💬 NLP

Cross-lingual Offensive Language Detection: A Systematic Review of Datasets, Transfer Approaches and Challenges

تقدم هذه الورقة أول مراجعة منهجية لتقنيات التعلم بنقل المعرفة عبر اللغات للكشف عن اللغة المسيئة في وسائل التواصل الاجتماعي، حيث تحلل 67 دراسة لتصنيف مجموعات البيانات، وتلخيص استراتيجيات النقل، وتحديد التحديات الحالية واتجاهات البحث المستقبلية.

المؤلفون الأصليون: Aiqi Jiang, Arkaitz Zubiaga

نُشر 2026-04-02

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Aiqi Jiang, Arkaitz Zubiaga

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل الإنترنت كأنه ساحة مدينة عالمية ضخمة ومزدحمة. في هذه الساحة، يتحدث الناس من كل ركن من أركان العالم، يتبادلون النكات، ويتجادلون. ولكن مثل أي مكان مزدحم، هناك أيضًا متنمرون، ومثيرو شغب (trolls)، وأشخاص ينشرون خطاب الكراهية.

المشكلة هي أن "حراس المدينة" (أنظمة الذكاء الاصطناعي المصممة للإمساك بهؤلاء المتنمرين) مدربون في الغالب على التحدث بلغة واحدة فقط: الإنجليزية. إنهم بارعون في اكتشاف تعليق فظ باللغة الإنجليزية، ولكن إذا انتقل المتنمر إلى الإسبانية أو الهندية أو العربية، فإن الحراس غالبًا ما يصابون بالارتباك ويسمحون للسلوك السيئ بالمرور.

هذه الورقة البحثية هي دليل شامل كتبه باحثان، آيكي جيانغ وأركايتز زوبياغا، لمساعدتنا في بناء حراس أفضل يمكنهم التحدث بلغات عديدة. لقد راجعوا 67 دراسة مختلفة لمعرفة أفضل الطرق لتعليم الذكاء الاصطناعي فهم اللغة المسيئة عبر الثقافات المختلفة.

إليك تفصيل لنتائجهم، باستخدام بعض التشبيهات البسيطة:

1. المشكلة الجوهرية: "حاجز اللغة"

تخيل أن لديك طباخًا ماهرًا يعرف كيف يطهو طبق "كاري" حارًا ومثاليًا (الإنجليزية). تريد تعليم متدرب جديد كيفية طهي "حساء حار" في بلد مختلف (لغة ذات موارد منخفضة مثل السواحيلية أو البنغالية)، لكن ليس لديك وصفات أو مكونات لهذا الحساء المحدد.

سأل الباحثون: كيف نأخذ معرفة الطباخ بـ "الحرارة" ونطبقها على مطبخ مختلف تمامًا دون البدء من الصفر؟

2. الطرق الثلاث لتعليم الذكاء الاصطناعي (أساليب النقل)

تصنف الورقة الحلول إلى ثلاثة "أساليب تعليمية" رئيسية، والتي يسمونها تعلم النقل (Transfer Learning). فكر في هذه الأساليب كطرق مختلفة لمساعدة المتدرب على التعلم:

