در عصر اطلاعات، توانایی استخراج سریع و دقیق پاسخ از میان حجم انبوهی از داده‌های متنی، یک چالش و در عین حال یک ضرورت اساسی است. سامانه‌های پرسش و پاسخ (Question-Answering Systems) به عنوان یکی از شاخه‌های کلیدی پردازش زبان طبیعی (NLP) و هوش مصنوعی، با هدف پاسخگویی به این نیاز توسعه یافته‌اند. این سامانه‌ها تلاش می‌کنند تا به جای ارائه لیستی از اسناد مرتبط (مانند موتورهای جستجوی سنتی)، پاسخی مستقیم و دقیق به پرسش‌های مطرح شده به زبان طبیعی ارائه دهند.

امروزه، رویکردهای مبتنی بر یادگیری عمیق به دلیل عملکرد فوق‌العاده در بسیاری از معیارها، بر این حوزه مسلط شده‌اند. با این حال، این مدل‌ها اغلب به داده‌های آموزشی بسیار حجیم نیاز دارند، عملکردشان به مثابه یک «جعبه سیاه» غیرقابل تفسیر است و گاهی در درک ظرایف زبانی و استدلال منطقی دچار ضعف می‌شوند. مقاله حاضر، نوشته پراگیا کاتیایان و نیشیت جوشی، با عنوان «طراحی و توسعه سامانه پرسش و پاسخ قاعده‌محور دامنه باز»، رویکردی متفاوت و کلاسیک را احیا می‌کند: رویکرد قاعده‌محور (Rule-based). اهمیت این مقاله در آن است که نشان می‌دهد چگونه می‌توان با تکیه بر دانش زبان‌شناسی و قوانین ساختاری زبان، یک سامانه پرسش و پاسخ کارآمد، شفاف و مستقل از دامنه ساخت که به داده‌های آموزشی عظیم نیازی ندارد. این پژوهش، ارزش رویکردهای نمادین را در دنیایی که تحت سلطه مدل‌های آماری است، یادآوری می‌کند.

این مقاله توسط پراگیا کاتیایان (Pragya Katyayan) و نیشیت جوشی (Nisheeth Joshi) به نگارش درآمده است. این پژوهشگران در حوزه علوم کامپیوتر، با تمرکز بر پردازش زبان طبیعی و هوش مصنوعی فعالیت می‌کنند. تحقیقات آنها در زمینه ساخت سیستم‌هایی است که بتوانند زبان انسان را به شیوه‌ای ساختاریافته و منطقی درک کنند. این مقاله در دسته «محاسبات و زبان» (Computation and Language) قرار می‌گیرد که نشان‌دهنده تمرکز آن بر تقاطع علوم کامپیوتر و زبان‌شناسی محاسباتی است. هدف اصلی این پژوهش، ارائه یک جایگزین قابل اعتماد برای مدل‌های یادگیری عمیق در حوزه پرسش و پاسخ است که از شفافیت و تفسیرپذیری بالاتری برخوردار باشد.

نویسندگان مقاله را با این ایده آغاز می‌کنند که ذهن انسان کاخی از پرسش‌های کنجکاوانه است که به دنبال پاسخ می‌گردند. حل این چالش به صورت محاسباتی از طریق تکنیک‌های پردازش زبان طبیعی امکان‌پذیر است. چکیده مقاله به وضوح شکاف موجود در روش‌های آماری مدرن را هدف قرار می‌دهد: نیاز مفرط به داده، عدم توانایی در درک کامل ظرایف زبان، و عملکرد بهتر در حوزه‌های محدود و از پیش تعریف‌شده (Close-domain).

در مقابل، این پژوهش یک سامانه پرسش و پاسخ قاعده‌محور و دامنه باز (Open-domain) را پیشنهاد می‌کند. ویژگی کلیدی این سامانه، توانایی آن در پاسخ به پرسش‌ها از هر دامنه‌ای است، به شرطی که یک متن مرجع (Context) مرتبط در اختیار آن قرار گیرد. این سیستم برای ارزیابی عملکرد خود از ۱۰۰۰ پرسش از مجموعه داده معتبر SQuAD 2.0 استفاده کرده و به نتایج رضایت‌بخشی دست یافته است. مقاله به تشریح ساختار این سامانه و تحلیل عملکرد آن می‌پردازد و نشان می‌دهد که رویکردهای مبتنی بر قوانین همچنان می‌توانند در حل مسائل پیچیده NLP کارآمد باشند.

