💬 NLP

AIWizards at MULTIPRIDE: A Hierarchical Approach to Slur Reclamation Detection

تقدم هذه الورقة نهجاً هرمياً للكشف عن الألفاظ النابية المستردة في مهمة MultiPRIDE المشتركة، وذلك عبر استخدام تعليقات النماذج اللغوية الكبيرة (LLM) الخاضعة للإشراف الضعيف أولاً لاستنتاج الانتماء لمجتمع LGBTQ+ من ملفات المستخدمين وتغريداتهم، ثم دمج هذه الإشارات اللغوية الاجتماعية في نموذج قائم على BERT للتمييز بفعالية بين الإساءة والتأكيد داخل المجموعة للألفاظ النابية باللغتين الإيطالية والإسبانية.

المؤلفون الأصليون: Luca Tedeschini, Matteo Fasulo

نُشر 2026-02-16

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Luca Tedeschini, Matteo Fasulo

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

إليك شرح لورقة البحث "AIWizards at MULTIPRIDE"، مقسمة إلى مفاهيم بسيية مع تشبيهات إبداعية.

🧠 المشكلة الكبرى: "الكلمة" التي تحمل معنيين

تخيل أنك تسير في حديقة وسمعت شخصًا يصرخ بكلمة معينة.

السيناريو أ: غريب يصرخ بها في وجهك بنبرة استعلاء. إنها شتيمة، أو خطاب كراهية.
السيناريو ب: مجموعة من الأصدقاء تضحك وتقولها وهم يعانقون بعضهم البعض. إنها كلمة تعبر عن المودة، وهي استعادة للهوية.

في عالم وسائل التواصل الاجتماعي، يمثل هذا صداعًا هائلاً للحواسيب. فالحاسوب يرى نفس الكلمة في كلتا الجملتين. وبدون معرفة من المتحدث أو لمن يتحدث، لا يستطيع الحاسوب التمييز بينهما. قد يقوم بحظر الأصدقاء بتهمة الإساءة، أو قد يترك الغريب يمر دون عقاب لأنه ظن أنها مجرد دعابة.

هذا هو تحدي "كشف استعادة الألفاظ النابية" (Slur Reclamation Detection). والهدف هو تعليم الذكاء الاصطناعي متى تكون "الكلمة السيئة" في الواقع "كلمة جيدة" من قبل المجتمع الذي يمتلكها.

🕵️‍♂️ الطريقة القديمة مقابل الطريقة الجديدة

الطريقة القديمة (الأساس المرجعي - Baseline):
تخيل محققًا ينظر فقط إلى نص التغريدة. يقرأ الكلمات ويحاول تخمين المعنى.

المشكلة: إذا كان النص قصيرًا، أو ساخرًا، أو مليئًا بالتهكم، يصاب المحقق بالارتباك؛ فهو يفقد السياق.

الطريقة الجديدة (نهج AIWizards):
قرر المؤلفان (لوكا وماتيو) منح المحقق زوجًا ثانيًا من العيون. أدركا أنه لفهم الكلمة، يجب أن تعرف الشخص الذي يستخدمها.

لقد بنيا فريق تحقيق مكون من مرحلتين:

المرحلة 1: "محقق الهوية" (مشفر المستخدم - User Encoder)

قبل النظر في التغريدة المحددة، ينظر هذا الجزء من الذكاء الاصطناعي إلى السيرة الذاتية (Bio) للمستخدم وتاريخه.

التشبيه: فكر في هذا الأمر كأنه فحص خلفية. إذا كانت السيرة الذاتية لشخص ما تقول "عضو فخور في مجتمع LGBTQ+" أو تستخدم ضمائر ورموزًا محددة، يتعلم الذكاء الاصطناً: "حسنًا، هذا الشخص جزء من المجتمع. إذا استخدم هذه الكلمة، فمن المرجح أنها ودودة."
الحيلة: الذكاء الاصطناعي لا يعرف على وجه اليقين ما إذا كان الشخص صادقًا أم لا. لذا، استخدموا ذكاءً اصطناعيًا فائق الذكاء (LLM) لعمل تسمية "تخمينية". هم يسمونها "التسمية الضبابية" (Fryzy Label). هي ليست حقيقة مطلقة، لكنها تلميح مفيد.

المرحلة 2: "محقق السياق" (مشفر النص - Text Encoder)

هذا الجزء ينظر حصريًا إلى التغريدة نفسها. هل النبرة غاضبة؟ هل هي حزينة؟ هل هي دعابة؟

الغراء السحري: "آلية البوابة" (Gating Mechanism)

الآن، كيف تجمع بين هذين المحققين؟ أنت لا تكتفي بجمع إجاباتهما أو حساب المتوسط. بل تستخدم مفتاحًا ذكيًا (آلية البوابة).

