«دفتر کل دائمی»؛ راهکار ScholarStack برای نظارت بر تصمیمات دانشجویان

تصور کنید دانشجویی به دلیل نادانی از قوانین پیچیده، دو بورسیه هم‌زمان دریافت کند و حالا با جریمه‌های سنگین قانونی و بازپس‌گیری اجباری وجوه رو‌به‌رو شود. ScholarStack برای جلوگیری از این فاجعه، چت‌بات‌های معمولی را با یک موتور انطباق ساختاریافته جایگزین کرده است که با قوانین دولتی مانند کدهای برنامه‌نویسی غیرقابل تغییر برخورد می‌کند.

برای بیش از ۴۰ میلیون دانشجو در هند، پیمایش در قوانین بورسیه شبیه عبور از یک میدان مین قانونی است. اکثر قراردادهای کمک‌هزینه تحصیلی در دفترچه‌های دولتی چهل صفحه‌ای پنهان شده‌اند که در ده‌ها پورتال مجزا و غیرمتصل پخش شده‌اند. بورسیه‌های آموزش عالی در هند دارای میثاق‌های قانونی سخت‌گیرانه‌ای هستند که در دل گزیته‌های رسمی و منشورهای برنامه‌ها دفن شده‌اند. وزارتخانه‌های مرکزی، مدیریت‌های رفاه ایالتی و بنیادهای شرکتی، شرایط قانونی را درج می‌کنند که دانشجویان را از دریافت هم‌زمان کمک‌های مالی منع می‌کند.

وقتی دانشجویان بدون تاییدیه، چندین جایزه را می‌پذیرند، با ریسک‌های شدیدی تحت کدهای درآمد ایالتی و دستورالعمل‌های رفاه مرکزی رو‌به‌رو می‌شوند: لغو فوری تمام پرداخت‌ها، بازپس‌گیری اجباری وجوه با بهره جریمه (Penal Interest) و سیاه‌لیست شدن دائمی در دفاتر رفاه ملی و ایالتی. دانشجویان دانشگاه‌ها مکرراً پیشنهادهای شایستگی متعددی دریافت می‌کنند بدون اینکه بدانند آیا تامین مالی هم‌زمان از نظر قانونی مجاز است یا خیر.

عامل‌های سنتی هوش مصنوعی در این حوزه شکست می‌خورند چون بر اساس تکه‌های متن ساده یا صفحات HTML استخراج‌شده عمل می‌کنند. این روش‌ها اغلب ممنوعیت‌های قانونی را کمرنگ کرده یا استثنائات ساختگی می‌سازند که در محیط‌های حساس حقوقی، منجر به توهم (Hallucination) — شبیه دوستی که با اطمینان کامل خاطره‌ای اشتباه تعریف می‌کند — می‌شود.

بر اساس مستندات منتشر شده در ۳۰ سپتامبر ۲۰۲۶، ScholarStack این ریسک را با استفاده از Sanity Content Lake و پروتکل زمینه مدل (Model Context Protocol - MCP) از بین برده است. این سیستم به‌جای حدس زدن، بندهای قانونی را مستقیماً از اسناد تایید شده استخراج کرده و با قوانین رسمی، بندهای دقیق حقوقی و تاریخچه تصمیمات دانشجو به عنوان محتوای ساختاریافته برخورد می‌کند.

معماری انطباق

این سامانه برای تضمین نتایجی با توهم صفر، از سه رکن اصلی استفاده می‌کند:

