تُبلغ هذه الورقة عن دراسة تجريبية تقيم صلة عدة مقاييس Retrieval-Augmented Generation (RAG). تستخدم التجربة مجموعة بيانات للإجابة على الأسئلة أنشأها معلقون بشريون من بيانات الأعمال.
- تم تقييم الاستجابات المُنشأة والنطاقات المسترجعة باستخدام مقاييس التقييم من أربع مكتبات: Ragas وDeepEval وRAGChecker وOpik.
- قورنت هذه الدرجات بالتقييمات التي قدمها مقيّمان بشريانان وكذلك بالمقاييس القياسية مثل recall.
- أجرت الدراسة تحليلاً للارتباطات بين المقاييس الآلية والتقييمات البشرية.
- يسلط المؤلفون الضوء على قيود منهجيتهم، ويقارنونها بالأدبيات الموجودة، ويقترحون مسارات للبحث المستقبلي.
هذا العمل هو ترجمة إنجليزية لورقة نُشرت أصلاً في ورشة العمل الناطقة بالفرنسية EvalLLM (Brabant، 2026).