💬 NLP

Improving Neural Argumentative Stance Classification in Controversial Topics with Emotion-Lexicon Features

تقترح هذه الورقة نموذجاً عصبياً لتصنيف الموقف معززاً بمعجم مشاعر موسع وسياقي (eNRC) مستمد من تضمينات DistilBERT، مما يحسن الأداء بشكل كبير عبر خمس مجموعات بيانات لمواضيع مثيرة للجدل ومتنوعة مقارنة بالنماذج المرجعية، والمعجم الأصلي، والأساليب القائمة على النماذج اللغوية الكبيرة.

المؤلفون الأصليون: Mohammad Yeghaneh Abkenar, Weixing Wang, Manfred Stede, Davide Picca, Mark A. Finlayson, Panagiotis Ioannidis

نُشر 2026-02-27

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mohammad Yeghaneh Abkenar, Weixing Wang, Manfred Stede, Davide Picca, Mark A. Finlayson, Panagiotis Ioannidis

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 تسير في ساحة بلدة صاخبة حيث يصرخ الناس حول مواضيع مثيرة للجدل مثل "هل ينبغي لنا حظر الأكياس البلاستيكية؟" أو "هل تغير المناخ حقيقي؟".

بعض الناس يصرخون بكلمة "مؤيد" (داعم للفكرة)، وآخرون يصرخون بكلمة "معارض" (رافض للفكرة). مهمتك هي الوقوف في المنتصف، والاستماع إلى جملة محددة، ومعرفة الجانب الذي ينتمي إليه المتحدث فوراً. هذا ما يسميه الكمبيوتر "تصنيف الموقف" (Stance Classification).

ومع ذلك، فإن البشر لا يستخدمون المنطق فقط في الجدال؛ بل نستخدم المشاعر. نحن نشعر بالغضب، أو الأمل، أو الخوف، أو الاشمئزاز. والكمبيوتر الذي ينظر فقط إلى الكلمات المنطقية غالباً ما يصاب بالارتباك. تتحدث هذه الورقة البحثية عن تعليم الكمبيوتر "الشعور" بالجدل لكي يتمكن من تخمين الموقف بشكل أفضل.

إليك قصة كيف فعل المؤلفون ذلك، باستخدام بعض التشبيهات البسيطة.

1. المشكلة: "قاموس المشاعر" الخاص بالكمبيوتر قديم الطراز

تخيل أن الكمبيوتر لديه قاموس للكلمات العاطفية (مثل "غاضب"، "مبتهج"، "خائف"). هذا ما يسمى "معجم NRC للمشاعر" (NRC Emotion Lexicon).

لكن المشكلة تكم️ في أن هذا القاموس كُتب منذ فترة طويلة. الأمر يشبه امتلاك قاموس للمصطلحات العامية من تسعينيات القرن الماضي. إذا قال شخص معاصر: "هذه السياسة هي كابوس"، فقد لا يعرف القاموس القديم أن كلمة "كابوس" تعبر عن شعور سلبي قوي. قد يعتقد أنها مجرد كلمة تتعلق بالنوم.

ولأن القاموس يفتقر إلى هذه الكلمات الحديثة والمشحونة، فإن الكمبيوتر يفقد الإشارات العاطفية التي تكشف ما إذا كان الشخص مؤيداً أم معارضاً لموضوع ما.

2. الحل: "الموسع الذكي" (eNRC)

قرر المؤلفون إصلاح هذا القاموس. لم يكتفوا بطلب إضافة المزيد من الكلمات من البشر (لأن ذلك يستغرق وقتاً طويلاً جداً)؛ بل بنوا "موسعاً ذكياً" باستخدام أداة تسمى DistilBERT (وهي نوع من أنواع الذكاء الاصطناعي الذي يفهم كيفية ارتباط الكلمات ببعضها البعض).

تخيل القاموس الأصلي كحديقة صغيرة منظمة جيداً بها زهور محددة (مشاعر).

