله توسط آمان کومار (Aman Kumar) و سواثی دیناکاران (Swathi Dinakaran) ارائه شده است. زمینه کلی تحقیق در حوزه «محاسبات و زبان» (Computation and Language) قرار می‌گیرد و به طور خاص بر تلاقی میان پردازش زبان طبیعی و نمایش دانش متمرکز است. هدف اصلی این پژوهش، ایجاد ابزاری کارآمد برای تبدیل اطلاعات متنی موجود در درسنامه‌ها، به ویژه در حوزه هوش مصنوعی، به ساختارهای قابل فهم و قابل پردازش برای ماشین است.

۳. چکیده و خلاصه محتوا

گراف دانش، فناوری مهم و نوظهوری است که کاربردهای فراوانی در تشخیص موجودیت، جستجو یا پاسخ به پرسش دارد. روش‌های متعددی در پردازش زبان طبیعی برای انجام وظیفه تشخیص موجودیت نام‌گذاری شده وجود دارد؛ با این حال، روش‌های اندکی وجود دارند که بتوانند سه‌تایی‌هایی را برای متن دامنه-محور فراهم کنند. در این مقاله، تلاشی برای توسعه سیستمی صورت گرفته است که بتواند متن یک کتاب درسی مشخص را به سه‌تایی‌هایی تبدیل کند که بتوان از آن‌ها برای بصری‌سازی به عنوان یک گراف دانش و استفاده برای کاربردهای آتی بهره برد. ارزیابی و سنجش اولیه نتایج امیدوارکننده‌ای با امتیاز F1 برابر با ۸۲٪ نشان داده است.

به طور خلاصه، این مقاله با هدف غلبه بر چالش استخراج دانش ساختاریافته از متون غیرساختاریافته، به ویژه کتاب‌های درسی، طراحی شده است. نویسندگان با تکیه بر تکنیک‌های پردازش زبان طبیعی، سیستمی را توسعه داده‌اند که قادر است مفاهیم، روابط و موجودیت‌های کلیدی را از متن استخراج کرده و آن‌ها را در قالب سه‌تایی‌های (موجودیت ۱، رابطه، موجودیت ۲) نمایش دهد. این سه‌تایی‌ها ستون فقرات یک گراف دانش را تشکیل می‌دهند و امکان تحلیل عمیق‌تر، یادگیری ماشینی مبتنی بر دانش و همچنین ارائه اطلاعات به شکلی قابل فهم برای سیستم‌های هوشمند را فراهم می‌آورند.

۴. روش‌شناسی تحقیق

روش‌شناسی به کار رفته در این تحقیق شامل چند مرحله کلیدی است که هدف آن استخراج دقیق و مؤثر سه‌تایی‌ها از متون درسی است:

