تُعتبر عقود البناء أدوات حوكمة حاسمة تحدد نطاق العمل، والمدفوعات، والمسؤوليات، وعمليات حل النزاعات بين أصحاب العمل والمقاولين. توصل هذه المستندات توقعات ومتطلبات صاحب العمل، مما يجعلها أساسية لإنجاز المشروع بنجاح. ومع ذلك، يمكن أن تصبح العقود مصادر للمخاطر إذا كانت تحتوي على غموض أو توزيع غير واضح للمسؤوليات أو إذا لم تكن الأطراف على دراية بالشروط التعاقدية. تتطلب المراجعة اليدوية لهذه المستندات المطولة خبرة وجهدًا كبيرين، وغالبًا ما تكون مقيدة بفترات تقديم العطاءات المحدودة، مما قد يؤدي إلى مخاطر متجاهلة ونزاعات محتملة. وهذا يؤكد الحاجة إلى أنظمة آلية يمكنها تحليل نصوص العقود بسرعة ودقة بأقل قدر من التدخل اليدوي. تدرس هذه المراجعة الأدبية الأبحاث الحالية حول استخدام معالجة اللغات الطبيعية (NLP) والتعلم الآلي (ML) لأتمتة مراجعة عقود البناء، مع التركيز على تقييم المخاطر والمسؤوليات.
ثانيا: المواضيع الرئيسية في مراجعة عقود البناء الآلية
ينصب التركيز الأساسي لمراجعة العقود الآلية في صناعة البناء على عدة مواضيع رئيسية:
ثالثا: نقاط الاتفاق والنقاش في البحث
يُظهر البحث الحالي عدة نقاط اتفاق، بينما يكشف أيضًا عن مجالات نقاش:
رابعا: المنهجيات المستخدمة في الدراسات
تشمل المنهجيات المستخدمة في البحث عدة خطوات شائعة:
خامسا: التطورات في المجال مع مرور الوقت
تطور مجال مراجعة العقود الآلية مع مرور الوقت:
سادسا: رؤى نقدية وسياقية
تُظهر هذه المراجعة الأدبية أن مراجعة عقود البناء الآلية باستخدام معالجة اللغات الطبيعية والتعلم الآلي قد حققت تقدمًا كبيرًا. أظهر تطبيق تقنيات الذكاء الاصطناعي مثل BERT تحسينات كبيرة في الدقة والكفاءة مقارنة بالطرق التقليدية. أدى دمج التصنيف الثنائي وأساليب المجموعة إلى تعزيز أداء هذه الأنظمة بشكل أكبر. ومع ذلك، لا تزال التحديات قائمة، لا سيما فيما يتعلق بالحاجة إلى مجموعات بيانات أكثر تنوعًا والتعامل مع اللغة الغامضة. يجب أن يستكشف البحث المستقبلي الجمع بين المناهج القائمة على القواعد والتعلم الآلي، بالإضافة إلى مقارنة أداء نماذج BERT المعدلة بدقة مع نماذج اللغات الكبيرة الأخرى. الهدف النهائي هو إنشاء أنظمة آلية يمكنها تحليل عقود البناء بشكل موثوق، مما يتيح اتخاذ قرارات أسرع وأكثر استنارة، وتقليل مخاطر النزاعات.
(Dikmen et al., 2025)
Dikmen, I., Eken, G., Erol, H., & Birgonul, M. T. (2025). Automated construction contract analysis for risk and responsibility assessment using natural language processing and machine learning. Computers in Industry, 166. https://doi.org/10.1016/j.compind.2025.104251
الأسئلة المتكررة: تحليل عقود البناء الآلي
لماذا يُعد تحليل العقود الآلي ضروريًا في صناعة البناء؟ عقود البناء هي مستندات معقدة تحتوي على معلومات مهمة حول المخاطر والمسؤوليات والحقوق. تتطلب مراجعة هذه المستندات المطولة يدويًا وقتًا طويلاً وتتطلب خبرة ومعرضة للأخطاء، خاصة بالنظر إلى فترات تقديم العطاءات المحدودة في كثير من الأحيان. يمكن أن يؤدي التغاضي عن البنود الرئيسية إلى نزاعات ومخاطر مالية أثناء تنفيذ المشروع. يمكن للأنظمة الآلية تحليل نصوص العقود بسرعة، وتحديد المعلومات الحاسمة وتخصيص المخاطر، ودعم إدارة المخاطر ومنع النزاعات.
ما هي الفئات الرئيسية المستخدمة لتصنيف الجمل في عقود البناء لهذه الدراسة؟ يتم تصنيف الجمل باستخدام تصنيفين أساسيين: أنواع الجمل والأطراف ذات الصلة. تشمل أنواع الجمل "العنوان" و "التعريف" و "الالتزام" و "المخاطر" و "الحق". الأطراف ذات الصلة هي "المقاول" و "صاحب العمل" و "المشترك"، مما يشير إلى الجهة المتأثرة بشكل أساسي أو المسؤولة عن الالتزام أو المخاطر أو الحق الموصوف في الجملة. ليس للعناوين والتعريفات طرف ذو صلة، ويتم تعيين الطرف ذي الصلة فقط للالتزام والحق والمخاطر.