التشبيه: تخيل إشارة مرور يتحكم فيها كمبيوتر ذكي.
- إذا قال محقق المستخدم: "هذا الشخص بالتأكيد جزء من المجموعة"، فإن الإشارة تتحول إلى اللون الأخضر للتفسير "المستعاد/الودي".
- إذا كان محقق المستخدم غير متأكد، ولكن محقق النص يرى الكثير من الكلمات الغاضبة، فإن الإشارة تتحول إلى اللون الأحمر لتفسير "خطاب الكراهية".
- يتعلم النظام وزن "من هو الشخص" مقابل "ماذا قيل" بشكل ديناميكي لكل تغريدة على حدة.

🧪 التجربة: هل نجح الأمر؟

اختبر الفريق نظامهم على تغريدات باللغتين الإيطالية والإسبانية.

النتيجة: نظامهم الجديد المتطور المكون من جزأين أدى بأداء مماثل للنظام القياسي والأبسط (الأساس المرجعي).
المفاجأة: لم يتفوق نظامهم على النظام البسيط في الأرقام الخام. في الواقع، كان النظام البسيط جيدًا جدًا في هذه المهمة بالفعل.
النجاح الحقيقي: يجادل المؤلفون بأن الفوز ليس كل شيء.
- لقد أثبتوا أنه يمكنك إضافة بيانات "هوية المستخدم" المعقدة دون كسر النظام.
- لقد بنوا إطار عمل معياريًا (Modular Framework). فكر في الأمر كأنه مجموعة "ليغو" (Lego). حاليًا، استخدموا فقط كتلتي "المستخدم" و"النص". ولكن في المستقبل، يمكنهم بسهولة تركيب كتلة "الصورة" (إذا كانت التغريدة تحتوي على صورة) أو كتلة "شبكة الأصدقاء" (من هم أصدقاؤهم؟) دون إعادة بناء الآلة بالكامل.

🚧 العثرات (تحليل الأخطاء)

النظام ليس مثاليًا. أحيانًا يتم خداعه.

الفخ: إذا استخدمت تغريدة "كلمة سيئة" محددة جدًا، فقد يتحمس النظام كثيرًا تجاه تلميح "هوية المستخدم" لدرجة تجعله يتجاهل حقيقة أن الجملة مليئة بالكراهية فعليًا.
مثال: قد يكون لدى مستخدم سيرة ذاتية ودودة، لكنه يكتب نصًا مليئًا بالكراهية. رأى الذكاء الاصطناعي السيرة الذاتية الودودة وفكر: "أوه، إنه آمن!" وتجاهل الكراهية الموجودة في النص.

🏁 الخلاصة

هذه الورقة البحثية تشبه مخططًا لـ ذكاء اصطناعي أكثر ذكاءً وشبيهًا بالبشر.

السياق هو الملك: لا يمكنك فهم اللغة دون فهم المتحدث.
المعيارية هي المفتاح: بدلًا من بناء عقل واحد ضخم وجامد، ابنِ فريقًا من العقول المتخصصة التي تتواصل مع بعضها البعض.
الإمكانات المستقبلية: على الرغم من أن هذه النسخة المحددة لم تكسر الرقم القياسي، إلا أنها أثبتت أن المنهجية تعمل. إنها تفتح الباب أمام ذكاء اصطناعي مستقبلي لا يفهم فقط ماذا يقال، بل يفهم أيضًا من يقوله، ولمن يتحدث، ولماذا.

باختصار، بنى المؤلفون نظامًا يسأل: "من هذا؟" قبل أن يقرر ما إذا كانت الكلمة إهانة أم عناقًا. لم يفز بالسباق اليوم، لكنه أظهر للجميع كيف يمكن بناء سيارة أفضل للغد.

إليك ملخص تقني مفصل لورقة "AIWizards at MULTIPRIDE: A Hierarchical Approach to Slur Reclamation Detection" (نهج هرمي للكشف عن استرداد الألفاظ النابية).

1. تعريف المشكلة

تتناول الورقة المهمة الفرعية ب (Subtask B) من مهمة MultiPRIDE المشتركة في EVALITA 2026، والتي تركز على الكشف عن استرداد الألفاظ النابية (Slur Reclamation) في وسائل التواصل الاجتماعي.

