🤖 machine learning

Opinion de-polarization in social networks with GNNs

تقترح هذه الورقة خوارزمية قائمة على الشبكات العصبية الرسومية لتحديد مجموعة مثالية مكونة من K من المستخدمين الذين يمكن لتبنيهم لآراء معتدلة أن يقلل بفعالية من الاستقطاب الشبكي في هياكل غرف الصدى.

المؤلفون الأصليون: Konstantinos Mylonas, Thrasyvoulos Spyropoulos

نُشر 2026-04-22

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Konstantinos Mylonas, Thrasyvoulos Spyropoulos

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 ساحة بلدة رقمية عملاقة حيث يصرخ الجميع بآرائهم. مع مرور الوقت، انقسمت البلدة إلى حيين متميزين: "المنطقة الحمراء" و"المنطقة الزرقاء". سكان المنطقة الحمراء يتحدثون فقط مع الآخرين من المنطقة الحمراء، وكذلك الحال بالنسبة للمنطقة الزرقاء؛ فهم نادراً ما يستمعون لبعضهم البعض، وكلما زاد حديثهم، أصبحوا أكثر غضباً وتطرفاً. ما يسميه الباحثون بـ غرفة الصدى (Echo Chamber)، وهو ما يؤدي إلى مجتمع مستقطب (Polarized) للغاية.

هدف هذه الورقة البحثية هو معرفة كيفية تهدئة هذه البلدة. وتحديداً، يريد الباحثون معرفة: إذا كان بإمكاننا تغيير عقول مجموعة صغيرة فقط من الناس (لنفترض 10% من سكان البلدة) ليكونوا أكثر اعتدالاً وحيادية، فمن يجب أن نختار ليحدث الفرق الأكبر؟

إليك تفصيل حلهم، مشروحاً ببساًطة:

1. الطريقة القديمة: المحقق "القوة الغاشمة" (Brute Force)

قبل هذه الورقة، كانت هناك طريقة تسمى GreedyExt. تخيل أنك محقق يحاول حل المشكلة. لإيجاد الشخص الأفضل لتهدئته، عليك القيام بقدر هائل من العمل:

تختار شخصاً واحداً وتتظاهر بتغيير رأيه ليكون محايداً.
ثم تقوم بمحاكاة كيفية رد فعل البلدة بأكملها تجاه هذا التغيير.
تحسب ما إذا كانت البلدة قد أصبحت أكثر هدوءاً.
ثم تعيد ضبط البلدة، وتختار شخصاً آخر، وتقوم بنفس عملية المحاكاة مرة أخرى.
تكرر ذلك مع كل شخص في البلدة لتجد الشخص الذي يساعد أكثر من غيره.

المشكلة: هذا يشبه محاولة العثور على أفضل مفتاح لفتح قفل عبر تجربة كل مفتاح في ميدالية مفاتيح ضخمة، واحداً تلو الآخر. الطريقة تعمل، لكنها تستغرق وقتاً طويلاً جداً. إذا كانت البلدة تضم 5,000 شخص، فعليك تشغيل هذه المحاكاة آلاف المرات. أما بالنسبة لمدينة ضخمة (مثل شبكة اجتماعية حقيقية تضم ملايين المستخدمين)، فإن هذه الطريقة قد تستغرق سنوات لتنتهي.

2. الط الطريقة الجديدة: المدرب الذكي (AI Coach)

أدرك المؤلفان، كونستانتينوس وثراسيوفولوس، أنه بدلاً من اختبار كل شخص على حدى، يمكننا تعليم شبكة عصبية رسومية (Graph Neural Network - GNN) — وهي أساساً مدرب ذكي للغاية — كيف تنظر إلى البلدة وتضع تخميناً سريعاً.

فكر في الـ GNN كمدرب خبير شاهد آلاف المباريات. بدلاً من تشغيل محاكاة لكل لاعب، ينظر المدرب إلى موقع اللاعب، وجيرانه، وتاريخه، ويقول فوراً: "إذا استبدلنا هذا اللاعب بآخر هادئ، فسيتحسن أداء الفريق بمقدار 20 نقطة".