• میثاق‌های عدم تداخل قانونی (Statutory Non-Stacking Covenants): مفاد قانونی که در گزیته‌ها وضع شده و دریافت هم‌زمان چندین جایزه آموزشی را ممنوع می‌کنند. هر ماده به صورت یک شیء ساختاریافته مجزا مدل شده است که شامل متن دقیق بند، ارجاع به بخش، جریمه‌ها و استثنائات شناخته شده است.
• دفتر کل وضعیت انصراف (Stateful Relinquishment Ledger): یک طرح داده‌ای دوطرفه در Sanity Content Lake (تحت نام studentDecision) که اظهارنامه‌های انصراف اداری را ثبت می‌کند. وقتی دانشجویی تضاد بین دو بورسیه را حل می‌کند، موتور یک رکورد غیرقابل تغییر با اشاره‌گرهای مرجع به طرح‌های حفظ شده و واگذار شده ثبت می‌کند. این رویکرد ثبت دقیق وقایع، یادآور استانداردهای جدید IETF برای ثبت غیرقابل‌دستکاری وقایع عامل‌های هوش مصنوعی است که امنیت داده‌های حساس را تضمین می‌کند.
• اوراکل تایید حقیقت (Ground-Truth Verification Oracle): خط لوله‌ای از ارزیابی که بندهای تایید شده گزیته و لینک‌های PDF رسمی را مستقیماً از اسناد Sanity نمایش می‌دهد و نتایج را از طریق پرس‌وجوهای مستقیم سند غنی می‌کند.

چرخه تایید چگونه کار می‌کند

وقتی دانشجویی می‌پرسد آیا می‌تواند دو بورسیه را هم‌زمان داشته باشد، سیستم این پنج مرحله را اجرا می‌کند:

۱. ارجاع متقاطع: استعلام از دفترچه‌های قوانین ذخیره شده در Sanity از طریق Context MCP.
۲. استخراج: بیرون کشیدن عین متن میثاق‌های عدم تداخل در کنار استنادات، جریمه‌ها و لینک‌های مستقیم به اسناد گزیته دولتی.
۳. پرچم تضاد: شناسایی تضادهای انطباقی با نرخ توهم صفر.
۴. بستن چرخه: در صورت وجود تضاد، دانشجو می‌تواند مستقیماً در پورتال «انصراف رسمی» (Formal Relinquishment) را اجرا کند.
۵. ثبت وضعیت: این اقدام یک رکورد ساختاریافته از تصمیم دانشجو (studentDecision) را در Sanity Content Lake ثبت می‌کند.

این نوشتن دوطرفه تضمین می‌کند که تصمیمات در آینده اثرگذار باشند. در پرس‌وجوهای بعدی، موتور ابتدا انصراف‌های فعال دانشجو را استعلام کرده، جوایز واگذار شده را حذف می‌کند و واجد شرایط بودن را به صورت پویا مجدداً ارزیابی می‌کند.

تست در سناریوهای واقعی

این موتور با ۳۶ طرح تایید شده در چهار حوزه مختلف تست شد. این مجموعه داده شامل موارد زیر است:

• طرح‌های وزارت مرکزی (۱۰ مورد): شامل بورسیه پس از ماتریک SC/ST/OBC (NSP)، PM YASASVI Pre-Matric، بورسیه‌های AICTE Pragati و Saksham، PMRF، INSPIRE (SHE)، بورسیه ملی خارج از کشور برای SC/ST، بورسیه ویژه Ishan Uday برای منطقه شمال شرقی، بورسیه ملی شایستگی-نیازمندی (NMMS) و طرح یارانه بهره بخش مرکزی (CSIS).
• مدیریت‌های رفاه ایالتی (۹ مورد): شامل استیپند پرستاری خانگی گوآ، بورسیه پس از ماتریک OBC ماهاراشترا (MahaDBT)، طرح غذا و اقامت Karnataka Vidyasiri e-PASS، SVMCM بنگال غربی، و طرح‌های ایالتی دهلی (SC/ST/OBC)، پس از ماتریک اوتار پرادش، پس از ماتریک تامیل نادو، پس از ماتریک راجستان و طرح بورسیه Aspire کرالا.
• برنامه‌های CSR شرکتی (۹ مورد): شامل Samsung Star Scholar، بورسیه مقطع کارشناسی Reliance Foundation، گرنت مطالعات پزشکی و بهداشتی Tata Trusts، بورسیه گروه Aditya Birla، بورسیه بنیاد ONGC برای دانشجویان SC/ST، بورسیه Kotak Kanya برای دختران نخبه، برنامه HDFC Bank Parivartan ECSS، بورسیه STEM Stars بنیاد Infosys و برنامه بورسیه Siemens.
• مؤسسات مستقل برتر (۸ مورد): شامل IIT Guwahati Merit-cum-Means، FTII (بورسیه دانشجویی، کمک‌هزینه رایگان و گرنت پروژه آکادمیک)، IIT بمبئی (MCM)، BITS Pilani (MCN)، CSIR-UGC JRF، کمک مالی مبتنی بر نیاز IIM احمدآباد و فلوشیپ مؤسسه IISc بنگلور.