• پردازش متن ورودی: ابتدا، متن کتاب درسی به عنوان ورودی به سیستم داده می‌شود. این متن ممکن است در فرمت‌های مختلفی مانند PDF یا فایل‌های متنی باشد که نیاز به پیش‌پردازش دارد.
• تشخیص موجودیت نام‌گذاری شده (NER): این مرحله یکی از پایه‌های اصلی روش‌شناسی است. از الگوریتم‌های پیشرفته NLP برای شناسایی موجودیت‌های کلیدی در متن استفاده می‌شود. موجودیت‌ها می‌توانند شامل مفاهیم، افراد، سازمان‌ها، الگوریتم‌ها، نظریه‌ها و غیره باشند. برای مثال، در یک کتاب درسی هوش مصنوعی، «شبکه‌های عصبی»، «یادگیری عمیق»، «یادگیری تقویتی» و «الگوریتم ژنتیک» می‌توانند موجودیت‌های مهم باشند.
• استخراج روابط: پس از شناسایی موجودیت‌ها، گام بعدی شناسایی روابط بین این موجودیت‌ها است. این مرحله نیازمند درک معنایی جمله و نحوه ارتباط مفاهیم با یکدیگر است. به عنوان مثال، در جمله‌ای مانند «شبکه‌های عصبی از لایه‌هایی تشکیل شده‌اند»، رابطه «تشکیل شده از» بین «شبکه‌های عصبی» و «لایه‌ها» استخراج می‌شود.
• تشکیل سه‌تایی‌ها: با ترکیب موجودیت‌ها و روابط استخراج شده، سه‌تایی‌ها در قالب (موجودیت اول، رابطه، موجودیت دوم) شکل می‌گیرند. این سه‌تایی‌ها نمایش‌دهنده واحدهای بنیادین دانش هستند.
• استفاده از مدل‌های زبانی: نویسندگان احتمالاً از مدل‌های زبانی پیشرفته (مانند مدل‌های مبتنی بر ترنسفورمر) که قابلیت درک عمیق متن و روابط پیچیده را دارند، برای بهبود دقت در مراحل NER و استخراج رابطه استفاده کرده‌اند.
• آموزش و ارزیابی: برای حصول اطمینان از کارایی سیستم، بخش‌هایی از داده‌ها برای آموزش مدل و بخش دیگر برای ارزیابی مورد استفاده قرار گرفته است. امتیاز F1 Score که معیاری برای سنجش دقت و بازیابی در دسته‌بندی یا استخراج اطلاعات است، برای ارزیابی عملکرد سیستم به کار رفته و امتیاز ۸۲٪ نشان‌دهنده کارایی مناسب سیستم است.

۵. یافته‌های کلیدی

نتایج اولیه و ارزیابی سیستم، یافته‌های کلیدی زیر را برجسته می‌کند:

• قابلیت استخراج سه‌تایی از متون تخصصی: سیستم توسعه‌یافته قادر است به طور مؤثر موجودیت‌ها و روابط معنادار را از متون تخصصی، مانند کتاب‌های درسی هوش مصنوعی، استخراج کرده و آن‌ها را به فرمت سه‌تایی تبدیل کند. این توانایی برای دامنه خاص هوش مصنوعی، که دارای واژگان و مفاهیم پیچیده و به هم پیوسته است، بسیار حائز اهمیت است.
• عملکرد بالا در ارزیابی: کسب امتیاز F1 Score برابر با ۸۲٪ در مرحله ارزیابی اولیه، نشان‌دهنده دقت و کارایی بالای سیستم در استخراج اطلاعات صحیح و مرتبط است. این امتیاز بیانگر تعادل خوب بین دقت (Precision) و بازیابی (Recall) در فرآیند استخراج سه‌تایی است.
• امکان بصری‌سازی گراف دانش: سه‌تایی‌های استخراج شده، ساختار مناسبی برای ایجاد و بصری‌سازی گراف دانش فراهم می‌کنند. این گراف دانش می‌تواند نمایشی بصری از تمام مفاهیم کلیدی و روابط بین آن‌ها در یک حوزه خاص ارائه دهد.
• قابلیت توسعه برای کاربردهای آینده: سیستم با ارائه دانش در قالب سه‌تایی، زمینه را برای کاربردهای پیشرفته‌تر فراهم می‌کند. این سه‌تایی‌ها می‌توانند مستقیماً در سیستم‌های پرسش و پاسخ، موتورهای جستجوی معنایی، سیستم‌های توصیه‌گر و ابزارهای خودکارسازی تولید محتوا مورد استفاده قرار گیرند.

۶. کاربردها و دستاوردها

این پژوهش دستاوردهای مهمی را در حوزه هوش مصنوعی و پردازش زبان طبیعی به همراه دارد و کاربردهای بالقوه فراوانی را ایجاد می‌کند:

