ابتدا متن اصلی هر قطعه یا بلوک مستقل تحلیل می‌شود. هوش مصنوعی حداکثر ۲۰ مفهوم یا موجودیت مهم را که واقعاً در متن حضور دارند و امتیاز اهمیتشان دست‌کم ۰٫۵ است استخراج می‌کند. نام‌های شناخته‌شده با تطبیق قطعی واژگان شناسایی می‌شوند. نام‌های تازه ابتدا در ثبت دانش سراسری لرالینک و سپس، در صورت نیاز، در ویکی‌داده جست‌وجو می‌شوند. مدل با استفاده از بافت متن، هویت درست را میان گزینه‌های بازیابی‌شده تشخیص می‌دهد؛ موارد با اطمینان حداقل ۰٫۸۵ به‌صورت خودکار تأیید می‌شوند و موارد مبهم برای بررسی انسانی باقی می‌مانند. در مرحله بعد، سامانه حضور و اهمیت هر مفهوم را در کل بدنه دانش همان نهاد اندازه می‌گیرد: فراوانی اشاره نسبت به طول متن، تراکم حضور، جایگاه در عنوان، خلاصه و تیترها، تعریف‌های کلیدی و نزدیکی معنایی. برای سنجش همسایگی معنایی از مدل چندزبانه bge-m3 با بردارهای ۱۰۲۴بعدی و شباهت کسینوسی استفاده می‌شود. ارتباط قطعات نیز از اشتراک مفاهیم و موجودیت‌ها، نزدیکی برداری، ارجاعات، روابط تألیفی و ساختار انتشار به دست می‌آید و با وزن و شواهد ذخیره می‌شود. سرانجام، لرالینک برای هر مفهوم سه سطح شناخت تولید می‌کند: تعریف عمومی معتبر، توصیف زمینه‌مند بر اساس شواهد بدنه دانش نهاد، و شرح تلفیقی. با گسترش معنادار بدنه دانش، این توصیف‌ها بازسازی می‌شوند، در حالی که اصلاحات انسانی محفوظ می‌مانند. حاصل، یک گراف دانش چندزبانه و پویاست که ارتباطات معنایی آن قابل ردیابی و بازبینی‌اند.

کادر ساختاری کادر ساختاری در لرالینک گزاره‌ای دربارهٔ نقش چند بلوک است: این بخش «خلاصه» است، «تعریف کلیدی» است، «تمرین» است یا «یادداشت مترجم». خود محتوا درون بلوک‌های عادی می‌ماند و نقش کادر به آن می‌گوید چگونه خوانده، نمایش داده و در رسانه‌های دیگر بازنمایی شود.

کدام گزاره معماری کادرهای درون‌متنی در لرالینک را دقیق‌تر توضیح می‌دهد؟

• کادر یک نوع محتوای جداست و پاره‌های داخل آن از سازوکارهای معمول قطعه خارج می‌شوند.
• کادر یک لایهٔ ساختاری است که به بلوک‌های عادی نقش می‌دهد و همان نقش می‌تواند در خواندن، ترجمه و چاپ حفظ شود.
• نقش کادر صرفاً با رنگ مشخص می‌شود و در چاپ تک‌رنگ از بین می‌رود.
• هر صاحب پلتفرم می‌تواند آزادانه نقش‌های تازه‌ای برای کادرها تعریف کند.

معنای عملی این رویکرد آن است که لرالینک را می‌توان از پروژه‌های کوچک آغاز کرد: یک مجموعه ده‌قطعه‌ای، یک کتابچه، یک دوره کوتاه یا یک آرشیو موضوعی. همان پروژه می‌تواند به مرور به یک کتابخانه، شبکه آموزشی، برنامه نشر یا زیست‌بوم دانشی کامل تبدیل شود. توسعه محصول و رشد پروژه‌ها در اینجا دو مسیر جدا نیستند؛ هر پروژه واقعی به آزمون معماری کمک می‌کند و هر توسعه تازه، ظرفیت پروژه‌های پیشین را افزایش می‌دهد.

برای نمونه، یک پژوهشگر می‌تواند پروژه‌ای درباره تاریخ اندیشه سیاسی ایران ایجاد کند و هر مفهوم، متفکر، منبع، رویداد یا استدلال را در قالب قطعات جداگانه توسعه دهد. این قطعات می‌توانند ابتدا به صورت یک مجموعه یادداشت پژوهشی منتشر شوند، سپس در یک مقاله بلند در کنار هم قرار گیرند (کاری که با الهام از موسیقی به ان کمپوزیسیون می‌گویم) و بعدها مبنای یک دوره آموزشی یا کتاب هم بشوند. در نسخه‌های توسعه‌یافته‌تر، همان قطعات می‌توانند به زبان‌های مختلف و با حامل‌های گوناگون[1] عرضه شوند، به منابع دانشگاهی متصل شوند، در مسیرهای یادگیری متفاوت قرار گیرند و بر اساس نیاز مخاطبان بازترکیب[2] شوند.

موضوع حامل‌ها را در جای دیگری توضیح خواهم داد. تا اینجا همین بس که هر قطعه‌ای از دانش ممکن است حاملی داشته باشد که در انتقال آن نقش بنیادین ایفا می‌کند. مثلا فرض کنید که یک قطعه شعر را به تصویر بکشیم. واقعیت این است که حامل اصلی شعر «متن» است، اما این بدان معنا نیست که در جای دیگری نمی‌شود آن قطعه شعر را با حامل دیگری مانند «تصویر» یا «ویدئو» یا «صوت» عرضه کرد. به این ترتیب هر واحد مستقل و منسجم از دانش،‌ یک حامل اصلی و چند حامل دیگر می‌تواند داشته باشد.

بازترکیب شدن قطعات یکی از جدی‌ترین نوآوری‌های لرالینک است. بازترکیب می‌تواند یکی از مهم‌ترین کاربردهای هوشواره ایجنتیک یا عامل در سیستم باشد. هوش مصنوعی (یا همان هوشواره) می‌تواند از مجموعه قطعاتی مولکول‌های تازه پیشنهاد کند. درست همانطور که در حوزه‌های دیگر هوش مصنوعی مولکول‌ها و ترکیبات دارویی کاملاً تازه‌ای را طراحی و کشف کرده و می‌تواند پیشنهاد بدهد. فرض کنید مجموعه‌ای قطعات منسج جدا از هم دارید، هوش مصنوعی تم‌ها و الگوها و مفاهیم مشترکی در آن‌ها می‌بیند و یک کمپوزیسیون پیش می‌نهد که مانند ترکیب‌بندی‌های دارویی عمل می‌کند که بالکل اثربخشی متفاوتی از دل آنها می‌توان استخراج کرد.

How to get rid of MS Word?