引言
大型语言模型（LLM）的发展显著提升了开放领域问答（QA）能力，但在教育、医疗、法律等封闭领域，用户不仅需要准确答案，还要求透明的推理和可解释的决策过程。神经符号（NeSy）框架虽能结合自然语言理解与符号推理，但现有方法依赖大规模模型且自然语言到形式逻辑的转换效率低下。
方法
受双系统认知理论启发，提出Text-JEPA（基于文本的联合嵌入预测架构）轻量级框架，实现自然语言到一级逻辑（NL2FOL）的高效转换：
- 系统1模拟：Text-JEPA快速生成逻辑表示
- 系统2模拟：Z3求解器执行稳健逻辑推理
为评估NL2FOL到推理的流水线，提出三项定制指标：
- 转换得分：衡量逻辑翻译质量
- 推理得分：评估下游推理准确性
- 斯皮尔曼ρ得分：综合反映逻辑转换对推理的影响
实验结果
在领域特定数据集上的实证结果表明：
- Text-JEPA以显著更低的计算开销达到与大型LLM系统相当的竞争性能
- 结构化可解释推理框架在专业领域具有构建高效可解释QA系统的潜力
结论
本研究证明了轻量级框架在逻辑转换与推理任务中的有效性，为专业领域QA系统提供了兼顾效率与可解释性的解决方案。
本文发表于2025年国际神经网络联合会议（IJCNN）神经符号AI可信度研讨会
代码与数据详见：https://arxiv.org/abs/2507.20491