معماری سامانه پیشنهادی بر پایه یک فرآیند چندمرحله‌ای و مبتنی بر قوانین زبان‌شناسی ساختار یافته است. برخلاف مدل‌های یادگیری ماشین که الگوها را از داده‌ها یاد می‌گیرند، این سیستم از قوانین صریح و از پیش تعریف‌شده برای تحلیل پرسش و متن و استخراج پاسخ استفاده می‌کند. مراحل اصلی این فرآیند به شرح زیر است:

• مرحله اول: پیش‌پردازش متن (Text Pre-processing)
  در این مرحله، هم متن پرسش و هم متن مرجع برای تحلیل آماده می‌شوند. این فرآیند شامل اقداماتی مانند جمله‌بندی، توکنیزه کردن (خرد کردن متن به کلمات)، برچسب‌گذاری اجزای کلام (POS Tagging) برای شناسایی نقش دستوری کلمات (اسم، فعل، صفت و…)، و تشخیص موجودیت‌های نام‌دار (NER) برای شناسایی اسامی خاص مانند اشخاص، سازمان‌ها و مکان‌ها است.
• مرحله دوم: تحلیل و طبقه‌بندی پرسش (Question Analysis)
  این مرحله قلب یک سیستم قاعده‌محور است. سیستم با تحلیل کلمه پرسشی اصلی (مانند Who, Where, When)، نوع پاسخ مورد انتظار را تعیین می‌کند. برای مثال:
  • Who (چه کسی): پاسخ باید یک شخص یا سازمان باشد.
  • Where (کجا): پاسخ باید یک مکان باشد.
  • When (چه زمانی): پاسخ باید یک تاریخ، زمان یا رویداد باشد.
  • What (چه چیزی): پاسخ می‌تواند یک تعریف، یک شیء یا یک مفهوم باشد.
  • Why (چرا): پاسخ باید یک دلیل یا علت را بیان کند.
  • How many (چه تعداد): پاسخ باید یک عدد یا کمیت باشد.

  این طبقه‌بندی به سیستم کمک می‌کند تا جستجوی خود را در متن مرجع به انواع خاصی از اطلاعات محدود کند.

• مرحله سوم: موتور استنتاج قاعده‌محور (Rule-based Inference Engine)
  در این مرحله، مجموعه‌ای از قوانین دست‌نویس که الگوهای زبانی را توصیف می‌کنند، به کار گرفته می‌شوند. این قوانین، روابط میان نوع پرسش، کلمات کلیدی در پرسش و ساختارهای دستوری در متن مرجع را به هم پیوند می‌دهند. برای مثال، برای پاسخ به پرسش “?Who wrote Hamlet”، سیستم یک قاعده به شکل زیر خواهد داشت:
  
  “در متن به دنبال یک موجودیت از نوع PERSON بگرد که فاعل فعل ‘نوشتن’ (wrote) باشد و ‘هملت’ (Hamlet) مفعول آن باشد.”
  
  اگر در متن جمله‌ای مانند “William Shakespeare wrote Hamlet” وجود داشته باشد، این قاعده به درستی “William Shakespeare” را به عنوان پاسخ استخراج می‌کند.
• مرحله چهارم: استخراج و رتبه‌بندی پاسخ (Answer Extraction and Ranking)
  پس از اعمال قوانین، ممکن است چندین پاسخ کاندید شناسایی شوند. در این مرحله، سیستم با استفاده از معیارهایی مانند میزان انطباق با الگوی قاعده، نزدیکی به کلمات کلیدی پرسش و امتیاز اطمینان، پاسخ‌ها را رتبه‌بندی کرده و بهترین گزینه را به عنوان پاسخ نهایی انتخاب می‌کند. این سیستم همچنین با استفاده از مجموعه داده SQuAD 2.0، که شامل پرسش‌های غیرقابل پاسخ است، توانایی خود را در تشخیص عدم وجود پاسخ در متن نیز محک می‌زند.

مقاله گزارش می‌دهد که سامانه توسعه‌یافته به «نتایج رضایت‌بخشی» دست یافته است. این نتیجه‌گیری، فراتر از معیارهای کمی صرف، بر اثبات کارایی رویکرد قاعده‌محور در یک محیط دامنه باز تأکید دارد. یافته‌های کلیدی را می‌توان در نقاط قوت و ضعف این رویکرد خلاصه کرد:

