Quantifying Geospatial in the Common Crawl Corpus
يستفيد هذا العمل من نموذج Gemini 1.5 لتقدير مدى انتشار المعلومات الجيومكانية في مجموعة بيانات Common Crawl، ويُقدّر أن 18.7% من وثائق الويب تحتوي على مثل هذه البيانات، مع وجود اختلافات طفيفة فقط بين اللغتين الإنجليزية وغير الإنجليزية، مما يؤسس لقاعدة للتحقيق في التحيزات الجيومكانية في النماذج اللغوية الكبيرة.
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 كمكتبة ضخمة وفوضوية تحتوي على مليارات الكتب والمقالات وصفحات الويب. تُسمى هذه المكتبة Common Crawl. إنها التراكم الهائل من النصوص الخام التي تستهلكها "الأدمغة الفائقة" (النماذج اللغوية الكبيرة أو LLMs)، مثل تلك التي تشغل برامج الدردشة الآلية، خلال "طفولتها" لتتعلم كيف تتحدث وتفكر.
مؤخرًا، اكتشف العلماء أن هذه الأدمغة الفائقة أصبحت جيدة بشكل مدهش في فهم الجغرافيا. يمكنها إخبارك بالمسافة من لندن إلى باريس أو وصف كيف تبدو مدينة ما. ومع ذلك، ظل هناك سؤال رئيسي مفتوحاً: من أين تعلمت هذا؟ هل احتوت المكتبة التي درستها بالفعل على ما يكفي من الخرائط والعناوين لتعليمها؟
هذا المقال يشبه فريقاً من أمناء المكتبات يدخلون هذه المكتبة الضخمة لعدّ عدد الصفحات التي تحتوي بالضبط على معلومات موقع جغرافي.
المهمة: عدّ الـ "أين"
أراد الباحثون معرفة: كم عدد صفحات الويب في هذه المكتبة الشاسعة التي تذكر موقعاً محدداً بالفعل؟
لقد عرّفوا "الموقع المحدد" بطريقتين بسيطتين:
- الإحداثيات: الأرقام الدقيقة (مثل خطوط الطول ودوائر العرض) التي تحدد نقطة ما على الخريطة.
- العناوين: اسم شارع، ومدينة، ورقم (مثل "شارع Main رقم 123") يمكن استخدامه لإرسال رسالة أو العثور على مبنى.
وقرروا عدم عدّ الإشارات الغامضة مثل "برج إيفل" ما لم تكن مصحوبة بعنوان، لأنهم أرادوا التأكد من أن الموقع دقيق بما يكفي ليتم العثود إليه على الخريطة.
العمل الاستقصائي: "ماسح فائق" في العمل
المكتبة كبيرة جداً بحيث لا يمكن للبشر قراءتها صفحة بصفحة. لذلك، استخدم الباحثون أداة ذكاء اصطناعي قوية تسمى Gemini 1.5 لتكون بمثابة "الماسح الفائق" الخاص بهم.
تخيل Gemini كمتدرب سريع جداً وذكي جداً. أعطى الباحثون له مجموعة من صفحات الويب العشوائية وسألوه: "مهلاً، هل تحتوي هذه الصفحة على عنوان شارع أو جملة من إحداثيات الخريطة؟ إذا كانت الإجابة نعم، فأرني مثالاً."
بما أن المكتبة شاسعة جداً، لم يتمكنوا من فحص كل صفحة. بدلاً من ذلك، استخدموا خدعة إحصائية (مثل مستطلع رأي يسأل 1000 شخص لتخمين رأي دولة بأكملها) لاختيار عينة ممثلة تبلغ حوالي 120,000 صفحة من ثلاث فترات زمنية مختلفة (2019، 2021، و2024).
الكشف الكبير
بعد أن قام الذكاء الاصطناعي بمسح الصفحات وتحقق البشر من النتائج لضمان أن الذكاء الاصطناعي لم يكن "يهلوس" (يختلق أشياء من خياله)، وجدوا بعض الأرقام المثيرة للاهتمام:
- المنجم الذهبي: حوالي 18.7% من جميع صفحات الويب في المكتبة تحتوي على نوع من نوع بيانات الموقع المحدد. وهذا يعني تقريباً صفحة واحدة من كل 5 صفحات.
- المزيج:
- بعض الصفحات كانت تحتوي فقط على عنوان (16.1%).
- بعضها كان يحتوي فقط على إحداثيات (7.0%).
- وبعضها كان يحتوي على كليهما (4.3%).
- توازن اللغة: من المثير للدهشة أنه لم تكن اللغة الإنجليزية أو غيرها من اللغات تشكل فرقاً. "كثافة الموقع" كانت متساوية تقريباً لكلا اللغتين. سواء كانت الصفحة باللغة الإسبانية أو الصينية أو الإنجليزية، فإن احتمال احتواءها على عنوان أو إحداثيات كان متساوياً تقريباً.
- تأثير "خرائط جوجل": العديد من الإحداثيات التي تم العثور عليها كانت ببساطة روابط لخرائط جوجل. وهذا يعني أنه في البلدان التي لا تُعد فيها خرائط جوجل هي التطبيق الأساسي للخرائط (مثل الصين أو روسيا)، يكون عدد روابط الإحداثيات أقل، مما قد يفسر سبب كون بعض بيانات الموقع أندر قليلاً في هذه اللغات.
ماذا يعني هذا بالنسبة لـ "الأدمغة الفائقة"
تخلص الدراسة إلى أن المكتبة التي تعلم منها الذكاء الاصطناعي مليئة بالجغرافيا. إنها ليست فارغة.
بما أن الذكاء الاصطناعي قد استهلك الكثير من الصفحات التي تحتوي على عناوين وإحداثيات، فمن المفهوم أنه تعلم فهم المساحات والاتجاهات والمسافات. ومع ذلك، لاحظ الباحثون أيضاً وجود "اختلال في الذوق" في المكتبة:
- المواقع التي تنتهي بـ .com واللغة الإنجليزية ممثلة بشكل مفرط (فهي تشكل جزءاً ضخماً من المكتبة).
- وهذا يعني أن الذكاء الاصطناعي قد يكون لديه "تحيز" نحو العالم كما تراه المواقع الناطقة بالإنجليزية والتي تتمركز حول الولايات المتحدة، وقد يفتقد إلى التفاصيل الدقيقة لأجزاء أخرى من العالم.
الخاتمة
لم يقم الباحثون بإنشاء خريطة جديدة أو تطبيق جديد. لقد أجروا ببساطة تعداداً للبيانات الخام للإنترنت. وجدوا أن الجغرافيا موجودة في كل مكان في البيانات المستخدمة لتدريب الذكاء الاصطناعي. وهذا يفسر سبب براعة الذكاء الاصطناعي في الجغرافيا، لكنه يحذرنا أيضاً من أن "رؤية" الذكاء الاصطناعي للعالم تتشكل بقوة من خلال المواقع الأكثر شيوعاً في المكتبة التي درسها.
تنتهي الدراسة باقتراح بأن هذه المجموعة الضخمة من بيانات الموقع (حوالي 46 مليار صفحة!) يمكن أن تكون "منجماً ذهبياً" للباحثين المستقبليين الذين يرغبون في تدريب الذكاء الاصطناعي خصيصاً لمهام الجغرافيا، ولكن هذه مهمة للدراسات المستقبلية، وليست لهذه الدراسة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.