本研究解决了古兰经问答系统中现代标准阿拉伯语与经典阿拉伯语的语言差距。通过扩展数据集和微调模型，成功率从25%提升至75%，验证了数据集和模型优化的有效性。

本研究解决了针对《古兰经》的问答系统缺乏塔夫西尔和圣训问题的问题。研究引入了一个包含超过73,000个问答对的全面数据集，为宗教文本问答提供了丰富的上下文信息。发现现有的自动评估技术存在局限性，与人类评估结果存在显著差异，表明有必要开发能够捕捉理解宗教文本复杂性的评估技术。

通过神经信息检索方法研究了阿拉伯语和英语古兰经信息检索问题，通过训练和数据增强技术在MRR@10和NDCG@5指标上取得明显改善，为古兰经信息检索设立了新的技术标杆。

研究人员开发了一种《古兰经语义搜索工具》，通过在30多个数据集上训练，利用余弦相似度找到相关经文。使用SNxLM模型，实现了高达0.97的相似度得分。