كيف دربوا المدرب:
بما أنهم لم يتمكنوا من العث de بيانات واقعية ذات "درجات رأي" مثالية، فقد بنوا بلدات وهمية (رسوم بيانية اصطناعية) داخل الكمبيوتر. صنعوا حيين غاضبين، وتركوهما يتصارعان، ثم علموا الذكاء الاصطناعي: "عندما ترى شخصاً بهذا الشكل، فإن تغيير رأيه ليكون محايداً يقلل الغضب بمقدار كذا".

3. النتيجة: سريعة ودقيقة

بمجرد تدريب المدرب، يمكنه النظر إلى شبكة اجتماعية حقيقية واختيار أفضل الأشخاص لتهدئتهم فوراً.

الدقة: يختار الذكاء الاصطناعي تقريباً نفس الأشخاص الذين كان سيختارهم محقق "القوة الغاشمة". إنه بنفس الكفاءة في تهدئة البلدة.
السرعة: هذا هو الجزء السحري. لأن الذكاء الاصطناعي لا يحتاج إلى تشغيل محاكاة لكل شخص، فهو أسرع بـ 16 مرة في الشبكات متوسطة الحجم. أما في الشبكات الضخمة، فستكون فجوة السرعة أكثر دراماتيكية.

التشبيه: رجل الإطفاء

تخيل حريق غابة (الاستقطاب) ينتشر في غابة (الشبكة الاجتماعية).

الطريقة القديمة (GreedyExt): ترسل رجل إطفاء إلى كل شجرة، وتتحقق مما إذا كان إخماد تلك الشجرة تحديداً سيوقف الحريق، ثم تنتقل إلى الشجرة التالية. تفعل ذلك حتى تجد أفضل شجرة لإنقاذها. هي طريقة دقيقة، لكنك ستكون قد فارقت الحياة قبل أن تنتهي.
الطريقة الجديدة (GNN-GreedyExt): لديك طائرة بدون طيار (درون) مزودة بكاميرا حرارية (الذكاء الاصطناعي). تطير فوق الغابة، وتنظر إلى الرياح، وجفاف الأشجار، وتخطيط الأرض، وتشير فوراً إلى الشجرة الواحدة التي إذا تم إنقاذها، ستوقف انتشار الحريق. إنها تقريباً بنفس دقة فحص كل شجرة، لكنها تحدث في ثوانٍ.

لماذا يهم هذا الأمر؟

غالباً ما تدفعنا خوارزميات وسائل التواصل الاجتماعي نحو الآراء المتطرفة لأن ذلك يبقينا متفاعلين. تقدم هذه الورقة أداة لمصممي المنصات أو صناع السياسات. فبدلاً من محاولة تغيير عقول الجميع (وهو أمر مستحيل)، يمكنهم استخدام هذا الذكاء الاصطناعي لتحديد المؤثرين الرئيسيين القلائل الذين، إذا تم توجيههم نحو الوسط، يمكنهم تهدئة التوتر في الشبكة بأكملها.

باخت عملية: لقد استبدلوا عملية حسابية يدوية بطيئة ومرهقة بتوقع ذكي وسريع من الذكاء الاصطناعي، مما جعل من الممكن إصلاح الاستقطاب في الشبكات الضخمة التي كانت سابقاً أكبر من أن يتم التعامل معها.

إليك ملخص تقني مفصل لورقة البحث بعنوان "إزالة الاستقطاب في الآراء داخل الشبكات الاجتماعية باستخدام الشبكات العصبية الرسومية (GNNs)" من إعداد ميلوناس وسبيروبولوس.

1. تعريف المشكلة: مشكلة ModerateExpressed

تتناول الورقة تحدي تقليل الاستقطاب في الشبكات الاجتماعية، وتحديداً في سياق "غرف الصدى" (echo chambers) حيث يتواصل المستخدمون بشكل أساسي مع أفراد يشاركونهم نفس الآراء.

