DOI: https://doi.org/10.1038/s41598-026-39204-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41764213
تاريخ النشر: 2026-02-28
المؤلف: Na Xu وآخرون
الموضوع الرئيسي: أنظمة وتقنيات التوصية
نظرة عامة
تقدم ورقة البحث نهجًا جديدًا لتوصية المعرفة مصممًا لتعزيز اتخاذ القرار خلال حالات الطوارئ في أنفاق الغاز من خلال دمج رسم بياني للمعرفة (KG) مع نموذج لغة كبير (LLM). يتناول الأسلوب المقترح تحدي المعلومات المجزأة الموجودة في التقارير والكتب اليدوية غير المنظمة من خلال بناء KG محدد المجال من مستندات الطوارئ المختلفة باستخدام LLMs المحسّنة عبر التعليمات. خلال مرحلة الاستدلال، يسترجع الأسلوب الرسوم البيانية الفرعية ذات الصلة بالسياق من خلال عمليات بحث قائمة على التشابه الدلالي ويعيد ترتيب هذه المرشحين لتحسين الدقة. هذا التعزيز الديناميكي لـ LLM بمعرفة المجال الموثوقة يقلل بشكل كبير من احتمال الهلوسة في ردوده.
تشير نتائج التقييم إلى أن هذا النهج المتكامل يتفوق على LLMs المستقلة والهياكل البديلة من حيث الدقة، والكمال، والترابط. تشير النتائج إلى أن الأسلوب المقترح لا يسرع فقط من عملية الاستجابة للطوارئ في أنفاق الغاز، بل يوفر أيضًا إطارًا منظمًا وقابلًا للتفسير لدعم اتخاذ القرار المدفوع بالمعرفة في السيناريوهات عالية المخاطر. تؤكد الدراسة على أهمية المعلومات الدقيقة وفي الوقت المناسب في حالات الطوارئ، موضحة كيف يمكن للتآزر بين KG و LLM سد الفجوات المعرفية الحرجة بشكل فعال.
الطرق
في هذا القسم، يحدد المنهج التجريبي البيئة التجريبية وإعدادات المعلمات المستخدمة لبناء رسم بياني للمعرفة محدد المجال (KG) من خلال عملية استخراج المعرفة المدفوعة بنموذج لغة كبير (LLM). يتكون KG الناتج من 435 عقدة و1568 حافة علاقة، مستمدة من 1568 ثلاثيات مستخرجة.
يتم تقييم أداء نظام دعم القرار الذي يستخدم هذا الرسم البياني للمعرفة مقابل قرارات الحالات الفعلية، مع تقديم تقييمات مفصلة في الجداول 3 و4، وتصويرها في الشكل 5. يقدم الجدول 3 بشكل خاص درجات تقييم نوعية مفصلة من كل من الممارسين في الصناعة والباحثين الأكاديميين، مما يوفر مقاييس نوعية شاملة للتحليل المقارن لفعالية النظام.
النتائج
تفصل قسم النتائج إعداد التجربة ونتائج نظام دعم اتخاذ القرار المقترح للاستجابة لحالات الطوارئ في أنفاق الغاز. تهدف التجارب إلى تقييم أداء النظام باستخدام كل من المقاييس الكمية والنوعية. يتم إجراء تحليل مقارن مع نماذج الأساس لتسليط الضوء على فعالية الأسلوب المقترح. تشير النتائج إلى تحسينات كبيرة في قدرات اتخاذ القرار خلال السيناريوهات الطارئة، مما يبرز إمكانية النظام في تعزيز السلامة في عمليات أنفاق الغاز.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم في أنظمة الاستجابة لحالات الطوارئ في الأنفاق، مع التأكيد على قيود الأساليب التقليدية وإمكانات التقنيات الحديثة. تعتبر التدابير الطارئة التقليدية، على الرغم من فائدتها، غير كافية للديناميكيات المعقدة لبيئات الأنفاق. أدى دمج تكنولوجيا المعلومات، وخاصة إنترنت الأشياء والذكاء الاصطناعي، إلى تحسين دقة البيانات وأوقات الاستجابة. تشمل المساهمات الملحوظة استخدام الشبكات العصبية الاصطناعية لتصنيف الحرائق، والتعرف على الصور لاكتشاف الحرائق، وتطوير أنظمة دعم القرار (DSS) التي تعزز إدارة الطوارئ من خلال تحسين تكامل البيانات والقدرات التنبؤية.