تحلیل سناریوهای حساس

برای اعتبارسنجی، چندین سناریوی پرریسک اجرا شد:

• تله تضاد مستقیم: دانشجویی سعی کرد استیپند پرستاری گوآ و جایزه سامسونگ را هم‌زمان بگیرد. ScholarStack فوراً آن را «ممنوع» اعلام کرد و به بند ۷(b) گوآ (که کمک هم‌زمان برای یک دوره را ممنوع می‌کند) و بخش ۴.۳ سامسونگ (که تامین مالی خارجی را منع می‌کند) ارجاع داد. سیستم نقل‌قول‌های دقیق را نمایش داد و گزینه انصراف تک‌کلیکی را ارائه کرد.
• حل تضاد: پس از انصراف رسمی از جایزه گوآ، موتور از طریق @sanity/client این تغییر را در دفتر کل Sanity شناسایی کرد. این کار یک به‌روزرسانی دائمی در دفتر کل ایجاد کرد و زمینه (Context) دانشجو را تغییر داد.
• پذیرش موازی: سیستم سپس اجازه داد دانشجو بورسیه FTII را در کنار سامسونگ بپذیرد، زیرا مقررات ۴.۲ FTII اجازه دریافت جوایز مرکزی را می‌دهد، که منجر به نمایش بنر سبز «مجاز» بدون هیچ پرچم تضاد تکراری شد.
• ارزیابی معکوس: تست بین سامسونگ و بورسیه مرکزی پس از ماتریک SC/ST به عنوان «ممنوع» علامت‌گذاری شد. موتور به قانون ۵.۱(iv) بخش مرکزی ارجاع داد که بازپس‌گیری قانونی وجوه را در صورت دریافت بورسیه دیگر الزامی می‌کند و هشدارهای دوگانه بازپس‌گیری صادر کرد.

پشته فنی و جریان داده

بخش بک‌اند از Google Gemini 2.5 Flash برای استدلال استفاده می‌کند، اما مدل به‌شدت توسط Sanity Context MCP مبنی‌سازی شده است. سیستم از چهار ابزار خاص برای تعامل با Sanity Content Lake استفاده می‌کند:

۱. initial_context: فراخوانی دستورالعمل‌های طرح، ساختار مجموعه داده و ابزارهای موجود در حلقه استدلال در هنگام بوت‌های سرد (Cold Boots).
۲. groq_query: اجرای پرس‌وجوهای سبک GROQ برای استخراج سریع طرح‌های فعال، بندهای عدم تداخل و لینک‌های اسناد رسمی بدون دریافت حجم زیاد داده‌های سند.
۳. schema_explorer: بررسی ویژگی‌های مرجع بین اسناد studentDecision و دفترچه‌های قوانین scholarshipScheme.
۴. array_field_reader: پیمایش فیلدهای آرایه‌ای و Portable Text در اسناد طرح‌ها بدون بریدگی یا تورم داده‌ها.