الطريقة القديمة: تمشي حول الحديقة وتختار يدوياً بعض الزهور الإضافية لإضافتها.
الطريقة الجديدة (eNRC): تستخدم روبوت بستاني. ينظر الروبوت إلى كل زهرة في الحديقة ويسأل: "ما هي النباتات الأخرى في العالم التي تشبه هذه الزهرة في الشكل أو الرائحة؟"
- إذا كانت الحديقة تحتوي على "الغضب"، فإن الروبوت يجد "الغيظ"، و"الاستشاطة"، وحتى المصطلحات الحديثة مثل "مستشيط غضباً" أو "كابوس" لأنها تعيش في نفس "حي" المعنى.
- ثم يضيف الروبوت هذه الكلمات الجديدة إلى الحديقة، لكنه حذر للغاية. فهو يستخدم طريقة "التجميع" (Clustering) (أي تجميع النباتات المتشابهة معاً) للتأكد من أنه لن يضع زهرة "سعيدة" بالخط الخطأ في قسم "الحزن".

النتيجة هي "قاموس خارق" (eNRC) أكبر بكثير ويفهم اللغة الحديثة بشكل أفضل بكثير.

3. التجربة: اختبار القاموس الجديد

أخذ المؤلفون هذا القاموس الخارق وعلموا نموذجاً حاسوبياً كيفية استخدامه. واختبروه في خمس "ساحات بلدة" مختلفة (مجموعات بيانات) تتراوح من التعليقات القصيرة على وسائل التواصل الاجتماعي إلى المقالات الطلابية الطويلة.

وقارنوا بين ثلاثة فرق:

فريق "بدون قاموس": حاول الكمبيوتر تخمين الموقف دون أي مساعدة عاطفية.
فريق "القاموس القديم": استخدم الكمبيوتر القاموس الأصلي القديم.
فريق "القاموس الخارق" (eNRC): استخدم الكمبيوتر القاموس الجديد الموسع.

النتائج:

فاز فريق "القاموس الخارق" في كل مرة تقريباً.
في أصعب اختبار (المقالات الطلابية)، تحسن أداؤهم بنسبة 6.2% مقارنة بالفريق الذي لم يتلقَّ أي مساعدة.
حتى الذكاء الاصطناعي الضخم والذكي جداً (نموذج لغوي كبير مثل Qwen) واجه صعوبة في تخمين الموقف بشكل صحيح بمفرده، لكن طريقة المؤلفين، التي جمعت بين الذكاء الاصطناعي القياسي وقاموس المشاعر الخاص بهم، حققت أداءً أفضل.

4. لماذا يهم هذا؟

فكر في الأمر كأنك محقق يحل جريمة.

المنطق وحده يشبه النظر في حجة المتهم (الأليبي). إنه أمر مهم، لكن الناس يكذبون.
العاطفة تشبه ملاحظة يد المتهم المرتجفة أو عرقه. إنها غالباً ما تكشف الحقيقة حتى عندما تكون الكلمات مخادعة.

من خلال منح الكمبيوتر "رادار مشاعر" أفضل، جعل المؤلفون قدرته على فهم النقاشات المثيرة للجدل أفضل بكثير. وهذا أمر بالغ الأهمية لـ:

إيقاف المعلومات المضللة: اكتشاف متى تحاول "البوتات" التلاعب بالرأي العام باستخدام الغضب العاطفي المزيف.
فهم الرأي العام: رؤية ما يشعر به الناس حقاً تجاه تغير المناخ أو السياسة، وليس فقط ما يقولون إنهم يعتقدونه.

الخلاصة

لم يبنِ المؤلفون مجرد كمبيوتر أفضل؛ بل بنوا مترجماً أفضل للمشاعر البشرية. لقد أظهروا أنه إذا كنت تريد من الكمبيوتر أن يفهم جدلاً حاداً، فلا يمكنك تعليمه المنطق فحسب؛ بل يجب عليك تعليمه فهم "اللون العاطفي" للكلمات المستخدمة. ومن خلال استخدام الذكاء الاصطناعي لتوسيع قاموسهم العاطفي، جعلوا هذا المترجم أكثر حدة ودقة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تحسين تصنيف الموقف الجدلي العصبي في المواضيع المثيرة للجدل باستخدام ميزات معجم العواطف".