السياق: تؤدي خوارزميات وسائل التواصل الاجتماعي والتماثل (homophily) غالباً إلى شبكات شديدة الاستقطاب. والهدف هو تحديد مجموعة فرعية صغيرة من المستخدمين ( $K$ ) الذين، إذا تم "تعديل" آرائهم (أي تحويلها إلى موقف محايد)، سيقللون من الاستقطاب الإجمالي للشبكة بأكملها.
النموذج الرسمي: يستخدم المؤلفون نموذج ديناميكيات الرأي Friedkin-Johnsen (FJ).
- لكل عقدة $i$ رأي داخلي ( $s_i$ ) يمثل المعتقدات الراسخة والعميقة.
- لكل عقدة رأي مُعبر عنه ( $z_i$ ) يتطور بناءً على التفاعلات مع الجيران.
- يستقر النظام عند متجه توازن في الحالة المستقرة $\mathbf{z}^{eq}$ .
الهدف: تسعى مشكلة ModerateExpressed إلى إيجاد متجه ثنائي $\mathbf{x}$ (حيث يعني $x_i=0$ أن العقدة $i$ قد تم تعديل رأيها) بحيث يتم اختيار بالضبط $K$ من العقد لتقليل مؤشر الاستقطاب $\pi(\mathbf{z}^{eq}) = \frac{\|\mathbf{z}^{eq}\|_2^2}{|V|}$ .
التحدي الحسابي: هذه المشكلة هي من فئة المسائل NP-hard. الحل الأفضل حالياً، وهو GreedyExt، عبارة عن خوارزمية جشعة تكرارية. في كل خطوة من خطوات $K$ $K$ ، تقوم الخوارقة بمحاكاة تعديل كل عقدة غير مختارة، ثم تعيد حساب حالة التوازن (عن طريق حل نظام خطي)، وتختار العقدة التي تحقق أقصى تقليل للاستقطاب.
- التعقيد: يبلغ تعقيد GreedyExt حوالي $O(K \cdot n^2)$ أو $O(K \cdot n^3)$ اعتماداً على الحل المستخدم، مما يجعلها بطيئة للغاية للشبكات واسعة النطاق (مثلاً $n=5000$ ).

2. المنهجية: GNN-GreedyExt

يقترح المؤلفون GNN-GreedyExt، وهو بديل قابل للتوسع يستبدل المحاكاة التحليلية المكلفة لـ GreedyExt بشبكة عصبية رسومية (GNN) متعلمة للتقريب.

المفهوم الجوهري: بدلاً من حل النظام الخطي $\text{}(L+I)^{-1}s$ صراحة لكل عقدة مرشحة في كل خطوة، تقوم الخوارزمية بتدريب GNN للتنبؤ بـ "الربح" (القدر المفقود من الاستقطاب) المرتبط بتعديل عقدة معينة.
البنية الهيكلية:
- النموذج: شبكة تلافيف رسومية (GCN) مكونة من طبقتين متبوعة بطبقة خطية.
- المدخلات: بنية الرسم البياني وميزات العقد (الرأي الداخلي $s_i$ والرأي المتوازن $z^{eq}_i$ ).
- المخرات: درجة لكل عقدة تمثل الانخفاض المتوقع في مؤشر الاستقطاب إذا تم تعديل تلك العقدة.
- الاختيار: في كل خطوة من الخطوات الزمنية $K$ ، تقوم الخوارزمية بعملية تمرير أمامي واحدة للـ GNN لتصنيف جميع العقد، ثم تختار العقدة ذات الدرجة الأعلى، وتضيفها إلى مجموعة الحل، وتحدث حالة الرسم البياني (بعزل العقدة)، وتكرر العملية.
استراتيجية التدريب:
- نظراً لندرة مجموعات البيانات الواقعية التي تحتوي على "حقيقة أرضية" (ground truth) صريحة لمكاسب الاستقطاب، استخدم المؤلفون بيانات تدريب اصطناعية باستخدام نموذج الكتلة العشوائية المصحح للدرجة (DCSBM).
- تحاكي هذه الرسوم البيانية الاصطناعية خصائص العالم الحقيقي (توزيع درجات بقانون القوة، وغرفتين متميزتين للصدى).
- يتم تدريب النموذج بطريقة تحت الإشراف: المدخلات هي حالات الرسم البياني، والأهداف هي مكاسب الاستقطاب الدقيقة التي تم حسابها عبر طريقة GreedyExt البطيئة على البيانات الاصطناعية.