نرده‌های ایمنی برای توهم صفر

طراحی ScholarStack به گونه‌ای است که به‌جای حدس زدن، پاسخ دادن را رد کند. در تست با بورسیه‌های Eiffel Excellence (فرانسه) و Rhodes (آکسفورد) که در پایگاه داده ایندکس شده نبودند، عامل درخواست را «خارج از محدوده» (OUT OF SCOPE) اعلام کرد. سیستم از ساختن قوانین ساختگی خودداری کرد و در عوض کاربر را به ارسال گزیته رسمی برای ایندکس کردن هدایت نمود.

این رویکرد نقش هوش مصنوعی را از یک «نویسنده خلاق» به یک «دروازه تایید» تغییر می‌دهد. با استفاده از طرح‌های ساختاریافته به‌جای جست‌وجوی برداری (Vector Search)، مرزهای قانونی دقیق باقی می‌مانند. در ScholarStack، هر بورسیه با مرزهای روشن مدل شده است، از جمله یک شیء stackingRule که موارد hasNonStackingRestriction (وجود محدودیت تداخل)، exactClauseText (متن دقیق بند)، clauseReference (مرجع بند)، consequenceOfViolation (پیامد تخلف) و allowedExceptions (استثنائات مجاز) را ردیابی می‌کند.

مقایسه: رویکرد اجماعی در برابر ScholarStack

برای درک ضرورت این معماری، پروژه یک رویکرد چت‌بات معمولی را با موتور ScholarStack مقایسه می‌کند:

• بنیاد داده: بات‌های معمولی از HTML استخراج‌شده و متن ساده استفاده می‌کنند؛ ScholarStack از طرح‌های ساختاریافته اسناد در Sanity Content Lake استفاده می‌کند.
• مبنی‌سازی قانونی: بات‌های معمولی استثنائات ساختگی می‌سازند؛ ScholarStack عین بندهای قانونی نقل شده از گزیته‌ها را ارائه می‌دهد.
• مدیریت تضاد: بات‌های معمولی قوانین متناقض را حدس می‌زنند یا ساده می‌کنند؛ ScholarStack نمایش میثاق‌ها را به صورت موازی همراه با لینک‌های PDF منبع ارائه می‌دهد.
• مدیریت وضعیت: بات‌های معمولی حافظه موقت چت دارند؛ ScholarStack از نوشتن دوطرفه در Sanity از طریق رکوردهای studentDecision استفاده می‌کند.
• دروازه تایید: بات‌های معمولی ادعاهای تایید نشده می‌کنند؛ ScholarStack لینک‌های مستقیم PDF را که توسط اوراکل حقیقت غنی شده‌اند، ارائه می‌دهد.

جزئیات پیاده‌سازی

پروژه در ساختاری ماژولار سازماندهی شده است. دایرکتوری /studio پیکربندی Sanity Studio v5 و طرح‌ها، به‌ویژه scholarshipScheme.ts و studentDecision.ts را مدیریت می‌کند. بک‌اند در /agent شامل contextMcpClient.ts و evaluator.ts برای استدلال Gemini 2.5 Flash است. پورتال وب نیز با Tailwind و DaisyUI برای یک چیدمان سازمانی طراحی شده است و دارای یک مودال «تله‌متری و اوراکل تایید» است که معیارهای عملیاتی زنده در Sanity Content Lake و ابزارهای Context MCP را فاش می‌کند.

سازماندهی کد و طرح داده

برای حفظ یکپارچگی سخت‌گیرانه داده‌ها، پروژه از سازماندهی دقیقی پیروی می‌کند:

