<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)</PublisherName>
				<JournalTitle>پژوهشنامه پردازش و مدیریت اطلاعات</JournalTitle>
				<Issn>2251-8223</Issn>
				<Volume>41</Volume>
				<Issue>3</Issue>
				<PubDate PubStatus="epublish">
					<Year>2026</Year>
					<Month>03</Month>
					<Day>21</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Conversational Question Answering for Low-Resource Languages: A Novel Architecture Enhanced by Large Language Models</ArticleTitle>
<VernacularTitle>پرسش و پاسخ محاوره‌ای برای زبان‌های کم‌منبع: یک معماری جدیدِ تقویت‌شده با مدل‌های زبانی بزرگ</VernacularTitle>
			<FirstPage>715</FirstPage>
			<LastPage>747</LastPage>
			<ELocationID EIdType="pii">733816</ELocationID>
			
<ELocationID EIdType="doi">10.22034/jipm.2025.2072373.2101</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>آزاده</FirstName>
					<LastName>محبی</LastName>
<Affiliation>استادیار پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، تهران،</Affiliation>
<Identifier Source="ORCID">0000-0002-6443-7450</Identifier>

</Author>
<Author>
					<FirstName>صفورا</FirstName>
					<LastName>آقاداود جلفایی</LastName>
<Affiliation>پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، تهران،</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2025</Year>
					<Month>09</Month>
					<Day>22</Day>
				</PubDate>
			</History>
		    <Abstract>Conversational Question Answering (CQA) systems have evolved significantly with the advent of Large Language Models (LLMs). However, these advancements have predominantly favored high-resource languages, often overlooking low-resource ones. This paper introduces a novel LLM-enhanced framework specifically designed to bridge this linguistic gap. The proposed architecture comprises six components: &quot;Input Processing&quot; for language-specific handling, an &quot;Adaptive LLM Core,&quot; &quot;Knowledge Enhancement&quot; for cross-lingual mapping, &quot;Context Management&quot; for efficient conversation navigation, &quot;Response Generation&quot; incorporating cultural adaptation, and &quot;Human Feedback&quot; for continuous improvement. Unlike existing approaches, this framework integrates cultural and linguistic considerations throughout the entire processing pipeline. To validate the framework, a qualitative evaluation was conducted using a focus group consisting of five Natural Language Processing (NLP) experts. Expert evaluation results confirmed the proposed framework&#039;s effectiveness in addressing fundamental challenges of low-resource languages, including data scarcity, morphological complexities, and cultural nuances. Experts particularly highlighted the framework&#039;s innovative approach to &quot;integrated cultural processing,&quot; &quot;resource efficiency&quot; via optimized context management, and its &quot;modular and scalable architecture&quot; as key achievements. This research demonstrates that integrating human feedback and cultural adaptation within an efficient architecture offers a practical solution for developing Conversational Question Answering systems in low-resource languages.</Abstract>
			<OtherAbstract Language="FA">سامانه‌های پرسش و پاسخ محاوره‌ای با ظهور مدل‌های زبانی بزرگ به‌طور قابل توجهی تکامل یافته‌اند. با این حال، این پیشرفت‌ها به‌طور عمده به‌نفع زبان‌های پرمنبع بوده و زبان‌های کم‌منبع را نادیده گرفته‌اند. این مقاله چارچوب نوین تقویت‌شده با مدل‌های زبان بزرگ را معرفی می‌کند که به‌طور خاص برای پر کردن این شکاف زبانی طراحی شده است. معماری پیشنهادی دارای شش مؤلفه است: «پردازش ورودی» برای مدیریت ویژة زبان، «هسته مدل‌ زبانی بزرگ تطبیق‌پذیر»، «بهبود دانش» برای نگاشت بین زبانی، «مدیریت زمینه» برای راهبری کارآمد محاوره، «تولید پاسخ» همراه با انطباق فرهنگی، و «بازخورد انسانی» برای بهبود مستمر. این چارچوب برخلاف رویکردهای موجود، ملاحظات فرهنگی و زبانی را در سرتاسر فرایندِ پردازش لحاظ می‌کند. برای اعتبارسنجی این چارچوب از یک ارزیابی کیفی از طریق گروه متمرکز متشکل از پنج متخصص پردازش زبان طبیعی استفاده شد. نتایج ارزیابی متخصصان، اثربخشی چارچوب پیشنهادی را در پرداختن به چالش‌های اساسی زبان‌های کم‌منبع، از جمله محدودیت داده، پیچیدگی‌های صرفی، و ظرافت‌های فرهنگی تأیید کرد. متخصصان به‌طور ویژه رویکرد نوآورانه چارچوب در «پردازش فرهنگی یکپارچه»، «کارایی منابع» از طریق مدیریت بهینه زمینه، و «معماری پیمانه‌ای و مقیاس‌پذیر» را به‌عنوان دستاوردهای کلیدی برجسته ساختند.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">پرسش و پاسخ محاوره‌ای</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">درک ماشین</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">پردازش زبان طبیعی</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://jipm.irandoc.ac.ir/article_733816_7125179c510400f2879b658e81249f49.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