التحدي الجوهري: تحديد ما إذا كان اللفظ النابي (تحديداً المتعلق بمجتمع LGBTQ+) يُستخدم بطريقة استردادية (داخل المجموعة، تمكينية، محايدة) أو بطريقة غير استردادية (مهينة، خطاب كراهية).
الغموض: يمكن للكلمات المتطابقة لغوياً أن تعبر عن الإساءة أو التضامن اعتماداً على هوية المتحدث، والسياق الاجتماعي، والقصد. غالباً ما تفشل النماذج التي تعتمد على النص فقط لأنها لا تستطيع استنتاج قصد المتحدث دون سياق خارج لغوي.
المدخلات: على عكس الكشف التقليدي عن خطاب الكراهية، توفر هذه المهمة سير ذاتية للمستخدمين (User Biographies) إلى جانب التغريدات، مما يسمح للنماذج بالاستفادة من السياق على مستوى المؤلف لفك الغموض.
خصائص البيانات: تظهر مجموعة البيانات اختلالاً كبيراً في الفئات (حوالي 80% غير استردادي مقابل 20% استردادي) في كل من الإيطالية والإسبانية.

2. المنهجية

يقترح المؤلفون بنية هرمية ثنائية المشفر (Hierarchical, Dual-Encoder Architecture) تعمل على تفكيك المهمة إلى مرحلتين لنمذجة العلاقة بين هوية المستخدم واستخدام اللغة بشكل صريح.

أ. الفرضية الأساسية

بُني النظام على افتراض أن أعضاء مجتمع LGBTQ+ هم إحصائياً أكثر عرضة لاستخدام بعض الألفاظ النابية بطريقة استردادية. لذلك، فإن استنتاج "الانتساب" أو إشارات الهوية للمستخدم يساعد في تصنيف قصد اللفظ النابي.

ب. النهج الهرمي ذو المرحلتين

المرحلة 1: التوصيف الضعيف للمستخدم (مهمة وسيطة)

الهدف: تدريب مشفر المستخدم (User Encoder) لتعلم التمثيلات الكامنة للهوية.
وسم البيانات: نظراً لعدم توفر تسميات هوية حقيقية، استخدم المؤلفون إشرافاً ضعيفاً بمساعدة النماذج اللغوية الكبيرة (LLM-assisted weak supervision). حيث استخدموا نموذجاً لغوياً ضخماً مضبوطاً بالتعليمات (DeepSeek-V3.2) لتوليد "تسميات وسيطة" (منتمٍ مقابل غير منتمٍ) بناءً على دمج التغريدة مع السيرة الذاتية للمستخدم.
التدريب: يتم ضبط مشفر المستخدم ليتنبأ بهذه التسميات الوسيطة، مما يجبر النموذج على تعلم الإشارات السوسيولغوية (الضمائر، الواصفات الذاتية، علامات المجتمع) دون ادعاء التحقق من السمات المحمية الفعلية.

المرحلة 2: الكشف عن استرداد الألفاظ النابية (المهمة الرئيسية)

البنية: نظام ثنائي المشفر (Dual-Encoder) مع دمج بوابي (Gated Fusion).
1. مشفر النص (Text Encoder): نموذج يشبه BERT تم ضبطه مباشرة على مهمة استرداد الألفاظ النابية (التغريدة + السيرة الذاتية).
2. مشفر المستخدم (User Encoder): النموذج المدرب في المرحلة الأولى، والذي يعالج نفس المدخل (التغريدة + السيرة الذاتية) ولكنه مُحسّن لمهمة الهوية الوسيطة.
آلية الدمج: يتم دمج الحالات المخفية النهائية لكلا المشفرين ( $h_{text}$ $h_{t e x t}$ و $h_{user}$ $h_{u ser}$ ) باستخدام آلية بوابة متعلمة:
- يتم حساب متجه البوابة $g$ عبر شبكة عصبية: $g = \sigma(W_2 \cdot \tanh(W_1 \cdot [h_{text} :: h_{user}]))$ .
- التمثيل المدمج هو: $h_{fused} = g \odot h_{text} + (1-g) \odot h_{user}$ .
- يسمح هذا للنموذج بالموازنة الديناميكية بين الاعتماد على المحتوى النصي مقابل سياق المستخدم لكل حالة بعينها.

ج. استراتيجية التدريب

الاختبار الخطي – الضبط الدقيق (Linear Probing–Fine-Tuning - LPFT): يتم تدريب طبقات الدمج والتصنيف أولاً مع تجميد المشفرات، يليه ضبط دقيق مشترك لكامل البنية.
دالة الخسارة: تم استخدام "الاعتراض المتقاطع القياسي" (Standard Cross-Entropy)، حيث لم تحقق "خسارة التركيز" (Focal Loss) تحسينات متسقة.
اللغات: تم بناء نماذج منفصلة للإيطالية والإسبانية باستخدام ركائز مدربة مسبقاً خاصة بكل لغة (SetFit للإيطالية و XLM-RoBERTa للإسبانية).

