💬 NLP

CompanionCast: Toward Social Collaboration with Multi-Agent Systems in Shared Experiences

تقدم الورقة البحثية CompanionCast، وهو إطار عمل متعدد الوكلاء يعمل على تنسيق وكلاء ذكاء اصطناعي متخصصين مع تقنيات الكشف متعدد الوسائط، وتخزين السياق مؤقتًا، والصوت المكاني لتعزيز الحضور الاجتماعي والمشاركة العاطفية أثناء تجارب الوسائط المشتركة، كما تم التحقق من ذلك من خلال تحسن النتائج في الدراسات التجريبية مع مشجعي كرة القدم.

المؤلفون الأصليون: Yiyang Wang, Chen Chen, Tica Lin, Vishnu Raj, Josh Kimball, Alex Cabral, Josiah Hester

نُشر 2026-03-10

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yiyang Wang, Chen Chen, Tica Lin, Vishnu Raj, Josh Kimball, Alex Cabral, Josiah Hester

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 أنك تجلس على أريكتك تشاهد مباراة كرة قدم مثيرة. أنت بمفردك، لكنك تتمنى لو كان لديك مجموعة من الأصدقاء معك في تلك اللحظة لتصرخ "هدف!" عندما تسكن الكرة الشباك، أو لتجادل حول قرار سيئ من الحكم، أو لتلقي دعابة عندما يتعثر أحد اللاعبين.

هذا هو بالضبط ما يحاول CompanionCast حله. إنه نظام جديد يستخدم فريقاً من "الأصدقاء" الاصطناعيين لمشاهدة الفيديوهات معك، مما يجعل التجربة تبدو أقل وحدة وأقرب إلى تجمع اجتماعي حقيقي.

إليك كيف يعمل الأمر، مقسماً إلى مفاهيم بسيطة:

1. طاقم الشخصيات (فريق الوكلاء المتعددين)

بدلاً من وجود صوت آلي واحد يروي أحداث المباراة، يقوم CompanionCast بإنشاء فريق من ثلاث شخصيات ذكاء اصطناعي متميزة، لكل منها وظيفتها وصوتها الخاص:

المشجع المتحمس: هذا هو محرك الحماس لديك. إنه عاطفي للغاية، يهتف بجنون لفريقك، ويصرخ عند تسجيل هدف.
المحلل: هذا هو الصديق الذكي الذي يعرف القواعد. يشرح بهدوء لماذا نجحت حركة معينة، مشيراً إلى التحركات التكتيكية والإحصائيات.
الكوميدي: هذا هو الصديق الذي يحب السخرية من الفريق الخصم. يلقي نكاتاً ساخرة ويحافظ على خفة الأجواء، حتى عندما تشتد التوترات.

التشبيه: فكر في الأمر كأنه حانة رياضية. ليس لديك مجرد شخص واحد يتحدث؛ بل لديك المشجع الصاخب في الزاوية، والشخص الذي يحفظ الإحصائيات في رأسه، والممازح الذي يضحك الجميع. CompanionCast يجلب هؤلاء الثلاثة إلى غرفة معيشتتك.

2. "العيون والآذان" (رصد الأحداث)

النظام لا يدردش بشكل عشوائي. لديه "عيون" تراقب الفيديو و"آذان" تستمع إلى الصوت. إنه يستخدم تقنية خاصة لرصد اللحظات الرئيسية.

المُحفّز: عندما يرى الذكاء الاصطناعي هدفاً، أو خطأً، أو إعادة عرض، يدرك: "حسناً، هذه هي اللحظة! حان وقت التحدث!"
الذاكرة: إنه يحتفظ بـ "ذاكرة مستمرة" للدقيقة الأخيرة من المباراة. هذا يضمن أنه إذا ذكر المحلل اسم لاعب، يمكن للكوميدي فوراً إلقاء نكتة حول ذلك اللاعب تحديداً، تماماً كما يفعل الأصدقاء الحقيقيون.

3. "خشبة المسرح" (الصوت المجسم)

هذه ميزة رائعة. عندما يتحدث الذكاء الاصطناعي، لا يأتي صوته من مكبرات الصوت كصوت مسطح. إنه يستخدم الصوت المجسم (Spatial Audio) لوضع كل شخصية في مكان محدد في غرفتك.