تحدد الورقة الفجوات الحرجة في البحث الحالي، وخاصة في استرجاع المعرفة بعد الحادث ودعم القرار، والتي غالبًا ما تعيقها الاعتماد على المعرفة الخبيرة وتحديات دمج البيانات غير المنظمة. يقترح المؤلفون نهجًا جديدًا يجمع بين الرسوم البيانية للمعرفة (KG) ونماذج اللغة الكبيرة (LLM) لإنشاء نظام ديناميكي ومؤتمت لإدارة المعرفة الطارئة. يهدف هذا الأسلوب إلى توحيد المعرفة المجزأة من مصادر متنوعة، وتقليل تدخل الخبراء في بناء الرسم البياني للمعرفة، وتعزيز الفهم السياقي لـ LLM لتوليد توصيات قابلة للتنفيذ. يدمج الإطار المقترح بناء KG المؤتمت مع التوليد المعزز بالاسترجاع، مما يضمن أن تكون مخرجات النموذج مستندة إلى معرفة موثوقة مع الحفاظ على الطلاقة اللغوية والملاءمة للسيناريوهات الطارئة في العالم الحقيقي.
القيود
تقدم الدراسة عدة قيود قد تؤثر على قابلية تعميم وملاءمة نتائجها. أولاً، تم بناء الرسم البياني للمعرفة (KG) من مجموعة بيانات مصممة خصيصًا، والتي، على الرغم من أنها تشمل سيناريوهات الطوارئ الشائعة مثل انفجارات الغاز والحرائق، قد لا تمثل بشكل كافٍ الأحداث النادرة ولكن ذات العواقب الكبيرة. تشكل هذه القيود تحديات للتحقق المستقل وتقييد قابلية تطبيق الأسلوب عبر سياقات جيولوجية مختلفة وبيئات تنظيمية. تهدف الأبحاث المستقبلية إلى توسيع مجموعة البيانات من خلال التعاون بين الوكالات لتحسين تنوع السيناريوهات وقوة النموذج.
ثانيًا، يحقق التحليل المقارن الذي تم إجراؤه بشكل أساسي في قوة توصية الإطار في أسفل النماذج المختلفة كنماذج لغة كبيرة (LLMs) كعوامل تفكير، ولكنه يفتقر إلى دراسة إبطال منهجية في مرحلة الاستخراج. من المحتمل أن يختلف أداء استخراج المعرفة مع هياكل وأحجام LLM المختلفة، مما يتطلب تجارب محكومة لتحديد هذه الاعتمادات. ستركز الأعمال المستقبلية على تصميم مثل هذه التجارب لتوجيه اختيار النموذج في بناء المعرفة، خاصة للسيناريوهات التي تتطلب دقة عالية.
أخيرًا، يحد اعتماد النظام الحالي على الاستفسارات الثابتة من تفاعل المستخدم، حيث إنه لا يدعم التوضيح التفاعلي أو الحوار متعدد الأدوار. بالإضافة إلى ذلك، قد تعيق فترة الانتظار من استرجاع المعرفة الأداء في المواقف ذات الكمون المنخفض. يمكن أن يؤدي معالجة هذه القضايا إلى تعزيز إمكانيات النظام كمنصة عالمية للاستجابة الذكية للطوارئ، مما يحسن قدرات إدارة السلامة.
DOI: https://doi.org/10.1038/s41598-026-39204-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41764213
Publication Date: 2026-02-28
Author(s): Na Xu et al.
Primary Topic: Recommender Systems and Techniques
Overview
The research paper presents a novel knowledge recommendation approach designed to enhance decision-making during gas tunnel emergencies by integrating a knowledge graph (KG) with a large language model (LLM). The proposed method addresses the challenge of fragmented information found in unstructured reports and manuals by constructing a domain-specific KG from various emergency documents using prompt-optimized LLMs. During the inference stage, the approach retrieves contextually relevant subgraphs through semantic similarity-based vector searches and re-ranks these candidates to improve precision. This dynamic augmentation of the LLM with verified domain knowledge significantly reduces the likelihood of hallucinations in its responses.
