في العالم الحديث، يعد التفكير الاستدلالي (Abductive Reasoning) واحدًا من العناصر الأساسية التي تسهم في الاكتشافات البشرية وتفسير الظواهر. وعلى الرغم من أهميته، إلا أن هذا المفهوم لم يُستكشف بصورة كافية ضمن النماذج اللغوية الكبيرة (LLMs).

فقد كشف بحث حديث عن وجود فجوات في كيفية استيعاب هذه النماذج للتفكير الاستدلالي. يعتبر هذا البحث الأول من نوعه الذي يُقدم مسحًا شاملًا للتفكير الاستدلالي في النماذج اللغوية الكبيرة، مما يسهم في فهم كيفية دمج هذه الآلية في الذكاء الاصطناعي الحديث.

يرسم البحث مسار التفكير الاستدلالي منذ الأسس الفلسفية وحتى التطبيقات المعاصرة في الذكاء الاصطناعي. ومن أجل الحد من الفوضى المفاهيمية وتعريف المهام بطريقة غير متناسقة، يقوم الباحثون بوضع تعريف موحد من مرحلتين يُصنف الاعمال السابقة. يشتمل هذا التصنيف على مرحلتين رئيسيتين:
1. **توليد الفرضيات (Hypothesis Generation)**: حيث تسعى النماذج لسد الثغرات المعرفية عبر إنتاج تفسيرات محتملة.
2. **اختيار الفرضيات (Hypothesis Selection)**: حيث يتم تقييم الفرضيات المنتجة لاختيار التفسير الأكثر احتمالًا.

كما يسعى البحث إلى تقديم تصنيف شامل للأدبيات المرتبطة بالتفكير الاستدلالي، مُقسّمًا الأعمال السابقة بحسب المهام والبيانات والأساليب المنهجية واستراتيجيات التقييم. علاوة على ذلك، يحتوي البحث على دراسة تجريبية تتناول أداء النماذج اللغوية الكبيرة في المهام الاستدلالية، مع تحليلات مقارنة تستند إلى حجم النموذج وعائلة النماذج وأنماط التقييم.

تكشف نتائج التحليل عن فجوات حرجة في الأساليب الحالية، من تصميم المعايير الثابتة إلى تغطية نطاقات ضيقة، ما يتطلب فهمًا أعمق للعمليات الاستدلالية. كيف يمكن للنماذج تحسين أدائها في التفكير الاستدلالي مقارنة بالمهام الاستنتاجية والاستقرائية؟ هذه هي الأسئلة التي حددها البحث، مما يفتح آفاقًا جديدة لفهم قدرات النماذج اللغوية الكبيرة في مجال الذكاء الاصطناعي.