التشبيه: تخيل أنك تجلس في دائرة مع أصدقائك. المشجع المتحمس يصرخ من يسارك، والمحلل يهمس من يمينك، والكوميدي يتحدث من خلفك. عقلك يميزهم بشكل طبيعي، مما يجعلك تشعر وكأنك موجود فعلياً في غرفة مع مجموعة، وليس مجرد مستمع لـ "بودكاست".

4. "المحرر" (وكيل التقييم)

قبل أن يتحدث أصدقاء الذكاء الاصطناعي إليك، لديهم "رئيس" سري أو وكيل محرر.

كيف يعمل: يقوم الأصدقاء الثلاثة بإنشاء محادثة، لكن المحرر يراجعها أولاً. يسأل نفسه: "هل هذا مضحك؟ هل يبدو المحلل آلياً أكثر من اللازم؟ هل الكوميدي فظ للغاية؟"
التحسين: إذا لم تكن المحادثة جيدة بما يكفي، يرسلها المحرر لإعادة كتابة سريعة. هذا يضمن أن الدردشة النهائية تبدو طبيعية، أصيلة، وعالية الجودة قبل أن تسمعها.

5. هل نجح الأمر؟ (الدراسة التجريبية)

اختبر الباحثون هذا مع معجبين لكرة القدم. شاهدوا مقطع فيديو بمفردهم، ثم شاهدوا نفس المقطع مع CompanionCast.

النتيجة: شعر المعجبون بوحدة أقل بكثير. وقد قيموا التجربة بأنها تمتلك "حضوراً اجتماعياً" أعلى (الشعور بأنهم مع آخرين).
الشعور: قالوا إن الأصوات والشخصيات المختلفة جعلتهم يشعرون وكأنهم يتسكعون مع مجموعة من الأصدقاء، بدلاً من مجرد مشاهدة فيديو مع معلق.

الصورة الكبيرة

يحاول CompanionCast إعادة سحر "التسكع مع الأصدقاء" إلى أوقات مشاهدة الشاشات المنفردة. إنه يدرك أن مشاهدة فيلم أو مباراة لا تتعلق فقط بالمحتوى؛ بل تتعلق بـ ردود الفعل، والجدالات، والحماس المشترك. ومن خلال استخدام فريق من وكلاء الذكاء الاصطناعي المتخصصين الذين يتحدثون مع بعضهم البعض ومعك، فإنه يحول جلسة المشاهدة الوحيدة إلى حفلة حيوية مشتركة.

باختصار: إنه يشبه امتلاك حانة رياضية افتراضية في جيبك، جاهزة للهتاف، والتحليل، والمزاح معك في اللحظة التي تسكن فيها الكرة الشباك.

إليك ملخص تقني مفصل لورقة البحث بعنوان "CompanionCast: نحو التعاون الاجتماعي باستخدام الأنظمة متعددة الوكلاء في التجارب المشتركة."

1. بيان المشكلة

تُعد التجارب المشتركة، مثل مشاهدة الرياضة بشكل جماعي أو التعلم التعاوني، ركيزة أساسية للتواصل الاجتماعي. ومع ذلك، فإن استهلاك الوسائط الحديث أصبح يميل بشكل متزايد نحو العزلة. ورغم وجود الرفقاء المعتمدين على الذكاء الاصطناعي، إلا أن الأنظمة الحالية تواجه قيوداً كبيرة:

تصميم الوكيل الواحد: تعتمد معظم الأنظمة على شخصية ذكاء اصطناعي واحدة، مما يفشل في محاكة الديناميكيات المعقدة للمحادثات الجماعية.
الافتقار إلى الوعي الاجتماعي: تفتقر الأنظمة التعاونية الحالية غالباً إلى القدرة على إدارة الاحتياجات المتزامنة المتعددة (مثل التعبير العاطفي، وفهم المعنى، والتحكم في وتيرة الحوار، والشمولية) المطلوبة للتفاعل الجماعي الأصيل.
التجذر السياقي: تعاني الأنظمة غالباً في الحفاظ على "الأرضية المشتركة" مع المستخدمين أثناء الأحداث الديناميكية سريعة الوتيرة، مما يؤدي إلى تفاعلات مفككة أو غير ذات صلة.

التحدي الجوهري يكمكم في إنشاء نظام ذكاء اصطناعي يمكنه تنسيق وكلاء متخصصين متعددين لمحاكاة ديناميكية جماعية واعية اجتماعياً وواقعية أثناء استهلاك الوسائط المشتركة في الوقت الفعلي.