نقل المثيل (طريقة "المترجم"):
- التشبيه: تأخذ الوصفة الإنجليزية، وتترجمها كلمة بكلمة إلى اللغة الجديدة، ثم تعطيها للمتدرب.
- كيف يعمل: يأخذ الذكاء الاصطناعي جملة كراهية بالإنجليزية، يترجمها إلى اللغة المستهدفة، ويقول: "حسنًا، هذه الجملة المترجمة هي أيضًا خطاب كراهية". الأمر يشبه استخدام قاموس لنسخ ولصق الملصقات.
- المزايا/العيوب: إنه سريع، ولكن إذا كانت الترجمة سيئة (أو إذا لم تُترجم نكتة بشكل جيد)، فإن الذكاء الاصطناعي يصاب بالارتباك.
نقل السمات (طريقة "المفردات المشتركة"):
- التشبيه: بدلًا من ترجمة الوصفة بأكملها، تعلم المتدرب أن "حار" و"لاذع" يعنيان الشيء نفسه في كل من الإنجليزية واللغة الجديدة. أنت تبني خريطة ذهنية مشتركة حيث تقع المفاهيم المتشابهة بجانب بعضها البعض، بغض النظر عن اللغة.
- كيف يعمل: يتعلم الذكاء الاصطناعي أن "شعور" الإهانة متشابه عبر اللغات، حتى لو اختلفت الكلمات. إنه يستخدم "التمثيلات المتجهة متعددة اللغات" (مصطلح معقد لقاموس مشترك للمعاني) لربط النقاط ببعضها.
- المزايا/العيوب: ممتاز عندما لا تتوفر ترجمات دقيقة، ولكنه قد يفتقد الفروق الثقافية الدقيقة.
نقل المعلمات (طريقة "ترقية الدماغ"):
- التشبيه: تأخذ دماغ الطباخ الماهر (نموذج الذكاء الاصطناعي المدرب مسبقًا) وتعطيه للمتدرب. المتدرب يعرف بالفعل كيف يفكر في الطعام؛ هو يحتاج فقط إلى القليل من الممارسة بالمكونات المحلية.
- كيف يعمل: هذا هو الأسلوب الأكثر شيوعًا اليوم. يستخدم الباحثون نماذج ذكاء اصطناعي ضخمة (مثل mBERT أو XLM-R) التي "قرأت" بالفعل الإنترنت بعشرات اللغات. بعد ذلك، يقومون بـ "ضبط دقيق" (fine-tuning) لهذا الدماغ باستخدام قدر ضئيل من البيانات من اللغة الجديدة.
- المزايا/العيوب: عادة ما يكون هذا الأسلوب هو الأكثر قوة، ولكنه يتطلب الكثير من القدرة الحوسبية.

3. العقبات (لماذا لا يزال الأمر صعبًا)

حتى مع هذه الأساليب الذكية، وجد الباحثون عدة "حفر" في الطريق:

"النقطة الثقافية العمياء": ما يعتبر إهانة في ثقافة ما قد يكون إطراءً في ثقافة أخرى. على سبيل المثال، وصف شخص بأنه "ثعلب" قد يكون إهانة بالإنجليزية (بمعنى ماكر) ولكنه مصطلح مودة في ثقافة أخرى. غالبًا ما يفتقد الذكال الاصطناعي هذه التفاصيل الثقافية الدقيقة.
فوضى "خلط اللغات" (Code-Mixing): غالبًا ما يخلط الناس اللغات في جملة واحدة (على سبيل المثال، "الهينجليش" هي مزيج من الهندية والإنجليزية). الأمر يشبه شخصًا يتحدث الإنجليزية وفجأة يلقي عبارة فرنسية. يصاب الذكاء الاصطناعي بالدوار وهو يحاول معرفة أي قواعد لغوية يطبق.
"صحراء البيانات": بالنسبة للعديد من اللغات، لا توجد بيانات تقريبًا للتدريب عليها. الأمر يشبه محاولة تعليم شخص القيادة في بلد لم يُبنَ فيه طريق بعد.
"فخ الترجمة": أحيانًا، تقتل الترجمة الآلية المعنى. قد تُترجم نكتة ساخرة حرفيًا فتفقد حدتها، مما يجعل الذكاء الاصطناعي يعتقد أنها غير ضارة بينما هي في الواقع سامة.

4. المستقبل: ما الخطوة التالية؟

يقترح الباحثون بعض الاتجاهات المثيرة للمستقبل:

لا تعتمد على "التعلم من الصفر" (Zero-Shot) وحده: لا يمكنك مجرد إلقاء نموذج على لغة جديدة وتوقع أن يعمل بشكل مثالي. أنت بحاجة إلى القليل من البيانات المحلية (بضع مئات من الأمثلة) لعمل "ضبط دقيق" للنظام.
استخدم "نماذج اللغات الضخمة" (LLMs): النماذج الجديدة فائقة الذكاء (مثل GPT-4) أصبحت جيدة جدًا في فهم السياق دون الحاجة إلى تدريب ضخم. قد تكون هي المفتاح لحل "النقطة الثقافية العمياء".
المساعدة البشرية: نحن بحاجة إلى المزيد من المقيّمين البشريين المتنوعين (أشخاص من تلك الثقافات المحددة) للمساعدة في تصنيف البيانات. لا يمكن للذكاء الاصطناعي فهم الفروق الثقافية الدقيقة ما لم يشرح له إنسان من تلك الثقافة.