3. المساهمات الرئيسية

إطار نمذجة هرمي: يقترح بنية مبتكرة تفصل الأنماط اللغوية النصية عن الإشارات السوسيولغوية الموجهة للمستخدم، وتدمجهما عبر بوابة متعلمة.
الوساطة الضعيفة للهوية: يوضح طريقة للاستفادة من النماذج اللغوية الكبيرة لتوليد تسميات هوية "ناعمة" لتدريب مشفر المستخدم، مما يتجنب الحاجة إلى بيانات حساسة وحقيقية مع التقاط إشارات التوافق المجتمعي.
القابلية للتوسع النمطي: صُممت البنية لتكون نمطية، مما يسمح بدمج البيانات متعددة الوسائط (الصور) أو هياكل الشبكات الاجتماعية مستقبلاً دون الحاجة لإعادة تدريب النظام بالكامل.
التعامل الأخلاقي: يؤطر عملية توصيف المستخدم صراحةً كإشارة سياقية لمهام معالجة اللغات الطبيعية بدلاً من كونها أداة للتحقق من الهوية الشخصية، مما يقلل من مخاطر التنميط.

4. النتائج التجريبية

الأداء:
- الإيطالية: حقق النموذج ثنائي المشفر درجة F1 بلغت 0.88 (مقابل 0.90 للنموذج المرجعي)، مع عدم وجود فرق ذي دلالة إحصائية ( $p=0.28$ ).
- الإسبانية: حقق النموذج ثنائي المشفر درجة F1 بلغت 0.64 (مقابل 0.67 للنموذج المرجعي)، مع عدم وجود فرق ذي دلالة إحصائية ( $p=0.17$ ).
المقارنة بالنموذج المرجعي: حقق النهج المقترح أداءً مكافئاً إحصائياً لنموذج مرجعي قوي يعتمد على BERT. لم يتفوق النهج على النموذج المرجعي في المقاييس الإجمالية.
التفاوت اللغوي: وُجد فجوة كبيرة في الأداء بين الإيطالية والإسبانية. وعزا المؤلفون ذلك إلى البنى المرجعية (Baseline Architectures) (حيث استخدمت الإيطالية نموذج SetFit متخصص مدرب على خطاب الكراهية، بينما استخدمت الإسبانية نموذجاً متعدد اللغات عاماً)، وليس بسبب الاختلافات اللغوية.

5. الأهمية والمناقشة

التحقق من الإطار: رغم أن الطريقة لم ترفع الدقة فوراً، إلا أنها تثبت أن دمج سياق المستخدم عبر النمذجة الهرمية لا يؤدي إلى تدهور الأداء. وهذا أمر بالغ الأهمية في مجال غالباً ما يؤدي فيه إضافة التعقيد إلى الإفراط في التخصيص (Overfitting) أو الضجيج.
تحليل الخطأ: حدد المؤلفون أن النموذج يصنف أحياناً التغريدات العدائية الصريحة على أنها "استردادية" عند وجود ألفاظ معينة. وهذا يشير إلى أن إشارات مشفر المستخدم يمكن أن تطغى أحياناً على المؤشرات المحلية القوية للإساءة، مما يسلط الضوء على قصور في آليات الدمج الحالية.
الاتجاهات المستقبلية: تجادل الورقة بأن القيمة الحقيقية تكمن في النمطية. يمكن للعمل المستقبلي تحسين الأداء من خلال:
- تحسين آلية الدمج (مثل أهداف التباين/Contrastive Objectives).
- دمج إشارات سياقية أغنى (بيانات متعددة الوسائط، الرسوم البيانية الاجتماعية).
- تحسين عملية التسمية الوسيطة لتتماشى بشكل أفضل مع فروق الاسترداد الدقيقة.

الخاتمة

تقدم الورقة نهجاً متطوراً ونمطياً لمشكلة معقدة في معالجة اللغات الطبيعية. ورغم أنها لم تتجاوز النماذج المرجعية القوية في هذه النسخة المحددة، إلا أنها نجحت في إثبات مسار قابل للتطبيق لدمج سياق المستخدم السوسيولغوي في أنظمة الكشف عن خطاب الكراهية، مما يوفر أساساً مرناً للأبحاث المستقبلية حول اللغة المستردة.