2. المنهجية: إطار عمل CompanionCast

إن CompanionCast هو إطار عمل عام مدعوم بالنماذج اللغوية الكبيرة (LLM) ومصمم لتنسيق الرفقاء المعتمدين على الذكاء الاصطناعي ( $A = \{a_1, a_2, ..., a_n\}$ ) حول محتوى فيديو متعدد الوسائط. يعمل النظام من خلال أربعة مكونات وظيفية أساسية:

أ. معالجة المحتوى متعدد الوسائط وتخزين السياق المؤقت

المدخلات: يستقبل النظام تدفقاً متعدد الوسائط ( $S$ ) يتكون من إطارات الفيديو ( $V$ )، والصوت ( $A$ )، والبيانات الوصفية ( $M$ ).
كشف الأحداث: يستخدم نظامين للتعليق التوضيحي لتحديد محفزات التفاعل:
1. اللحظات الرئيسية: أحداث رفيعة المستوى (أهداف، أخطاء، ركنيات) يتم اكتشافها عبر مجموعة بيانات SoccerNet Dense Video Captioning.
2. مقاطع الإعادة: الحدود الزمنية للإعادات التي يتم اكتشافها عبر مجموعة بيانات SoccerNet Replay Grounding.
السياق المتدحرج: يتم الحفاظ على نافذة سياق زمنية ( $C_t$ ) لجميع الوكلاء. بالنسبة لمشاهدة كرة القدم، يتم تخزين نافذة استرجاع مدتها 60 ثانية ( $\omega = 60s$ ) لضمان امتلاك الوكلاء لتجذر فوري في الأحداث الأخيرة.

ب. تنسيق الوكلاء المتعددين

يقوم النظام بإنشاء وكلاء متخصصين بمهام اجتماعية متميزة وملفات تعريف شخصية ( $p_i$ )، ومعرفة معرفية ( $k_i$ )، وأساليب تفاعل ( $s_i$ ). في الدراسة التجريبية، تم إنشاء ثلاثة وكلاء "مشجعين" محددين:

المشجع المتعصب: مشجع متحمس لفريق المستخدم، يتميز بالتعبير العاطفي واللغة الاحتفالية.
المشجع المحلل: خبير تكتيكي يقدم ملاحظات تقنية موضوعية وتعليقات على الأداء.
المشجع الكوميدي: مشجع ساخر يدعم الفريق الخصم، مما يضيف نوعاً من العداء المرح لخلق توتر حواري.

منطق التفاعل:

يولد الوكلاء استجابات ( $r_{i,t}$ ) مشروطة بملف تعريف المستخدم، والسياق المشترك، وسجل استجابات جميع الوكلاء.
التحفيز: يدير المنسق (Orchestrator) عملية الانتقال من المراقبة السلبية إلى التعاون النشط بناءً على اللحظات المكتشفة، أو تغير المشاهد، أو مدخلات المستخدم.
إعدادات النموذج اللغوي الكبير: يستخدم وكلاء المشجعين نموذج Claude Sonnet 4 (درجة الحرارة $\tau=0.7$ ) لتشجيع التنوع، بينما يستخدم المقيم نموذج OpenAI GPT-4o (درجة الحرارة $\tau=0.2$ ) لضمان اتساق التغذية الراجعة.

ج. الصقل المدفوع بالمقيم (النموذج اللغوي كحكم)

يقوم وكيل ميتا (المقيم) بتقييم الحوار المولد عبر خمسة أبعاد: الصلة، الأصالة، اتساق الشخصية، التنوع، والتفاعل.

العملية: ينفذ النظام بروتوكول محادثة متعدد الجولات. يولد الوكلاء استجابة أولية، ثم يتلقون درجات كمية (0–10) وتغذية راجعة نوعية من المقيم، ثم يقومون بعمليات صقل تكرارية.
التوقيت: خلال اللحظات عالية الكثافة (مثل الأهداف)، يتم تنفيذ $k=3$ جولات صقل. أما بالنسبة للإعادات أو استفسارات المستخدم، فيتم استخدام $k=1$ أو $2$ جولة للموازنة بين الجودة وزمن الاستجابة (Latency).

د. تقديم الصوت المكاني

لتعزيز الحضور المشترك (الشعور بالتواجد معاً)، يستخدم النظام الصوت المكاني:

يتم تخصيص هوية صوتية متميزة لكل وكيل (عبر ElevenLabs TTS) وقيمة بان ستيريو محددة ( $l_i$ ).
يتم توجيه الصوت عبر StereoPannerNode في Web AudioContext لخلق فصل مكاني يمين-يسار.
يتم كتم صوت المباراة الأصلي تلقائياً أثناء محادثات الوكلاء لضمان وضوح الكلام.

