Resumen: Los modelos de lenguaje grande (LLMS) se destacan para comprender el lenguaje natural pero luchar con un razonamiento explícito de sentido común. Una tendencia reciente de la investigación sugiere que la combinación de LLM con sistemas de razonamiento simbólicos robustos puede superar este problema en las tareas de respuesta de preguntas basadas en la historia. En este entorno, los enfoques existentes generalmente dependen de la experiencia humana para elaborar manualmente el componente simbólico. Sin embargo, argumentamos que este componente también se puede aprender automáticamente de ejemplos. En este trabajo, presentamos LLM2LA, un sistema híbrido que combina efectivamente las capacidades de comprensión del lenguaje natural de los LLM, el poder de inducción de reglas del aprendizaje de los conjuntos de respuestas (LAS) del sistema ILASP, y las fortalezas de razonamiento formal de la programación del conjunto de respuestas (ASP). Los LLM se utilizan para extraer estructuras semánticas del texto, que ILASP se transforma en reglas lógicas interpretables. Estas reglas permiten que un solucionador ASP realice un razonamiento preciso y consistente, lo que permite respuestas correctas a preguntas previamente invisibles. Los resultados empíricos describen las fortalezas y debilidades de nuestro enfoque automático para el aprendizaje y el razonamiento en un punto de referencia de respuesta basada en la historia.
Publicado Originalme en export.arxiv.org El 22 de septiembre de 2025.
Ver Fuente Original
