حلّال المسائل العددي الدقيق والواعي بالندم لأسئلة الجداول

الإجابة على الأسئلة في الجداول الحرة (وهو ما يعرف بـ TableQA) هي مهمة صعبة بسبب البنية المرنة والهيكل المعقد للجداول. تستخدم الدراسات الحديثة نماذج اللغات الكبيرة (LLMs) لهذه المهمة، مستفيدةً من قدرتها على فهم الأسئلة والبيانات الجدولية، والتي تعطى عادةً بلغة طبيعية وتحتوي على العديد من الحقول النصية. رغم أن هذا النهج أظهر نتائج واعدة، فإنه يتجاهل التحديات التي تجلبها القيم العددية الشائعة في البيانات الجدولية، والتي تُعرف بأن النماذج اللغوية الكبيرة تواجه صعوبات معها. نهدف إلى معالجة هذه المشكلة، ونقترح نموذجاً باسم TabLaP يستخدم النماذج اللغوية الكبيرة كمخطط بدلاً من مولد إجابات. يستفيد هذا النهج من قدرة النماذج اللغوية الكبيرة على الاستدلال متعدد الخطوات بينما يترك العمليات الحسابية العددية الفعلية لمترجم Python للحساب الدقيق. معترفين بطبيعة عدم الدقة في النماذج اللغوية الكبيرة، نقوم بمحاولة أولى لتقدير موثوقية الإجابات المنتجة بواسطة TabLaP بحيث يمكن للمستخدمين استخدام TabLaP بطريقة يشعرون فيها بالندم عند الخطأ. أظهرت النتائج التجريبية على مجموعتي بيانات معياريتين أن TabLaP أكثر دقة بشكل كبير من أفضل النماذج الموجودة حالياً، حيث تحسنت دقة الإجابات بنسبة 5.7% و5.8% على المجموعتين، على التوالي.