إن حل التماثل النحوي (Coreference Resolution) يُعدّ ضروريًا لفهم النصوص التلقائي، مما يُسهّل إنجاز مهام استرجاع المعلومات عالية المستوى مثل تلخيص النصوص أو الإجابة على الأسئلة. تشير الدراسات السابقة إلى أن أداء النماذج الحديثة (مثل تلك القائمة على نموذج BERT) ينخفض بشكل ملحوظ عند تطبيقها على الأوراق العلمية. في هذا البحث، نُجري دراسة مفصلة لمهام حل التماثل النحوي في الأوراق البحثية، بالإضافة إلى توليد الرسوم البيانية المعرفية (Knowledge Graph Population). ونقدّم المساهمات التالية: (1) نُعدّ مُجمّعًا نصيًا مُعلّمًا لحل التماثل النحوي يشمل 10 تخصصات علمية مختلفة من مجالات العلوم والتقنية والطب (STM)؛ (2) نقترح استخدام التعلم الانتقالي (Transfer Learning) لحل التماثل النحوي تلقائيًا في الأوراق البحثية؛ (3) نحلّل تأثير حل التماثل النحوي على جودة توليد الرسوم البيانية المعرفية (KG)؛ (4) نُطلق رسمًا معرفيًا بحثيًا تم توليدُه تلقائيًا من 55,485 ورقة بحثية في 10 مجالات من مجالات STM. أظهرت التجارب الشاملة فعالية النهج المقترح. فبالنسبة لمُجمّعنا، تفوق نموذج التعلم الانتقالي بشكل كبير على النماذج الحالية (State-of-the-Art) بتحقيقه مقياس F1 قدره 61.4 (بزيادة 11.0)، بينما أظهر التقييم مقابل رسم معرفي معياري (Gold Standard KG) أن حل التماثل النحوي يُحسّن جودة الرسم المعرفي المُولّد بشكل كبير، بتحقيقه مقياس F1 قدره 63.5 (بزيادة 21.8).