• تولید خودکار پایگاه دانش: یکی از بزرگترین دستاوردهای این روش، توانایی تولید خودکار و در مقیاس وسیع پایگاه‌های دانش از منابع متنی موجود است. این امر نیاز به ورود دستی دانش که کاری زمان‌بر و پرهزینه است را به شدت کاهش می‌دهد.
• بهبود سیستم‌های آموزشی: گراف دانش حاصل از کتاب‌های درسی می‌تواند برای ایجاد ابزارهای آموزشی تعاملی، شخصی‌سازی مسیر یادگیری دانشجویان، تولید خودکار آزمون‌ها یا ارائه خلاصه‌های هوشمند از مباحث درسی مورد استفاده قرار گیرد.
• تقویت موتورهای جستجو و سیستم‌های پرسش و پاسخ: با تبدیل متون درسی به ساختار گراف دانش، موتورهای جستجو قادر خواهند بود پاسخ‌های دقیق‌تر و مرتبط‌تری به پرسش‌های کاربران ارائه دهند، به ویژه در مورد مفاهیم پیچیده و تخصصی.
• پشتیبانی از تحقیق و توسعه: پژوهشگران می‌توانند از گراف دانش ایجاد شده برای کشف روابط جدید، شناسایی شکاف‌های دانشی و درک بهتر معماری کلی یک حوزه تخصصی استفاده کنند.
• ایجاد دستیارهای هوشمند تخصصی: می‌توان دستیارهای هوشمندی را توسعه داد که به طور تخصصی در حوزه مورد نظر (مانند هوش مصنوعی) دانش عمیق داشته باشند و بتوانند به سؤالات فنی پاسخ دهند یا راهنمایی‌های تخصصی ارائه کنند.
• نمایش بصری دانش: قابلیت بصری‌سازی گراف دانش به کاربران کمک می‌کند تا تصویر کلی از مفاهیم و ارتباطات را درک کنند، که این امر فرآیند یادگیری و فهم را تسهیل می‌بخشد.

به عنوان مثال، فرض کنید یک کتاب درسی هوش مصنوعی دارای بخش‌هایی درباره «یادگیری نظارت شده» و «یادگیری بدون نظارت» است. این سیستم می‌تواند سه‌تایی‌هایی مانند (یادگیری نظارت شده، زیرمجموعه ای از، یادگیری ماشین) و (یادگیری بدون نظارت، زیرمجموعه ای از، یادگیری ماشین) را استخراج کند. همچنین، اگر در مورد «رگرسیون» و «طبقه‌بندی» صحبت شده باشد، می‌تواند سه‌تایی‌هایی نظیر (رگرسیون، وظیفه در، یادگیری نظارت شده) و (طبقه‌بندی، وظیفه در، یادگیری نظارت شده) را تولید کند. این روابط، پایه‌ای برای ساخت یک گراف دانش غنی فراهم می‌آورند.

۷. نتیجه‌گیری

مقاله “تبدیل کتاب درسی به سه‌تایی: ایجاد گراف دانش از متن درسنامه‌های هوش مصنوعی” گامی مهم در جهت تسهیل سازماندهی و بهره‌برداری از دانش متنی در حوزه‌های تخصصی، به ویژه هوش مصنوعی، محسوب می‌شود. با توجه به محدودیت روش‌های موجود برای استخراج سه‌تایی از متون دامنه-محور، کار آمان کومار و سواثی دیناکاران با ارائه سیستمی کارآمد و با عملکرد قابل قبول (F1 Score 82%)، راه را برای توسعه و کاربرد گراف‌های دانش در محیط‌های آموزشی و پژوهشی هموار می‌سازد.

دستاورد اصلی این پژوهش، تبدیل دانش غیرساختاریافته موجود در کتاب‌های درسی به ساختاری قابل فهم و قابل پردازش برای ماشین است. این امر نه تنها به غنی‌سازی پایگاه‌های دانش کمک می‌کند، بلکه امکان ایجاد نسل جدیدی از ابزارهای هوشمند آموزشی، تحقیقاتی و اطلاعاتی را فراهم می‌آورد. انتظار می‌رود این روش‌شناسی مبنایی برای تحقیقات آتی در زمینه استخراج خودکار دانش و هوشمندسازی فرآیندهای یادگیری و بازیابی اطلاعات باشد.