حرکت به سوی بازیابی معنایی در علوم اسلامی: از مدل های سنتی تا معماری های مدرن

موتورهای جستجوی کلیدواژه ای به دلیل ناتوانی ذاتی در درک چندمعنایی، هم معنایی و روابط مفهومی پیچیده معمولا نتایج نامرتبط و حجیمی ارائه می دهند. این مسئله در حوزه علوم اسلامی که اصطلاحات تخصصی چندلایه، متون دوزبانه (فارسی و عربی) و ترکیب منحصر به فردی از زبان کلاسیک و مدرن دارند، به مراتب حادتر به نظر می رسد. در دهه اخیر، با ظهور فناوری های نوینی مانند وب معنایی، گراف های دانش، مدل های زبانی بزرگ (LLMs) و معماری بازیابی افزوده با تولید (RAG)، فرصت های بی سابقه ای برای ارتقای بازیابی معنایی در حوزه های تخصصی فراهم شده است. هدف پژوهش حاضر، ارائه تحلیل نظام مند و به روز از چالش های بازیابی معنایی در علوم اسلامی، بررسی انتقادی رویکردهای موجود در پرتو فناوری های جدید و ارائه چارچوبی یکپارچه مبتنی بر شواهد تجربی با هدف بهبود وضعیت موجود است. این پژوهش با روش مرور نظام مند ادبیات و تحلیل محتوای کیفی ۵۲ منبع معتبر بین المللی و داخلی (از ۲۰۱۴ تا ۲۰۲۵) انجام شده است. یافته ها نشان می دهد چالش های بازیابی معنایی را می توان در چهار سطح طبقه بندی کرد: مفهومی (چندمعنایی، هم معنایی، سلسله مراتب مفاهیم)، زبانی (پیچیدگی های صرفی عربی، تنوع رسم الخطی فارسی، دوزبانگی)، فنی (محدودیت رویکردهای کلیدواژه ای، ناتوانی در فهم پرسش های پیچیده، توهم مدل های زبانی) و ساختاری (نبود هستی شناسی استاندارد، پراکندگی داده ها، کمبود داده های آموزشی). چارچوب پیشنهادی این پژوهش پنج لایه مکمل دارد: (۱) هستی شناسی ساختاریافته OWL/SKOS برای علوم اسلامی، (۲) گراف دانش یکپارچه چندزبانه، (۳) مدل های زبانی بزرگ تنظیم شده برای دامنه، (۴) سیستم RAG بومی سازی شده با بازیابی ترکیبی و (۵) رابط جستجوی هوشمند با بسط پرسش معنایی. شواهد تجربی از پروژه های SemanticHadith، FarsBase، AraBERT، مدل Fanar و نتایج کنفرانس QIAS ۲۰۲۵ نشان می دهد سیستم های ترکیبی بومی سازی شده می توانند در وظایف تخصصی اسلامی حتی از قدرتمندترین مدل های عمومی نیز پیشی بگیرند.

کلیدواژه ها:

بازیابی معنایی ، علوم اسلامی ، گراف دانش ، مدل زبانی بزرگ ، زبان فارسی ، پردازش زبان طبیعی