نقدم معمارية تعلم عميقة جديدة لمعالجة مهمة الاستدلال اللغوي الطبيعي (NLI). تعتمد النماذج الحالية في الغالب على آليات قراءة بسيطة لترميز الجملة الأولية والفرضية بشكل مستقل. بدلاً من ذلك، نقترح شبكة LSTM ثنائية الاتجاه تعتمد على القراءة المرتبطة (DR-BiLSTM) لنمذجة العلاقة بين الجملة الأولية والفرضية بكفاءة أثناء الترميز والاستدلال. كما نقدم استراتيجية مركبة معقدة لدمج نماذجنا المقترحة، مما يحسن التنبؤات النهائية بشكل ملحوظ. وأخيرًا، نوضح كيف يمكن تحسين النتائج بشكل أكبر من خلال خطوة معالجة أولية إضافية. تظهر تقييماتنا أن DR-BiLSTM تحصل على أفضل نتيجة لنموذج فردي وأفضل نتيجة لمجموعة النماذج، مما يجعلها تسجل أعلى النقاط الجديدة في مجموعة بيانات Stanford NLI.ملاحظة: تم استخدام الأسماء الإنجليزية للتقنيات غير الشائعة مثل "DR-BiLSTM" و "Stanford NLI" بعد الترجمة العربية بين قوسين لضمان استكمال المعلومات.