Evaluation results indicate that this integrated approach surpasses standalone LLMs and alternative architectures in terms of accuracy, completeness, and coherence. The findings suggest that the proposed method not only accelerates the emergency response process in gas tunnels but also provides a structured and interpretable framework for knowledge-driven decision support in high-risk scenarios. The study emphasizes the importance of timely and accurate information in emergency situations, showcasing how the synergy between KG and LLM can effectively bridge critical knowledge gaps.
Methods
In this section, the methodology outlines the experimental environment and parameter settings used to construct a domain-specific knowledge graph (KG) through a large language model (LLM)-driven knowledge extraction process. The resulting KG consists of 435 nodes and 1568 relationship edges, derived from 1568 extracted triplets.
The performance of the decision-support system that utilizes this knowledge graph is assessed against actual case decisions, with detailed evaluations presented in Tables 3 and 4, and visualized in Figure 5. Table 3 specifically provides disaggregated qualitative evaluation scores from both industry practitioners and academic researchers, serving as comprehensive qualitative metrics for comparative analysis of the system’s effectiveness.
Results
The results section details the experimental setup and findings of the proposed gas tunnel emergency response decision support system. The experiments aim to assess the system’s performance using both quantitative and qualitative metrics. A comparative analysis with baseline models is conducted to highlight the effectiveness of the proposed method. The outcomes indicate significant improvements in decision-making capabilities during emergency scenarios, underscoring the system’s potential for enhancing safety in gas tunnel operations.
Discussion
The discussion section of the research paper highlights advancements in tunnel emergency response systems, emphasizing the limitations of traditional methods and the potential of modern technologies. Conventional emergency measures, while beneficial, are inadequate for the complex dynamics of tunnel environments. The integration of information technology, particularly IoT and artificial intelligence, has led to improved data accuracy and response times. Notable contributions include the use of artificial neural networks for fire classification, image recognition for fire detection, and the development of decision support systems (DSS) that enhance emergency management through better data integration and predictive capabilities.
The paper identifies critical gaps in current research, particularly in post-incident knowledge retrieval and decision support, which are often hindered by reliance on expert knowledge and the challenges of integrating unstructured data. The authors propose a novel approach that combines knowledge graphs (KG) with large language models (LLM) to create a dynamic, automated system for emergency knowledge management. This method aims to unify fragmented knowledge from diverse sources, minimize expert intervention in knowledge graph construction, and enhance LLM contextual understanding for generating actionable recommendations. The proposed framework integrates automated KG construction with retrieval-augmented generation, ensuring that the model’s outputs are grounded in verified knowledge while maintaining linguistic fluency and relevance to real-world emergency scenarios.
Limitations
The study presents several limitations that may affect the generalizability and applicability of its findings. Firstly, the knowledge graph (KG) was constructed from a bespoke dataset that, while encompassing common emergency scenarios such as gas outbursts and fires, may not adequately represent rare but high-consequence events. This limitation poses challenges for independent validation and restricts the method’s applicability across various geological contexts and regulatory environments. Future research aims to expand the dataset through inter-agency collaboration to improve scenario diversity and model robustness.
Secondly, the comparative analysis conducted primarily validates the framework’s downstream recommendation robustness across different large language models (LLMs) as reasoning agents, but lacks a systematic ablation study on the extraction phase. The performance of knowledge extraction likely varies with different LLM architectures and sizes, necessitating controlled experiments to quantify these dependencies. Future work will focus on designing such experiments to guide model selection in knowledge construction, particularly for scenarios demanding high precision.
Lastly, the current system’s reliance on static queries limits user interaction, as it does not support interactive clarification or multi-turn dialogue. Additionally, latency from knowledge retrieval may hinder performance in low-latency situations. Addressing these issues could enhance the system’s potential as a universal platform for intelligent emergency response, thereby improving safety management capabilities.