3. المساهمات الرئيسية

خوارزمية قابلة للتوسع: تقديم GNN-GreedyExt، التي تحول مشكلة تحسين قدرها $O(K \cdot n^2)$ إلى سلسلة من عمليات التمرير الأمامي الفعالة، مما يقلل وقت الاستنتاج بشكل كبير.
صياغة تحسين رسمية: تقدم الورقة صياغة رياضية دقيقة لمشكلة ModerateExpressed (المعادلة 5)، مما يوضح دالة الهدف والقيود التي كانت توصف سابقاً بشكل مفاهيمي فقط.
دقة قريبة من "الأوراكل" (Oracle): تثبت أن GNN خفيفة الوزن يمكنها تقريب قرارات "الأوراكل" الجشعة المكلفة حسابياً بدقة عالية.
التحقق التجريبي: تقييم شامل على شبكات واقعية (Political Books, LiveJournal, Twitter Wiretapping) يظهر أن نهج GNN يحقق نتائج تقليل استقطاب مطابقة تقريباً للنموذج المرجعي، مع كونه أسرع بعدة أضعاف.

4. النتائج التجريبية

قيم المؤلفون طريقتهم على ثلاث شبكات واقعية ذات أحجام متفاوتة ( $10^5$ إلى $5,000$ عقدة).

فعالية إزالة الاستقطاب:
- حققت GNN-GreedyExt منحنيات تقليل استقطاب لا تكاد تختلف عن النموذج المرجعي GreedyExt عبر جميع مجموعات البيانات.
- تفوق كلا الطريقتين بشكل كبير على الاستدلالات البسيطة مثل ExtremeExpressed (اختيار العقد الأكثر تطرفاً) والاختيار العشوائي (Random)، مما يثبت أن المشكلة تتطلب اختياراً استراتيجياً يعتمد على طوبولوجيا الشبكة، وليس فقط على شدة الرأي.
أداء وقت التشغيل:
- LiveJournal (2,766 عقدة): كانت GNN-GreedyExt أسرع بنحو 9.6 ضعفاً (31 ثانية مقابل 297 ثانية).
- WireTaping (5,000 عقدة): كانت GNN-GreedyExt أسرع بنحو 16.7 ضعفاً (154 ثانية مقابل 2,571 ثانية).
- القابلية للتوسع: مع زيادة حجم الرسم البياني، تتسع الفجوة الزمنية بشكل كبير. بينما ينمو وقت GreedyExt تربيعياً أو تكعيبياً مع $n$ ، فإن GNN-GreedyExt يتوسع بشكل خطي تقريباً.

5. الأهمية والخاتمة

تعالج الورقة عقبة حرجة في تدخلات الشبكات الاجتماعية: عدم القدرة على تطبيق استراتيجيات إزالة الاستقطاب المثلى على الشبكات واسعة النطاق بسبب التكاليف الحسابية.

الأثر العملي: من خلال الاستفادة من الشبكات العصبية الرسومية (GNNs)، مكن المؤلفون من تطبيق استراتيجيات التدخل المثلى على شبكات تضم عشرات الآلاف من العقد، وهو ما كان غير ممكن سابقاً.
التحول المنهجي: ينقل هذا العمل النموذج من "المحاكاة التحليلية التكرارية" إلى "التقريب المتعلم"، مما يشير إلى أن التعلم الآلي يمكن أن يحل بفعالية محل الحلول العددية المكلفة في مشكلات تحسين الشبكات المعقدة.
العمل المستقبلي: يشير المؤلفون إلى أن إثبات خاصية "النمطية الفرعية" (submodularity) للمشكلة (والتي من شأنها ضمان مثالية النهج الجشع) لا يزال سؤالاً نظرياً مفتوحاً، ويخططون للتحقيق في ذلك بشكل أكبر.

باخت summary، توفر GNN-GreedyExt حلاً فعالاً للغاية وقابلاً للتوسع ودقيقاً لتحديد المؤثرين الرئيسيين الذين يجب تعديل آرائهم لكسر غرف الصدى، مما يجعلها أداة قابلة للتطبيق لإدارة الشبكات الاجتماعية في العالم الحقيقي.