در دنیای امروز، حجم مقالات و متون علمی در حوزه زیست‌پزشکی با سرعتی سرسام‌آور در حال افزایش است. این انفجار اطلاعات، گنجینه‌ای ارزشمند از دانش را در خود جای داده است، اما استخراج دستی و نظام‌مند این دانش، امری تقریباً غیرممکن است. اینجاست که پردازش زبان طبیعی (NLP) و به‌ویژه حوزه استخراج رابطه (Relation Extraction) به میدان می‌آید. استخراج رابطه به معنای شناسایی و دسته‌بندی خودکار روابط معنایی بین موجودیت‌ها (مانند مواد شیمیایی، پروتئین‌ها و ژن‌ها) در متون علمی است. این فناوری می‌تواند به کشف داروهای جدید، درک بهتر بیماری‌ها و تسریع تحقیقات علمی کمک شایانی کند.

با ظهور مدل‌های زبانی بزرگ (LLMs)، پارادایم جدیدی به نام یادگیری مبتنی بر پرامپت (Prompt-based Learning) توجه زیادی را به خود جلب کرده است. در این روش، به جای آموزش مدل برای یک وظیفه خاص با تغییر معماری آن، وظیفه به شکلی شبیه به زبان طبیعی (اغلب به صورت یک سؤال یا جمله ناتمام) به مدل ارائه می‌شود. با این حال، طراحی پرامپت‌های مؤثر، به‌ویژه در حوزه‌های تخصصی مانند زیست‌پزشکی، یک چالش بزرگ است. مقاله «غنی‌سازی مثال‌ها» روشی ساده و در عین حال بسیار کارآمد برای طراحی سیستماتیک پرامپت‌ها ارائه می‌دهد که توانسته است نتایج شگفت‌انگیزی در این حوزه به دست آورد.

این مقاله حاصل تلاش مشترک سه پژوهشگر برجسته در زمینه پردازش زبان طبیعی و بیوانفورماتیک است: Hui-Syuan Yeh، Thomas Lavergne و Pierre Zweigenbaum. تحقیقات این نویسندگان در مرز دانش هوش مصنوعی و علوم زیستی قرار دارد و هدف آن، توسعه روش‌هایی برای استخراج خودکار دانش از متون پیچیده علمی است. این پژوهش به طور خاص بر یکی از چالش‌برانگیزترین وظایف در متن‌کاوی زیست‌پزشکی، یعنی استخراج روابط بین مواد شیمیایی و پروتئین‌ها، متمرکز شده و راهکاری نوآورانه برای بهبود دقت و کارایی این فرآیند ارائه می‌دهد.

مقاله حاضر روشی نوین و ساده برای طراحی پرامپت در وظیفه استخراج روابط زیست‌پزشکی معرفی می‌کند. نویسندگان نشان می‌دهند که یادگیری مبتنی بر پرامپت، هم در حالت آموزش با مجموعه داده کامل و هم در حالت یادگیری کم‌نمونه (Few-shot)، می‌تواند عملکرد را به طور قابل توجهی بهبود بخشد. با این حال، طراحی پرامپت‌های کارآمد در دامنه‌های تخصصی دشوار است.

پژوهشگران در این مقاله، روشی سیستماتیک برای تولید پرامپت‌های جامع ارائه می‌دهند که وظیفه استخراج رابطه را به یک آزمون کلوز (Cloze-test) یا همان «پر کردن جای خالی» تبدیل می‌کند. این روش بر روی مجموعه داده معتبر ChemProt آزمایش شده است. نتایج نشان می‌دهد که روش پیشنهادی با استفاده از مدل BioMed-RoBERTa-base، در مقایسه با روش تنظیم دقیق (Fine-tuning) معمولی، بهبودی معادل 14.21 در معیار F1 کسب کرده است. علاوه بر این، این روش حتی از مدل پیشرفته و بزرگ‌تر SciFive-Large که پیش از این بهترین عملکرد را روی این مجموعه داده داشت، به میزان 1.14 در معیار F1 پیشی گرفته است. یافته مهم دیگر این است که این رویکرد برای رسیدن به نتایج قابل قبول به داده‌های آموزشی بسیار کمتری نیاز دارد. این نتایج، پتانسیل بالای این روش ساده را در وظایف تخصصی استخراج رابطه به اثبات می‌رساند.