1. بيان المشكلة

يتضمن تصنيف الموقف الجدلي (Argumentative Stance Classification) تحديد ما إذا كان نص الكاتب يدعم أو يعارض موضوعاً مثيراً للجدل معيناً (مثل "فصل النفايات" أو "عقوبة الإعدام"). وبينما تقدم استخراج الحجج (Argumentation Mining) تقدماً كبيراً، تواجه النهج الحالية ثلاث قيود حرجة:

إهمال العاطفة: تعتمد الحجج في المواضيع المثيرة للجدل غالباً على الاستمالات العاطفية (Pathos). ومع ذلك، يركز معظم العمل السابق على المحتوى الاستدلالي (Logos) ويفشل في دمج تحليل العواطف الدقيق بشكل منهجي.
قيود المعاجم: المعاجم العاطفية القياسية (مثل NRC) منسقة يدوياً وغالباً ما تفتقر إلى المصطلحات العاطفية الحديثة، أو المحددة بسياق معين، أو المرتبطة دلالياً، مما يؤدي إلى ضعف التغطية في المجالات المتنوعة.
مشكلات التعميم: تركز الدراسات السابقة غالباً على مجالات مفردة، أو نصوص غير جدلية، أو مجموعات بيانات محددة، مما يحد من إمكانية تطبيق النماذج على سياقات جدلية أوسع في العالم الحقيقي.

تهدف الورقة إلى معالجة هذه الفجوات من خلال دمج معجم عواطف موسع ومدرك للسياق بشكل منهجي في إطار عمل عصبي لتصنيف الموقف، لتحسين الأداء عبر مواضيع مثيرة للجدل متنوعة.

2. المنهجية

يتكون النهج المقترح من مكونين رئيسيين: تطوير معجم NRC الموسع (eNRC) ونموذج التصنيف العصبي للموقف الجدلي (NASCA).

أ. تطوير eNRC (توسيع المعجم)

يقترح المؤلفون طريقة لتوسيع معجم NRC المصحح الانحياز الحالي باستخدام التضمينات السياقية لالتقاط المصطلحات العاطفية المتشابهة دلالياً.

توليد التضمين: يتم تضمين الكلمات من معجم NRC الأصلي في فضاء ذي 768 بُعداً باستخدام نموذج DistilBERT.
التجميع وتقليل الأبعاد:
- يقوم تحليل المكونات الرئيسية (PCA) بتقليل التضمينات إلى 3 أبعاد لالتقاط التباين المهيمن.
- يقوم نموذج الخليط الغاوسي (GMM) بـثلاثة مكونات بتجميع الكلمات. يكشف هذا عن توزيع ثلاثي الأنماط، مما يحدد مناطق دلالية متميزة داخل المعجم.
التطبيع القائم على المجموعات (Cluster-Based Normalization): للتعامل مع الكثافات المتفاوتة عبر المجموعات، يتم تطبيع درجات التشابه بين الكلمات المرشحة وكلمات المعجم ضمن مجموعاتها الخاصة. هذا يمنع المجموعات عالية الكثافة من الهيمنة على عملية التوسيع.
- الصيغة: $s_{norm} = \text{clip}(\frac{s - \mu_i}{\sigma_i} + \frac{\sigma_c}{2\sigma_c}, 0, 1)$ ، حيث $\mu_i$ و $\sigma_i$ هما إحصائيات المجموعة.
التوسيع القائم على العتبة:
- يتم تعيين تسميات عاطفية للكلمات المرشحة إذا تجاوز تشابهها المطور مع كلمة في المعجم عتبة $\theta$ .
- حدد المؤلفون أن $\theta = 0.4$ هو التوازن الأمثل بين التغطية والدقة الدلالية، مما يتجنب "الانجراف الدلالي" (تعيين عواطف لكلمات غير ذات صلة) مع تعظيم المفردات.

ب. بنية نموذج NASCA

نموذج التصنيف هو إطار عصبي متكامل مصمم للنصوص الجدلية.

بناء المدخلات: يتم تنسيق المدخلات كـ [CLS] Topic: t [SEP] Argument: x [SEP]، مما يسمح للنموذج بترميز الموضوع المستهدف والفقرة الحجاجية بشكل مشترك.
المُشفر (Encoder): يقوم مُشفر BERT مدرب مسبقاً بتوليد تمثيلات سياقية. يعمل تمثيل رمز [CLS] ( $h_{CLS}$ ) كتمثيل جملة مجمع.
دمج الميزات:
- يستخرج النموذج ميزات العاطفة ( $f_{emo}$ ) من النص باستخدام eNRC (أو NRC الأساسي/noNRC).
- يتم دمج هذه الميزات مع متجه BERT [CLS]: $h_{combined} = [h_{CLS}; f_{emo}]$ .
المصنف: يمر المتجه المدمج عبر طبقتين مخفيتين (تنشيط ReLU، و10% dropout) وطبقة خطية نهائية للتصنيف الثنائي (مع/ضد).