الخلاصة

هذه الورقة هي خريطة لطريق مستقبل سلامة الإنترنت. إنها تخبرنا أنه بينما حققنا تقدمًا هائلاً في تعليم الذكاء الاصطناعي التحدث بلغات عديدة، إلا أننا لا نزال بحاجة إلى توخي الحذر بشأن الثقافة، والسياق، وجودة البيانات. لا يمكننا مجرد ترجمة القواعد؛ بل يجب أن نفهم البشر وراء الكلمات.

لقد وضع المؤلفون أيضًا "مجموعة أدوات" متاحة عبر الإنترنت، تسرد جميع مجموعات البيانات والأساليب التي وجدوها، حتى يتمكن الباحثون الآخرون من مواصلة العمل من حيث انتهوا وبناء إنترنت أكثر أمانًا وشمولية للجميع.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "الكشف عن اللغة المسيئة عبر اللغات: مراجعة منهجية للمجموعات والنهج والتحديات" لـ جيانغ وزوبياجا.

1. بيان المشكلة

يشكل انتشار اللغة المسيئة وخطاب الكراهية (HS) على منصات التواصل الاجتماعي مخاطر مجتمعية كبيرة. وبينما حققت معالجة اللغات الطبيعية (NLP) خطوات واسعة في اكتشاف مثل هذا المحتوى، فإن معظم الأبحاث تركز على الإعدادات أحادية اللغة (الإنجليزية بشكل أساسي). ومع ذلك، فإن وسائل التواصل الاجتماعي متعددة اللغات بطبيعتها.

التحدي الجوهري: يعد تطوير نماذج فعالة للكشف عن المحتوى في اللغات ذات الموارد المنخفضة (اللغات ذات البيانات المشروحة المحدودة) أمراً صعباً بسبب ندرة البيانات، والفوارق الثقافية، والتنوع اللغوي.
الحل المقترح: يوفر تعلم النقل عبر اللغات (CLTL) نهجاً واعداً من خلال الاستفادة من المعرفة من اللغات ذات الموارد العالية (المصدر) لتحسين الكشف في اللغات ذات الموارد المنخفضة (الهدف).
الفجوة: ركزت المراجعات السابقة على الكشف العام عن اللغة المسيئة أو سيناريوهات محددة أحادية اللغة. لم تكن هناك مراجعة شاملة ومنهجية مخصصة حصرياً لتقنيات CLTL في سياق الكشف عن اللغة المسيئة، ولا تصنيف موحد لاستراتيجيات النقل المستخدمة.

2. المنهجية

أجرى المؤلفون مراجعة أدبية منهجية (SLR) باتباع إطار عمل PRISMA لضمان قابلية التكرار والشفافية.

بروتوكول البحث:
- قواعد البيانات: ACL Anthology، وGoogle Scholar، وDBLP.
- الكلمات المفتاحية: 99 مزيجاً ثنائياً من مصطلحات اللغة المسيئة (مثل "hate"، "toxic"، "cyberbully") والمصطلحات عبر اللغات (مثل "cross-lingual"، "low resource"، "transfer").
- الجدول الزمني: تم إجراء البحث حتى 29 يوليو 2023.
معايير الاختيار:
- الاشتمال: الدراسات التي تصف النهج عبر اللغات للمحتوى المسيء العام أو أنواعه الفرعية (التمييز الجنسي، العنصرية) والتي تتضمن نقل المعرفة بين اللغات.
- الاستبعاد: الدراسات التي تركز على النقل عبر النطاقات/المنصات (غير اللغوي)، ودراسات الموارد المنخفضة بدون نقل، وتقار تقارير المسابقات، والرسائل الجامعية.
المجموعة النهائية: من أصل 648 سجلاً أولياً، تم اختيار 67 ورقة بحثية ذات صلة للتحليل العميق.
أبعاد التحليل: صنفت المراجعة الدراسات بناءً على:
1. مجموعات البيانات والموارد متعددة اللغات المستخدمة.
2. مستويات نقل CLTL (المثيل، الميزة، المعلمة).
3. استراتيجيات النقل المحددة (مثل Zero-shot، Joint Learning).
4. التحديات والتوجهات المستقبلية.