روش پیشنهادی این مقاله که «غنی‌سازی مثال‌ها» (Decorate the Examples) نام دارد، بر پایه بازتعریف هوشمندانه مسئله استخراج رابطه بنا شده است. در ادامه، اجزای کلیدی این روش‌شناسی تشریح می‌شود.

• بازتعریف مسئله به آزمون کلوز: در روش‌های سنتی، مدل آموزش می‌بیند تا یک برچسب عددی (مثلاً “کلاس ۱” یا “کلاس ۲”) را به یک زوج موجودیت خروجی دهد. اما در این رویکرد، مسئله به یک جمله با جای خالی تبدیل می‌شود. برای مثال، فرض کنید جمله ورودی این است: «آسپرین فعالیت COX-2 را مهار می‌کند.»
  • ورودی سنتی: (جمله، موجودیت۱: آسپرین، موجودیت۲: COX-2) -> خروجی: برچسب “INHIBITOR”
  • ورودی مبتنی بر پرامپت: “در این جمله، آسپرین [MASK] COX-2.” -> خروجی: کلمه “مهارکننده” یا “inhibitor”

  این فرمول‌بندی به مدل اجازه می‌دهد تا از دانش زبانی گسترده‌ای که در مرحله پیش‌آموزش کسب کرده، به شکل بهینه‌تری استفاده کند.

• تولید سیستماتیک و غنی‌سازی پرامپت‌ها: نوآوری اصلی این مقاله در این است که به یک قالب پرامپت ثابت اکتفا نمی‌کند. در عوض، روشی برای تولید خودکار مجموعه‌ای از پرامپت‌های متنوع و توصیفی ارائه می‌دهد. این پرامپت‌ها با «تزئین» یا «غنی‌سازی» ورودی اصلی، اطلاعات زمینه‌ای بیشتری را در اختیار مدل قرار می‌دهند. برای مثال، به جای یک پرامپت ساده، ممکن است از الگوهای زیر استفاده شود:
  
  – “اثر [موجودیت شیمیایی] بر روی [پروتئین] از نوع [MASK] است.”
  
  – “تعامل بین [موجودیت شیمیایی] و [پروتئین] را می‌توان به عنوان [MASK] توصیف کرد.”
• انتخاب و رتبه‌بندی پرامپت‌ها: پس از تولید مجموعه‌ای بزرگ از پرامپت‌های کاندید، همه آنها لزوماً به یک اندازه مؤثر نیستند. نویسندگان در این مقاله، معیارهای رتبه‌بندی مختلفی را برای انتخاب بهترین پرامپت‌ها بررسی کرده‌اند. این فرآیند انتخاب خودکار تضمین می‌کند که تنها پرامپت‌هایی که بیشترین سیگنال اطلاعاتی را به مدل منتقل می‌کنند، برای آموزش نهایی استفاده شوند.
• مجموعه داده و مدل پایه: تمام آزمایش‌ها بر روی مجموعه داده استاندارد ChemProt انجام شده است. این مجموعه داده شامل متونی از مقالات علمی است که روابط بین مواد شیمیایی و پروتئین‌ها در آن برچسب‌گذاری شده است. مدل پایه مورد استفاده در این پژوهش BioMed-RoBERTa-base است که یک مدل زبانی تخصصی برای حوزه زیست‌پزشکی است.

نتایج تجربی این مقاله بسیار تأثیرگذار بوده و برتری رویکرد پیشنهادی را از جنبه‌های مختلف نشان می‌دهد:

1. جهش عملکردی نسبت به روش پایه: روش «غنی‌سازی مثال‌ها» در مقایسه با روش تنظیم دقیق استاندارد (regular fine-tuning) روی همان مدل BioMed-RoBERTa-base، توانست عملکرد را به میزان 14.21 نمره F1 افزایش دهد. این بهبود عظیم نشان می‌دهد که نحوه فرمول‌بندی مسئله (یعنی طراحی پرامپت) می‌تواند تأثیری شگرف بر کارایی مدل داشته باشد، حتی بدون تغییر در معماری یا اندازه آن.
2. دستیابی به بهترین نتیجه (State-of-the-Art): این روش نه تنها روش پایه را بهبود بخشید، بلکه توانست از مدل SciFive-Large که پیش از این بهترین عملکرد را در مجموعه داده ChemProt داشت، با اختلاف 1.14 نمره F1 پیشی بگیرد. نکته جالب توجه این است که BioMed-RoBERTa-base یک مدل با اندازه «پایه» است، در حالی که SciFive یک مدل «بزرگ» (Large) است. این یافته نشان می‌دهد که یک روش هوشمندانه‌تر می‌تواند بر قدرت خام یک مدل بزرگ‌تر غلبه کند.
3. کارایی بالا در شرایط کمبود داده: یکی از مهم‌ترین دستاوردهای این تحقیق، اثبات کارایی بالای یادگیری مبتنی بر پرامپت در سناریوهای یادگیری کم‌نمونه (Few-shot learning) است. در حوزه‌های تخصصی مانند زیست‌پزشکی، جمع‌آوری و برچسب‌گذاری داده‌های آموزشی بسیار پرهزینه و زمان‌بر است. نتایج نشان داد که این روش با تعداد بسیار کمی از مثال‌های آموزشی می‌تواند به پیش‌بینی‌های معقول و دقیقی دست یابد، که این امر کاربرد عملی آن را به شدت افزایش می‌دهد.

پیامدهای عملی این پژوهش فراتر از یک بهبود فنی در یک وظیفه NLP است و می‌تواند تأثیرات گسترده‌ای در حوزه علوم زیستی و پزشکی داشته باشد:

• تسریع فرآیند کشف دارو: سیستم‌های مبتنی بر این روش می‌توانند میلیون‌ها مقاله علمی را به صورت خودکار تحلیل کرده و روابط جدید بین داروها و پروتئین‌ها را شناسایی کنند. این امر می‌تواند به یافتن اهداف دارویی جدید و طراحی درمان‌های مؤثرتر کمک کند.
• ساخت پایگاه‌های دانش خودکار: پایگاه‌های دانش زیست‌پزشکی مانند DrugBank یا KEGG منابع حیاتی برای پژوهشگران هستند، اما به‌روزرسانی آن‌ها به صورت دستی بسیار کند است. این فناوری می‌تواند فرآیند استخراج اطلاعات و غنی‌سازی این پایگاه‌ها را به طور چشمگیری خودکار و تسریع کند.
• پشتیبانی از تصمیم‌گیری بالینی: با استخراج دقیق روابط از متون پزشکی، می‌توان سیستم‌های هوشمندی ساخت که اطلاعات مرتبط را در اختیار پزشکان قرار داده و به آن‌ها در تشخیص و انتخاب بهترین روش درمانی کمک کنند.
• دموکراتیک کردن هوش مصنوعی پیشرفته: سادگی روش پیشنهادی و توانایی آن در دستیابی به نتایج عالی با مدل‌های کوچک‌تر، استفاده از تکنیک‌های پیشرفته NLP را برای آزمایشگاه‌ها و مؤسسات تحقیقاتی با منابع محاسباتی محدودتر امکان‌پذیر می‌سازد.

مقاله «غنی‌سازی مثال‌ها» یک پیام روشن و قدرتمند را منتقل می‌کند: در عصر مدل‌های زبانی بزرگ، نحوه پرسیدن سؤال (طراحی پرامپت) می‌تواند به اندازه خود مدل اهمیت داشته باشد. نویسندگان با ارائه یک روش ساده، سیستماتیک و بسیار مؤثر برای تولید پرامپت در حوزه تخصصی زیست‌پزشکی، نشان دادند که چگونه می‌توان پتانسیل کامل مدل‌های زبانی از پیش آموزش‌دیده را حتی در وظایف پیچیده آزاد کرد.

این پژوهش نه تنها یک رکورد جدید در یکی از مجموعه داده‌های مهم این حوزه به ثبت رساند، بلکه راه را برای کاربردهای عملی‌تر و کارآمدتر هوش مصنوعی در تحقیقات علمی هموار کرد. این دستاورد، اهمیت تمرکز بر مهندسی پرامپت هوشمندانه را به عنوان یک حوزه تحقیقاتی کلیدی برای آینده پردازش زبان طبیعی برجسته می‌سازد و افق‌های جدیدی را برای کشف دانش پنهان در اقیانوس بیکران متون علمی می‌گشاید.