3. المساهمات الرئيسية

معجم eNRC: إنشاء معجم عواطف موسع ومدرك للسياق باستخدام تضمينات DistilBERT والتطبيع القائم على المجموعات. يحدد هذا المعجم بشكل منهجي المصطلحات المشحونة عاطفياً التي فاتتها عملية التنسيق اليدوي.
إطار عمل مبتكر: إطار عمل عصبي لتصنيف الموقف يدمج صراحةً ميزات معجم العواطف كملحق لـ BERT، وهو مصمم خصيصاً للنصوص الجدلية القصيرة والمقالات.
تقييم شامل: تم تقييم النهج على خمس مجموعات بيانات متنوعة (AMT1, AMT2, Persuasive Essays, IBM Debater, UKP) تغطي مجالات مختلفة (خطاب الويب، مقالات الطلاب، المناظرات البرلمانية) ومواضيع متنوعة، مما يعالج فجوة التعميم في الأعمال السابقة.
إتاحة الموارد: ضمان القابلية الكاملة لإعادة الإنتاج من خلال إصدار eNRC، ومجموعات البيانات المعدلة، وكود النموذج.

4. النتائج

تم تقييم النموذج باستخدام درجات Macro F1 عبر مجموعات البيانات الخمس، مع مقارنة ثلاثة متغيرات: noNRC (الأساس)، وNRC (المعجم الأصلي)، وeNRC (المعجم الموسع).

مكاسب الأداء:
- تفوق eNRC على خط الأساس noNRC في جميع مجموعات البيانات، مع أكبر تحسن في مجموعة بيانات Persuasiva Essays (PE) (+6.2% في F1، لتصل إلى 62.9%).
- تفوق eNRC على معجم NRC الأصلي في أربع من مجموعات البيانات الخمس، بمكاسب تصل إلى +3.0% (على سبيل المثال، +2.6% في PE).
- في مجموعة بيانات UKP، حقق eNRC نسبة 68.4% F1، وهو أعلى أداء مطلق.
المقارنة مع الحالة الراهنة (SOTA):
- تجاوز نموذج eNRC نتائج الحالة الراهنة السابقة في مجموعتي بيانات IBM (65.9% مقابل 64.5%) و UKP (68.4% مقابل 63.2%).
- تفوق بشكل كبير على نموذج لغوي كبير (Qwen2.5-7B) في معظم المجموعات، مما يسلط الض الضوء على أن هندسة الميزات المتخصصة (معاجم العواطف) تظل حاسمة للمهام الجدلية حتى في عصر النماذج اللغوية الكبيرة (LLMs).
دراسات الاستئصال (Ablation Studies):
- حساسية العتبة: بلغت ذروة الأداء عند $\theta = 0.4$ . العتبات الأقل أدخلت ضوضاء؛ والعتبات الأعلى حدت من التغطية.
- ضبط BERT (Fine-tuning): أظهر نموذج eNRC أداءً قوياً حتى مع تجميد أوزان BERT، مما يشير إلى أن ميزات العاطفة توفر قوة تمييزية كافية للتعويض عن نقص ضبط المُشفر. وهذا يقلل من التكاليف الحسابية للنشر.

5. الأهمية

الربط بين العاطفة والمنطق: تثبت الدراسة تجريبياً أن التأطير العاطفي هو إشارة حاسمة، وغالباً ما يتم تجاهلها، في اكتشاف الموقف الجدلي، لا سيال في المواضيع المثيرة للجدل حيث يتداخل المنطق والعاطفة.
القابلية للتوسع والكفاءة: من خلال إثبات أن ميزات العواطف عالية الجودة يمكن أن تستقر الأداء دون الحاجة لضبط كامل للنموذج، تقدم الورقة حلاً فعالاً حسابياً لتصنيف الموقف في البيئات محدودة الموارد.
التعميم: يثبت نجاح الطريقة عبر خمس مجموعات بيانات متميزة أن المنهج ليس خاصاً بمجال معين، مما يقدم نموذجاً قوياً لأبحاث استخراج الحجج المستقبلية.
التطبيق العملي: تساعد القدرة المحسنة على اكتشاف المواقف في الأنظمة الإعلامية المستقطبة في تحديد حملات التضليل، وفهم الخطاب العام، والتمييز بين المشاعر الحقيقية والآراء المتطرفة المضخمة.