كيف تم إعداد مستندات العقد للتحليل في هذا البحث؟ تم تحويل مستندات العقد، التي كانت في البداية بتنسيق PDF، إلى نص قابل للتحليل باستخدام مكتبات Python. وشمل ذلك استخراج النص من ملفات PDF، وتنظيف الأحرف الغريبة (مثل أرقام الصفحات والعلامات المائية)، وتقسيم النص إلى جمل، وإعادة ترتيب الجمل المعقدة إلى بنود قائمة بذاتها بناءً على قواعد نحوية. ثم تم تنظيم هذه الجمل المعالجة في ملفات Excel، جاهزة للوسم والتعلم الآلي.
ما هو نهج "التصنيف الثنائي" المستخدم في هذه الدراسة، ولماذا تم تنفيذه؟ يقسم نهج "التصنيف الثنائي" مشكلة التصنيف متعدد الفئات (التصنيف إلى أكثر من فئتين) إلى مهام تصنيف ثنائية متعددة. طبق هذا البحث ذلك على أنواع الجمل عن طريق تجميع الفئات (على سبيل المثال، التمييز أولاً بين "العنوان" و "جميع الفئات الأخرى"، ثم "التعريف" من الباقي، إلخ). هذا التقسيم يبسط عملية التصنيف، مما يسمح للنماذج بتعلم خصائص أكثر تحديدًا لكل نوع جملة وتحسين الدقة.
ما هي خوارزميات التعلم الآلي (ML) التي تم استخدامها، وكيف تم دمجها مع تقنيات معالجة اللغات الطبيعية؟ استخدمت الدراسة مجموعات مختلفة من خوارزميات التعلم الآلي وتقنيات معالجة اللغات الطبيعية. شملت خوارزميات التعلم الآلي الانحدار اللوجستي، وآلة متجهات الدعم (SVM)، وشجرة القرار، والشبكات العصبية المتكررة (RNN)، وتمثيلات التشفير ثنائية الاتجاه من المحولات (BERT). تم دمج هذه مع أساليب تحويل النص إلى متجهات مثل Bag of Words (BoW) وتردد المصطلح - تردد المستند العكسي (TF-IDF) وتضمينات كلمات spaCy وتضمينات كلمات مخصصة (باستخدام Word2Vec) وتضمينات كلمات GloVe وتضمينات كلمات BERT.
ما هو "التصويت التنافسي" كطريقة مجموعة، وما هي المزايا التي يقدمها؟ تجمع طريقة المجموعة "التصويت التنافسي" التنبؤات من أفضل النماذج أداءً عن طريق اختيار التنبؤ الذي حظي بأقوى دعم بين النماذج. تم اختيار النماذج بناءً على نتائج الاختبار الخارجية الخاصة بهم على مهمة التصنيف المحددة (إما نوع الجملة أو الطرف ذي الصلة). تستفيد طريقة المجموعة هذه من نقاط قوة النماذج المختلفة، مما يحسن في كثير من الأحيان الأداء العام والمتانة مقارنة باستخدام نموذج واحد فقط، من خلال موازنة قيود النموذج الفردي.
ما هي مقاييس الأداء الرئيسية المستخدمة لتقييم النماذج، وما هي النتائج التي تم تحقيقها؟ تم تقييم أداء النماذج باستخدام مقاييس مثل الدقة والدقة والاستدعاء ودرجة F1. تم تحسين النتائج الأولية باستخدام التصنيف الثنائي وطريقة المجموعة "التصويت التنافسي". تم تحقيق أفضل أداء بواسطة نموذج BERT بعد طريقة المجموعة، حيث حقق دقة بنسبة 89٪ ودرجة F1 بنسبة 86٪ لتصنيف نوع الجملة ودقة بنسبة 83٪ ودرجة F1 بنسبة 76٪ لتصنيف الطرف ذي الصلة، مع استخدام طريقة المجموعة.
ما هي القيود المحتملة لهذا البحث، وما هي اتجاهات البحث المستقبلية المقترحة؟ أحد القيود هو أن بيانات التدريب تستخدم بشكل أساسي عقود FIDIC، مما يحد من قابلية التعميم على أشكال العقود الأخرى. تُدخل عملية الوسم اليدوي واختيارات الفئات ذاتية محتملة. يجب أن يهدف العمل المستقبلي إلى إنشاء مجموعات بيانات تدريبية أكثر شمولاً تغطي أنواعًا مختلفة من العقود وربما تتضمن طرقًا قائمة على القواعد واكتشاف الغموض والتعلم المعزز لتوسيع قابلية تطبيق النماذج ومتانتها. علاوة على ذلك، يوصى أيضًا بإجراء تحليل مقارن لنماذج اللغات الكبيرة الأخرى مثل RoBERTa و ELECTRA و DeBERTa و LEGAL-BERT مقابل النماذج المستخدمة في هذا البحث لتقييم أداء وقابلية تطبيق نماذج اللغات الكبيرة في هذا المجال بشكل أكبر.
تم إضافة العنصر للسلة بنجاح.