• نقاط قوت:
  • شفافیت و تفسیرپذیری: بزرگترین مزیت این سیستم، قابل فهم بودن فرآیند تصمیم‌گیری آن است. اگر پاسخ اشتباهی تولید شود، توسعه‌دهندگان می‌توانند به سادگی قاعده‌ای که منجر به آن خطا شده را ردیابی و اصلاح کنند. این ویژگی در کاربردهای حساس مانند پزشکی یا حقوقی بسیار حیاتی است.
  • عدم نیاز به داده‌های آموزشی حجیم: این سیستم برای عملکرد خود به میلیون‌ها نمونه برچسب‌خورده نیاز ندارد و هزینه‌های مربوط به جمع‌آوری و برچسب‌گذاری داده‌ها را به شدت کاهش می‌دهد.
  • دقت بالا در موارد خاص: زمانی که ساختار پرسش و متن با یکی از قوانین از پیش‌تعریف‌شده مطابقت کامل داشته باشد، دقت پاسخ استخراج‌شده بسیار بالا خواهد بود.
• نقاط ضعف:
  • پوشش محدود و یادآوری (Recall) پایین: این سیستم تنها قادر به پاسخگویی به پرسش‌هایی است که الگوی آنها در قوانین تعریف شده باشد. در مواجهه با ساختارهای زبانی پیچیده، غیرمنتظره یا paraphrasing (بیان یک مفهوم با کلمات متفاوت)، سیستم دچار مشکل می‌شود.
  • شکنندگی (Brittleness): قوانین معمولاً بسیار حساس هستند و یک تغییر کوچک در ساختار جمله می‌تواند باعث عدم اجرای صحیح آنها شود.
  • هزینه بالای توسعه و نگهداری: طراحی، پیاده‌سازی و نگهداری مجموعه‌ای جامع از قوانین زبان‌شناسی نیازمند تخصص بالا و زمان قابل توجهی است.

این پژوهش، با وجود تکیه بر یک رویکرد کلاسیک، دستاوردها و کاربردهای عملی مهمی را به همراه دارد.

• کاربردهای عملی:
  • چت‌بات‌ها و دستیاران مجازی: در سیستم‌های پشتیبانی مشتری که پرسش‌ها اغلب ساختار مشخصی دارند، این رویکرد می‌تواند پاسخ‌های دقیق و قابل اعتمادی ارائه دهد.
  • استخراج اطلاعات از اسناد تخصصی: برای تحلیل اسناد حقوقی، گزارش‌های پزشکی یا دفترچه‌های راهنمای فنی که از زبان استاندارد و ساختاریافته‌ای استفاده می‌کنند، این سیستم می‌تواند بسیار مؤثر باشد.

  – ابزارهای آموزشی: می‌توان از این فناوری برای ساخت ابزارهایی استفاده کرد که به دانش‌آموزان اجازه می‌دهند از کتاب‌های درسی خود سؤال بپرسند و پاسخ‌های دقیق دریافت کنند.

• دستاورد علمی:
  • احیای اهمیت رویکردهای نمادین: این مقاله نشان می‌دهد که رویکردهای قاعده‌محور هنوز جایگاه خود را در هوش مصنوعی دارند و می‌توانند به عنوان مکملی قدرتمند برای مدل‌های یادگیری عمیق عمل کنند.
  • ارائه یک مدل شفاف: در عصری که نگرانی‌ها در مورد «جعبه سیاه» بودن مدل‌های هوش مصنوعی رو به افزایش است، این پژوهش یک راهکار کاملاً تفسیرپذیر ارائه می‌دهد.
  • کاهش وابستگی به داده: این سیستم اثبات می‌کند که می‌توان بدون نیاز به منابع داده‌ای عظیم، سیستم‌های هوشمند و کارآمدی ساخت.

مقاله «طراحی و توسعه سامانه پرسش و پاسخ قاعده‌محور دامنه باز» به طور موفقیت‌آمیزی نشان می‌دهد که رویکردهای مبتنی بر دانش زبان‌شناسی همچنان می‌توانند در حل مسائل پیچیده پردازش زبان طبیعی، راهگشا باشند. این سیستم با تکیه بر قوانین صریح، به جای یادگیری آماری از داده‌ها، مزایای مهمی مانند شفافیت، عدم نیاز به داده‌های حجیم و دقت بالا در موارد منطبق با الگو را ارائه می‌دهد.

اگرچه این رویکرد با چالش‌هایی نظیر پوشش محدود و شکنندگی مواجه است، اما اهمیت آن را نمی‌توان نادیده گرفت. آینده سیستم‌های پرسش و پاسخ احتمالاً در مدل‌های ترکیبی (Hybrid Models) نهفته است؛ سیستم‌هایی که قدرت تشخیص الگوی مدل‌های یادگیری عمیق را با دقت، قابلیت اطمینان و تفسیرپذیری رویکردهای قاعده‌محور ترکیب می‌کنند. این پژوهش گامی ارزشمند در جهت یادآوری این توازن و نمایش پتانسیل‌های نهفته در رویکردهای کلاسیک هوش مصنوعی است.