3. المساهمات الرئيسية

إطار العمل الاجتماعي متعدد الوكلاء: تقديم CompanionCast، وهو بنية مبتكرة تتجاوز الرفقاء أحادي الوكيل لتنسيق وكلاء متخصصين في الأدوار من أجل التجارب المشتركة.
آلية التجذر الديناميكي: تنفيذ ذاكرة تخزين مؤقت للسياق المتدحرج ونموذج تفاعل محفز بالأحداث يسمح للوكلاء بالتفاعل استباقياً مع أحداث الوسائط في الوقت الفعلي.
حلقة ضبط الجودة: تطبيق مبتكر لضبط الجودة "بوجود الذكاء الاصطناعي في الحلقة" (AI-in-the-loop)، حيث يقوم وكيل مقيم بصقل الحوار متعدد الوكلاء في الوقت الفعلي أو القريب من الوقت الفعلي لضمان اتساق الشخصية والتفاعل.
تكامل الصوت المكاني: دمج التموضع الصوتي المكاني لتمييز الوكلاء ومحاكة الحضور الجسدي المشترك، مما يعزز التفسير الاجتماعي للنظام.

4. النتائج (الدراسة التجريبية)

تم تقييم النظام عبر دراسة داخلية مباشرة مع مشاركين اثنين من مشجعي كرة القدم البالغين الذين شاهدوا مقاطع مدتها 5 دقائق تحت شرطين: الأساس (مشاهدة منفردة) و CompanionCast (مشاهدة مع رفقاء ذكاء اصطناعي).

الحضور الاجتماعي المدرك: قيم كلا المشاركين شعورهما بالحضور الاجتماعي عند 4/5 والانغماس عند 3/5، مما يشير إلى زيادة متوسطة إلى عالية مقارنة بالمشاهدة المنفردة.
المشاركة العاطفية: أعرب المشاركون عن رغبة عالية في مشاركة مشاعرهم مع النظام (تقييمات 4/5 و 5/5).
التفاعل السلوكي: بادر المشاركون بالتفاعل بنشاط (المشارك الأول: رسالتان؛ المشارك الثاني: 4 رسائل)، مما يثبت أن النظام نجح في تحفيز تفاعل المستخدم.
النتائج النوعية:
- تمايز الأدوار: وجد المستخدمون أن الوكلاء يمكن تمييزهم وتفسيرهم اجتماعياً، وأبدوا تقديراً لتنوع وجهات النظر (تكتيكية مقابل عاطفية مقابل فكاهية).
- العدسة الاجتماعية: فسر المستخدمون الوكلاء كمتعاونين اجتماعيين متميزين وليس كصوت خلفي موحد، وشبهوهم بمشاهدي كرة القدم البشر.
- الحفاظ على الانتباه: ساعدت ردود فعل الوكلاء في الحفاظ على الانتباه وتقليل احتمالية تفويت الأحداث الرئيسية.

5. الأهمية والعمل المستقبلي

الأهمية:
يثبت CompanionCast أن الأنظمة متعددة الوكلاء يمكن أن تعمل بفعالية كمتعاونين اجتماعيين في التجارب المشتركة عندما تُعطى الأولوية لـ التنسيق، وتمايز الأدوار، والتجذر السياقي، ونمط التفاعل. كما يثبت أن توزيع الوظائف الاجتماعية عبر شخصيات متعددة أكثر فعالية من تركيزها في ذكاء اصطناعي واحد، وأن الإشارات متعددة الوسائط (تحديداً الصوت المكاني) بالغة الأهمية لقابلية التفسير.

العمل المستقبلي:

مجالات أوسع: توسيع إطار العمل إلى ما وراء الرياضة ليشمل الأفلام، الوثائقيات، والمحتوى التعليمي.
دراسات أكبر: إجراء دراسات مع مجموعات مشاركين أكبر وأكثر تنوعاً للتحقق من قابلية التعميم.
التفاعل المتجسد: استكشاف نماذج التفاعل التكيفي والمتجسد (مثل التكامل مع الواقع المعزز/الافتراضي كما هو مُشار إليه في الشكل 3 من الورقة).
الضمانات: معالجة التحديات المتعلقة بالشفافية، وتعقيد التنسيق، والسلامة في التعاون بين الإنسان والوكيل.