تُدمج أساليب الإجابة على الأسئلة ذات المنطق العام (QA) قوة النماذج اللغوية المُدرَّبة مسبقًا (LM) مع التفكير الاستنتاجي المُقدَّم من الرسوم المعرفية (KG). وعادةً ما تتضمن الطريقة التقليدية جمع العقد ذات الصلة بزوج السؤال والإجابة من الرسم المعرفي لتكوين ما يُسمى بالرسم العامل (WG)، يليه التفكير باستخدام الشبكات العصبية الرسومية (GNNs). ويتواجه هذا النهج بتحديين رئيسيين: (أ) صعوبة استخلاص جميع المعلومات من زوج السؤال والإجابة في الرسم العامل، و(ب) احتواء الرسم العامل على عقد غير ذات صلة من الرسم المعرفي. ولحل هذين التحديين، نقترح نموذج GrapeQA الذي يُقدِّم تحسينين بسيطين على الرسم العامل: (أ) تحديد الكيانات البارزة لتعزيز الرسم، حيث يتم استخلاص أجزاء نصية ذات صلة من زوج السؤال والإجابة، ثم تعزيز الرسم العامل بتمثيلات خفية مُقابلة من النموذج اللغوي، و(ب) تقطيع العقد المعتمدة على السياق، الذي يُزيل العقد الأقل صلة بزوج السؤال والإجابة. وقد تم تقييم النتائج على مجموعات بيانات OpenBookQA وCommonsenseQA وMedQA-USMLE، حيث أظهر GrapeQA تحسينات منتظمة مقارنةً بأسلافه القائمة على النموذج اللغوي + الرسم المعرفي (وبخاصة نموذج QA-GNN)، مع تحسينات كبيرة على OpenBookQA.