3. المساهمات الرئيسية

تقدم الورقة أربع مساهمات رئيسية في هذا المجال:

أ. تحليل شامل لمجموعات البيانات والموارد

مشهد مجموعات البيانات: تحليل 82 مجموعة بيانات مستخدمة في الأدبيات المراجعة.
- اللغات: تغطي 32 لغة عبر 10 عائلات لغوية. تهيمن الإنجليزية (25.95%)، تليها الهندية (9.16%) والألمانية (6.87%).
- المصادر: بشكل أساسي تويتر (47.19%)، يوتيوب، وفيسبوك.
- التوسيم (Labeling): تستخدم 76% من مجموعات البيانات تسميات ثنائية (مسيء/غير مسيء)، بينما تتضمن مجموعات أخرى فئات دقيقة، أو أهداف الهجوم، أو درجات الشدة.
- التوفر: 80% من مجموعات البيانات متاحة للجمهور.
المسابقات: تلخيص 24 مهمة مشتركة كبرى (مثل SemEval، HASOC، GermEval) التي دفعت التقدم في هذا المجال.
الموارد: فهرسة الموارد الأساسية عبر اللغات بما في ذلك المعاجم متعددة اللغات (مثل HurtLex)، والمتون المتوازية، وأدوات الترجمة الآلية، والنماذج المدربة مسبقاً.

ب. تصنيف مبتكر لنهج CLTL

يقترح المؤلفون تصنيفاً دقيقاً يعتمد على "ما يتم نقله"، حيث يصنف 67 ورقة بحثية إلى ثلاثة مستويات:

نقل المثيل (Instance Transfer): نقل عناصر البيانات (النصوص أو التسميات).
- القائم على التسمية (Label-based): إسقاط التوسيم، التوسيم الزائف.
- القائم على النص (Text-based): الترجمة الآلية (MT)، محاذاة النصوص، الترجمة العكسية.
نقل الميزة (Feature Transfer): نقل التمثيلات اللغوية.
- التوزيعية (Distributional): تضمينات الكلمات متعددة اللغات (مثل MUSE، FastText، GloVe).
- السياقية (Contextualized): تضمينات الجمل من النماذج اللغوية المدربة مسبقاً (مثل LASER، LabSE).
- الترويض (Retrofitting): حقن المعرفة بالمجال (مثل قواميس الكراهية المحددة) في التضمينات.
نقل المعلمة (Parameter Transfer): نقل أوزان/معلمات النموذج.
- النقل صفر المعالم (Zero-Shot Transfer): التدريب على المصدر فقط، والاختبار على هدف غير مرئي (على سبيل المثال، مصدر واحد $\leftarrow$ هدف واحد).
- التعلم المشترك (Joint Learning): التدريب على المصدر والهدف في آن واحد (دمج مبكر، أو على مستوى النموذج، أو دمج متأخر).
- التعلم المتسلسل (Cascade Learning): التدريب المسبق على المصدر، ثم الضبط الدقيق على الهدف (بما في ذلك التعلم قليل الأمثلة والتعلم الميتا).

ج. تحديد التحديات

تلخص المراجعة الاختناقات الحرجة:

اللغة: اللغات ذات الموارد المنخفضة، المسافة التصنيفية (على سبيل المثال، الانتقال من الإنجليزية إلى الصينية أصعب من الإنجليزية إلى الألمانية)، تداخل اللغات (Code-mixing)، والتباينات الثقافية في تعريف "الإساءة".
مجموعات البيانات: عدم اتساق تعريفات خطاب الكراهة، ندرة البيانات، عدم توازن الفئات، تحيز التوسيم، وتقادم مجموعات البيانات بسبب تطور المصطلحات العامية.
النهج: محدودية النماذج اللغوية المدربة مسبقاً متعددة اللغات (mPLMs) في اللهجات/لغات الأقليات، ضعف قابلية التفسير لنماذج "الصندوق الأسود"، وأخطاء الترجمة التي تقلل من إدراك السمية.

