چارچوب خودارزیاب مبتنی بر مدل‌های زبانی بزرگ و گراف دانش برای استخراج، اعتبارسنجی و تحلیل وظایف سازمانی از متون قانونی فارسی

چارچوب خودارزیاب مبتنی بر مدل‌های زبانی بزرگ و گراف دانش برای استخراج، اعتبارسنجی و تحلیل وظایف سازمانی از متون قانونی فارسی

ثنا مرادی چگنی1 نسیم احمدی2 آرزو عزیزی3 عاطفه میرزایی4

1) دانشجوی کاردانی نرم‌افزار، دانشکده ملی مهارت دختران، خرم آباد، لرستان، ایران
2) دکترای هوش مصنوعی، پردیس دانشگاه تهران، تهران، ایران (nasim.ahmadi.2016@ gmail.com)
3) دانشجوی کاردانی نرم‌افزار، دانشکده ملی مهارت دختران، خرم آباد، لرستان، ایران
4) دانشجوی کارشناسی شبکه، دانشکده ملی مهارت دختران، خرم آباد، لرستان، ایران

کد IOI مقاله : AAHD-ABGZGZ
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    به یکی از چالش‌های اساسی مدیریت دانش در سازمان‌های دولتی تبدیل شده است. روش‌های سنتی تحلیل اسناد قانونی که عمدتاً مبتنی بر بررسی دستی هستند، با محدودیت‌هایی نظیر زمان‌بری، هزینه بالا و احتمال خطای انسانی مواجه می‌باشند. در سال‌های اخیر، مدل‌های زبانی بزرگ (Large Language Models) توانمندی قابل توجهی در استخراج اطلاعات از متون غیرساختاریافته نشان داده‌اند. با این حال، استفاده مستقیم از این مدل‌ها در محیط‌های حقوقی با چالش جدی تولید اطلاعات نادرست (Hallucination) و نبود سازوکار اعتبارسنجی همراه است که قابلیت اطمینان خروجی‌ها را کاهش می‌دهد. در این پژوهش، چارچوبی ترکیبی مبتنی بر مدل‌های زبانی بزرگ، گراف دانش و ماژول خودارزیابی ارائه می‌شود که هدف آن استخراج و تحلیل وظایف سازمانی از متون قانونی فارسی است. در چارچوب پیشنهادی، ابتدا موجودیت‌های حقوقی و سازمانی توسط مدل ParsBERT شناسایی می‌شوند. سپس وظایف سازمانی با استفاده از مدل‌های زبانی بزرگ استخراج می‌گردند. در ادامه، یک ماژول ارزیاب مبتنی بر مدل زبانی، صحت روابط استخراج‌شده را بررسی و اصلاح می‌کند. دانش تولیدشده در قالب یک گراف دانش سازمانی ذخیره شده و برای تحلیل روابط بین سازمان‌ها، شناسایی هم‌پوشانی وظایف و کشف تعارضات احتمالی به کار می‌رود. ارزیابی عملکرد روش پیشنهادی بر روی متون قوانین اداری فارسی و با مقایسه با پژوهش‌های اخیر انجام شده است. نتایج نشان می‌دهد که استفاده از معماری ترکیبی Llama 3.1-8B و GPT-4o توانسته مقدار F1 برابر 0.8387 را در استخراج وظایف سازمانی کسب کند. چارچوب پیشنهادی با افزودن لایه اعتبارسنجی و گراف دانش، بستر مناسبی برای توسعه سامانه‌های هوشمند مدیریت دانش حقوقی و تصمیم‌یارهای سازمانی فراهم می‌کند.

کلمات کلیدی : مدل‌های زبانی بزرگ گراف دانش parsbert استخراج وظایف سازمانی پردازش زبان طبیعی فارسی