TempReasoner: شبكات رسوم بيانية زمنية عصبية لبناء جداول زمنية للأحداث

لماذا تهم الجداول الزمنية في عالم الأحداث المستمرة

تغرق المؤسسات يومياً في معلومات تحمل طوابع زمنية: تنبيهات الأخبار، سجلات طبية، وثائق قانونية، سجلات أجهزة الاستشعار وغير ذلك. فهم ما حدث، وبأي ترتيب، وما الذي تسبب فيه أمر أصعب مما يبدو، خصوصاً عندما تتناثر الدلائل عبر مصادر متعددة. تقدم هذه الورقة نظام TempReasoner، وهو نظام ذكاء اصطناعي مصمم لتحويل البيانات المرتبكة المتعلقة بالوقت تلقائياً إلى جداول زمنية واضحة ومتسقة يمكن للبشر الوثوق بها.

من بيانات متناثرة إلى سرد لما حدث

لا تصل معظم البيانات الواقعية على شكل تسلسل زمني منظم. فقد تمتد قضية محكمة لسنوات من المذكرات والرسائل والشهادات؛ وقد يُسجّل تفشٍّ مرضي عبر نتائج مختبرية وملاحظات طبية وتقارير إخبارية. يتعامل TempReasoner مع هذا الواقع باعتبار كل إشارة لحدث عقدة في رسم بياني، موصولة بعلاقات تلتقط متى حدثت الأحداث وكيف ترتبط ببعضها. يقرأ نصوصاً خام أو سجلات مُهيكلة، يستخرج أوصاف الأحداث وعلامات وقتها، ويحملها في متجهات عددية تلتقط المعنى (ما الذي حدث) والتوقيت (متى حدث). صُمّم النظام ليعمل عبر مجالات متعددة، من السياسة والقانون إلى الطب والهندسة، دون إعادة كتابة خاصة لكل مجال.

النظر إلى الزمن من زوايا متعددة في آن واحد

فكرة مركزية في TempReasoner هي أن الزمن ليس مقاساً واحداً يناسب كل شيء. تَعتمد بعض الأسئلة على دقائق أو ساعات—مثل ما إذا كانت جرعة دواء أعطيت قبل حدوث رد فعل—بينما تعتمد أخرى على شهور أو سنوات، كالتراكم الذي يؤدي إلى أزمة دبلوماسية. يستخدم TempReasoner «الانتباه الزمني متعدد المقاييس» لرؤية أنماط عند عدة دقات زمنية في آنٍ واحد. يشفر إشارات دقيقة (مثل مستوى الدقيقة أو اليوم) واتجاهات عامة (أشهر أو سنوات) بشكل منفصل، ثم يدمجهما حتى يتمكن النموذج من موازنة التحولات قصيرة الأجل مع الأقواس الطويلة الأمد. عملياً، يعني هذا أن النظام يستطيع تتبع تطورات سريعة، مثل سلسلة من الصفقات في سوق مالي، مع الحفاظ على فهم السردية الأوسع، مثل التصعيد التدريجي للتوترات بين الدول.

بناء وصقل خريطة حية للأحداث

بدلاً من الاعتماد على مجموعة ثابتة من الروابط بين الأحداث، يتعلم TempReasoner باستمرار ويحدّث كيف ينبغي ربط الأحداث. يقدّر مُجمّع بناء الرسم البياني التكيفي مدى تشابه حدثين من حيث المعنى ومدى قربهما زمنياً، ثم يقرر مدى قوة الربط بينهما. فوق هذا الشبك المتطور، يجمع مشفّر هرمي نوعين من المعالجات: شبكة متكررة تمتاز بمتابعة التسلسلات خطوة بخطوة، وآلية انتباه على نمط المحوّل (Transformer) قادرة على القفز عبر فترات زمنية طويلة لربط أحداث بعيدة لكنها مرتبطة. يعزّز «خسارة الاتساق» المتخصصة النموذج لتجنّب التناقضات الواضحة—على سبيل المثال، منع وضع حدث معلوم أنه يحدث لاحقاً في وقت مبكر من الجدول—مع السماح بالشك عندما تكون البيانات مبهمة أو متضاربة.

تعليم النظام حل الحالات المحيرة

البيانات الحقيقية فوضوية: تعابير زمنية مثل «قريباً بعد ذلك» أو «حوالي نفس الوقت» غامضة، وقد تختلف المصادر في رواياتها. للتعامل مع ذلك، يضيف TempReasoner طبقة تعلم معزز تعمل كعامل صنع قرار. بعد أن يقترح النموذج الرئيسي مسودة جدول زمني، يجرب هذا العامل تغييرات طفيفة—إعادة ترتيب أحداث، إدراج روابط مفقودة، أو تعديل العلاقات—ويُكافأ عندما يكون الجدول النهائي أكثر دقة واتساقاً منطقياً. عبر تجارب عديدة من هذا النوع، يتعلّم استراتيجيات لفك تشابك الحالات الصعبة، مثل إعادة بناء ترتيب إجراءات طبية من ملاحظات جزئية أو مواءمة تقارير أخبار متضاربة حول أزمات سريعة الحركة.

مدى فعاليته وأين يمكن استخدامه

اختبر المؤلفون TempReasoner على خمسة مجموعات بيانات معروفة تغطي أحداثاً سياسية وأخباراً وجداول زمنية معنونة لغوياً. حقق النظام دقة بنسبة 94.3% في ترتيب الأحداث، متجاوزاً مجموعة من المنافسين المتخصصين، بينما ظل سريع التشغيل بما يكفي للاستخدام شبه في الوقت الحقيقي—نحو 127 مللي ثانية لكل تسلسل أحداث. كما عمّم النظام جيداً عبر المجالات: نموذج مدرَّب على بيانات قانونية استطاع التكيّف مع سجلات طبية حيوية أو أخبار مع تعديل طفيف فقط. للإعدادات الأخف، مثل أجهزة الحافة أو الخوادم الأصغر، يقدم إصدار مُخفَّف يُدعى TempReasoner-Lite معظم الدقة مع متطلبات حوسبة أقل بكثير.

ما معنى هذا للتطبيقات اليومية

بعبارة بسيطة، TempReasoner هو أداة لتحويل أكوام الحقائق ذات الطوابع الزمنية إلى روايات قابلة للقراءة وموثوقة حول ما حدث ولماذا. في القانون، قد يساعد المحققين في تجميع جداول زمنية للقضايا من آلاف المستندات. في الرعاية الصحية، قد يوضّح تسلسل العلاجات والنتائج في تواريخ مرضى معقدة. للصحفيين والمحللين، قد يدعم عملية التحقق من الحقائق بمواءمة التقارير وتسليط الضوء على التناقضات. يشير المؤلفون إلى أن النظام لا يزال يواجه صعوبات مع اللغة شديدة الغموض والجداول الزمنية الطويلة جداً، ويؤكدون ضرورة الإشراف البشري، لا سيما في البيئات عالية المخاطر. ومع ذلك، يمثل TempReasoner خطوة مهمة نحو ذكاء اصطناعي لا يكتفي بالتعرّف على الأحداث فحسب، بل يفهم أيضاً كيف تتكشف عبر الزمن بطريقة تتوافق مع المنطق البشري.

الاستشهاد: Aldawsari, M. TempReasoner: neural temporal graph networks for event timeline construction. Sci Rep 16, 4985 (2026). https://doi.org/10.1038/s41598-026-35385-w

الكلمات المفتاحية: الاستدلال الزمني, جداول زمنية للأحداث, الشبكات العصبية الرسومية, رسوم المعرفة, التعلّم العميق