การดึงข้อมูลจากแผนภูมิทางวิทยาศาสตร์เป็นงานที่ยากสำหรับ AI เนื่องจากขาดมาตรฐานของรูปแบบแผนภูมิ งานวิจัยนี้เปรียบเทียบระหว่างสองกลยุทธ์: การใช้ Semantic Prompting (เช่น Chain-of-Thought) และการใช้ Spatial Priming (การเพิ่มบริบทเชิงพื้นที่) ผลการทดลองพบว่าเทคนิคเชิงความหมายไม่ช่วยเพิ่มความแม่นยำอย่างมีนัยสำคัญ
ในทางกลับกัน วิธีการที่เรียกว่า 'Grid-based Spatial Priming' หรือการวาดเส้นตารางพิกัดทับลงบนรูปภาพก่อนให้ AI วิเคราะห์ สามารถลดความผิดพลาดในการดึงข้อมูล (SMAPE) จาก 25.5% เหลือเพียง 19.5% อย่างมีนัยสำคัญทางสถิติ งานวิจัยนี้สรุปว่าสำหรับโมเดลภาษาแบบมัลติโมดอลในปัจจุบัน การระบุบริบทเชิงพื้นที่ที่ชัดเจนมีประสิทธิภาพมากกว่าการพยายามชี้นำด้วยตรรกะทางคำพูดเพียงอย่างเดียว