• پیکربندی استودیو: در /studio واقع شده و شامل sanity.config.ts برای پروژه axvnim0k است. طرح scholarshipScheme.ts فیلدهایی برای title (عنوان)، authority (مرجع)، category (مرکزی، ایالتی، شرکتی یا مؤسساتی)، officialDocumentUrl (لینک سند رسمی) و شیء حیاتی stackingRule را تعریف می‌کند.
• ردیابی تصمیمات: طرح studentDecision.ts دفتر کل وضعیت‌مند را فعال می‌کند. این طرح studentId (شناسه دانشجو)، retainedScheme (طرح حفظ شده)، surrenderedScheme (طرح واگذار شده از طریق مراجع قوی)، برچسب‌های زمانی resolvedAt و resolutionStatus (وضعیت حل) را ردیابی می‌کند.
• هوش بک‌اند: دایرکتوری /agent/src شامل sanityClient.ts برای تغییرات مستقیم (Mutations) و server.ts (API اکسپرس) است که یک نقطه انتهایی تله‌متری /health/deep برای نظارت بر سلامت سیستم دارد.
• ابزارهای فرانت‌اند: دایرکتوری /web شامل app.js برای مدیریت وضعیت و خروجی پرونده‌های حسابرسی است. پوشه /scripts شامل seedCorpus.ts برای پر کردن ۳۶ طرح و verifyLiveUrls.ts برای اطمینان از فعال بودن تمام لینک‌های PDF رسمی است.

توالی منطقی جریان داده

جریان عملیاتی برای جلوگیری از توهم، توالی سخت‌گیرانه‌ای دارد:

۱. ورودی: دانشجو جوایز را (مثلاً «پرستاری گوآ + سامسونگ استار») از طریق پورتال انتخاب می‌کند.
۲. بازیابی زمینه: سرور با استفاده از groq_query از Sanity Context MCP فراخوانی می‌کند تا طرح‌های فعال و هرگونه مرجع studentDecision موجود برای آن دانشجوی خاص را دریافت کند.
۳. استدلال: Gemini 2.5 Flash پرامپتی را دریافت می‌کند که شامل دفترچه‌های قوانین قانونی صریح و تاریخچه دانشجو است. مدل دستور می‌گیرد که قوانین سخت‌گیرانه عدم تداخل را اعمال کند.
۴. غنی‌سازی: سرور پیش از ارسال پاسخ JSON به رابط کاربری، حکم نهایی را با URLهای تایید شده اسناد از Sanity غنی می‌کند.
۵. حل: اگر دانشجو تصمیم به ثبت انصراف بگیرد، سیستم از @sanity/client.create برای ثبت یک سند جدید studentDecision استفاده می‌کند که فوراً نمای دفتر کل دانشجو را بدون بارگذاری مجدد صفحه به‌روز می‌کند.

این پیاده‌سازی ثابت می‌کند که برای انطباق‌های حساس، دریاچه‌های محتوای ساختاریافته بر معماری‌های ساده‌ی تولید بازیابی‌افزا (RAG) — شبیه دانش‌آموزی که به‌جای حفظ کردن، فقط یاد می‌گیرد کلمات را از کتاب پیدا کند اما لزوماً آن‌ها را نمی‌فهمد — برتری دارند. این سیستم فرآیند درخواست بورسیه را از یک قمار به یک گردش کار اداری قابل تایید تبدیل می‌کند. برای مشاهده سیستم در عمل، می‌توانید داشبورد زنده Sanity Studio را در scholarstack-rules.sanity.studio بررسی کنید یا نقطه انتهایی عمومی پرس‌وجوی GROQ را تست کنید تا ببینید طرح‌های بورسیه چگونه ساختار یافته‌اند.

گام بعدی شما

• بررسی مستندات پروتکل MCP برای تبدیل داده‌های متنی سازمان خود به ساختارهای قابل استدلال توسط AI.
• جایگزینی جست‌وجوی برداری (Vector Search) با طرح‌های ساختاریافته در کاربردهایی که خطای صفر الزامی است.
• تست مدل Gemini 2.5 Flash در ترکیب با ابزارهای استخراج داده‌های دقیق برای کاهش نرخ توهم.

اما چالش اصلی در مقیاس‌پذیری این سیستم برای میلیون‌ها کاربر است — به تحلیل ما درباره‌ی بهینه‌سازی هزینه استنتاج در مدل‌های زبانی مراجعه کنید.