د. التوجهات المستقبلية

تحدد الورقة مسارات بحثية قابلة للتنفيذ:

مجموعات البيانات: الحاجة إلى مجموعات بيانات متنوعة ثقافياً، خاصة باللهجات، ومتعددة المنصات.
التوسيم: استخدام التعلم النشط والمبادئ التوجيهية السياقية ثقافياً لتقليل التحيز.
النماذج: الانتقال من النماذج اللغوية العامة (mPLMs) إلى النماذج المتخصصة في المجال (مثل XLM-T) والنماذج الخاصة بالعائلات اللغوية (مثل MuRIL، AraBERT).
النماذج اللغوية الكبيرة (LLMs): استقصاء إمكانات النماذج اللغوية الكبيرة في الكشف صفر المعالم/قليل المعالم عبر التلقين (Prompting)، مع الإقرار بتكلفتها الحسابية ونقص التخصص مقارنة بالنماذج المدربة مسبقاً (PLMs) التي خضعت للضبط الدقيق.

4. النتائج والمكتشفات

التحول في النموذج المهيمن: انتقل المجال من النهج القائم على الميزات (باستخدام التضمينات المصنوعة يدوياً) والقائم على المثيل (الاعتماد بشكل كبير على الترجمة) إلى نقل المعلمات.
أداء النماذج: تعد النماذج اللغوية المدربة مسبقاً متعددة اللغات (mPLMs) مثل mBERT و XLM-R هي الحالة الراهنة للأفضل (SOTA)، وهي تشكل غالبية الدراسات الحديثة. وتُستخدم في جميع سيناريوهات النقل الثلاثة (Zero-shot، Joint، Cascade).
فعالية النقل:
- نقل Zero-shot فعال للغات المتشابهة تصنيفياً، ولكنه يتدهور بشكل كبير للغات البعيدة.
- الضبط الدقيق (Fine-tuning) باستخدام كمية صغيرة حتى من بيانات الهدف (few-shot) يتفوق باستمرار على نهج zero-shot النقي.
- الاستراتيجيات الهجينة (مثل الجمع بين نقل المثيل للمحاذاة ونقل المعلمة للضبط الدقيق) غالباً ما تحقق أفضل النتائج.
التحيز اللغوي: الأبحاث الحالية منحازة بشدة نحو اللغات الهندوأوروبية. لا تزال اللغات الأفريقية، ولغات السكان الأصليين، واللغات الآسيوية الأصغر تمثل نقصاً في التمثيل.
قابلية التكرار: جعلت حوالي 38% فقط من الأوراق المراجعة كود المصدر الخاص بها متاحاً للجمهور، مما يعيق قابلية التكرار.

5. الأهمية

أول مراجة شاملة: هذه هي أول مراجعة تركز حصرياً على الجانب عبر اللغات للكشف عن اللغة المسيئة، مما يسد فجوة حرجة في الأدبيات.
دليل عملي: من خلال توفير تصنيف مهيكل وتلخيص 82 مجموعة بيانات و24 مسابقة، فإنها تعمل كمورد تأسيسي للباحثين الداخلين في هذا المجال.
الوعي الأخلاقي: تؤكد الورقة على الآثار الأخلاقية لـ CLTL، بما في ذلك خطر نشر التحيزات عبر اللغات، والحاجة إلى الحساسية الثقافية في التوسيم، ومخاطر الرقابة الآلية.
خارطة طريق للعمل المستقبلي: تحدد بوضوح المسار للمضي قدماً، وتدعو إلى دمج المعرفة الثقافية، وتطوير نماذج PLMs متخصصة للغات ذات الموارد المنخفضة، والاستكشاف المسؤول للنماذج اللغوية الكبيرة (LLMs).

في الختام، تثبت الورقة أن CLTL أداة قوية للتخفيف من ندرة البيانات في الكشف عن اللغة المسيئة، ومع ذلك تظل هناك تحديات كبيرة تتعماق التنوع اللغوي، واللمسات الثقافية، وقابلية تعميم النماذج. ويمثل الانتقال نحو نقل المعلمات باستخدام النماذج متعددة اللغات المتخصصة الحدود الجديدة لهذا المجال.