From We to Me: Theory Informed Narrative Shift with Abductive Reasoning

إليك ملخص تقني مفصل للورقة البحثية بعنوان "من نحن إلى أنا: التحول السردي القائم على النظرية عبر الاستدلال الاستنباطي (Abductive Reasoning)."

1. بيان المشكلة

تتناول الورقة تحدي التحول السردي (Narrative Shift): وهو تحويل نص ليعكس رؤية عالمية ثقافية مختلفة (تحديداً بين الفردانية والجماعية) مع الحفاظ على جوهر أحداث القصة الأصلية وأمانتها الدلالية.

• الفجوة: تواجه النماذج اللغوية الكبيرة (LLMs) صعوبة في هذه المهمة. فعند تزويدها بتعليمات "صفرية المحتوى" (Zero-shot) (مثل: "اجعل هذه القصة أكثر فردية")، غالباً ما تفشل النماذج في تحديد العلامات السردية المحددة التي تشير إلى التوجه الثقافي (على سبيل المثال، تغيير "كل الأيدي تعمل معاً" إلى "روح واحدة مصممة"). وبدلاً من ذلك، إما أنها تفشل في تحويل النص أو تنتج مخرجات غير متماسكة تفقد المعنى الأصلي للقصة.
• الهدف: تطوير نظام يغير بشكل منهجي الإطار الثقافي للسرد (على سبيل المثال، التحول من منظور يركز على المجموعة إلى منظور يركز على الفرد) دون تشويه الحبكة أو الحقائق الأساسية.

2. المنهجية: الاستدلال الاستنباطي العصبي الرمزي (Neurosymbolic Abductive Reasoning)

يقترح المؤلفون نهجاً عصبياً رمزياً يجمع بين نظرية العلوم الاجتماعية، والمنطق الاستدلالي، والتوليد باستخدام النماذج اللغوية الكبيرة. يعمل النظام في مرحلتين:

أ. الأساس النظري: التشخيص السردي

قام الفريق بتطوير مسح تشخيصي مكون من 20 بنداً يستند إلى علم النفس عبر الثقافات (هوفستيد، تريانديسس، إلخ).

• يقيم المسح السرديات عبر 40 بُعداً (20 للفردانية، و20 للجماعية).
• يقيم عناصر محددة: الصراع، الفاعلين، الأهداف، العلاقات، والتقييم الأخلاقي.
• يعمل النموذج اللغوي الكبير كـ "مشخّص"، حيث يقوم بتسجيل درجة القصة في هذه الأبعاد لتوليد ملف كمي لتوجهها السردي الحالي.

ب. الصياغة كمسألة استنباط (Abduction)

تمت صياغة التحول كمسألة استدلال استنباطي (Abductive Reasoning) ضمن إطار منطقي:

• الملاحظات (O): الحالة الراهنة للقصة، ممثلة كحقائق مشروحة (مثل: c_feat(chunk, collectivism) = 0.8).
• الفرضية (H): مجموعة من التعديلات المحتملة (تغيير أجزاء محددة لتكون لها تقييمات سمات مختلفة).
• البرنامج المنطقي (Π): قواعد مستمدة من متن التدريب (Corpus) تُعرف كيفية مساهمة أجزاء سردية معينة في التوجه السردي العام.
• الهدف: إيجاد تفسير (E) — وهو الحد الأدنى من الأجزاء (Chunks) التي يجب تعديلها — والذي، عند تحويله، يعظم التشابه مع متن السرد المستهدف (على سبيل المثال، تحويل الدرجة من 0.2 إلى 0.8) مع الحفاظ على الاتساق.

ج. البنية ذات المرحلتين

1. المرحلة الأولى: تعلم القواعد:
   • يحلل النظام متناً تدريبياً من القصص ذات التوجهات المعروفة.
   • يتعلم قواعد منطقية (على سبيل المثال: "إذا احتوت القصة على جزء يؤكد على 'المسؤولية المشتركة'، فإنه يساهم في درجة الجماعية").
   • يتم ترميز هذه القواعد كبرنامج منطقي (Π).
2. المرحلة الثانية: التحول الاستنباطي التكراري:
   • التشخيص: يشخص النظام القصة المدخلة لتحديد سماتها السردية الحالية.
   • الاستنباط: يحل النظام مسألة الاستنباط لتحديد أي الأجزاء تحديداً تحتاج إلى تعديل لتحقيق التوجه المستهدف بأقصى قدر من الإيجاز (أقل قدر من التغييرات).
   • التحول: تُرسل الأجزاء المحددة إلى نموذج لغوي كبير مع أمر (Prompt) محدد لإعادة كتابتها وفقاً للتوجه المستهدف.
   • التكرار: تتكرر هذه العملية لعدد محدد من التكرارات ($T_{max}$)، مع اختيار النسخة التي تحقق أفضل توازن بين التحول السردي والأمانة الدلالية.

3. المساهمات الرئيسية

• إطار عمل مبتكر: أول نهج يعامل التحول الثقافي السردي كـ مسألة استدلال استنباطي، متجاوزاً مجرد هندسة الأوامر (Prompt Engineering) أو الضبط الدقيق (Fine-tuning).
• قائم على النظرية: على عكس نقل الأسلوب العام، فإن هذه الطريقة تستند صراحة إلى نظرية العلوم الاجتماعية (الفردانية مقابل الجماعية)، مما يضمن أن التحولات متسقة ثقافياً وليست مجرد تغيرات أسلوبية.
• التكامل العصبي الرمزي: يربط بفعالية بين المنطق الرمزي (لتحديد ما يجب تغييره) والتوليد العصبي (لـ كيفية التغيير)، مما يمنع "الهلوسة" الشائعة في محاولات النماذج اللغوية الكبيرة ذات المحتوى الصفر (Zero-shot).
• الكفاءة: يستهدف النظام الأجزاء السردية الجوهرية فقط (Chunks)، مما يحافظ على معظم النص الأصلي.

4. النتائج التجريبية

قيم المؤلفون منهجيتهم مقابل خط أساس (Baseline) من نموذج لغوي كبير (Zero-Shot) عبر نماذج متعددة (GPT-4o, Grok-4, Llama-4, Deepseek-R1) وفي اتجاهين: من الجماعية إلى الفردية (C$\to$I) ومن الفردية إلى الجماعية (I$\to$C).

المقاييس الرئيسية:

• التحول السردي: يُقاس بالتحسن في درجة المسح التشخيصي (مدى توافق القصة الجديدة مع الثقافة المستهدفة).
• الأمانة الدلالية: تُقاس باستخدام تباعد KL (KL Divergence) (كلما قل الرقم كان أفضل؛ مما يشير إلى مدى قرب القصة المحولة من الأصلية).

النتائج:

• أداء متفوق: تفوق نهج الاستدلال الاستنباطي بشكل كبير على خط الأساس (Zero-shot).
  • التحول من الجماعية إلى الفردية (C$\to$I) (باستخدام GPT-4o): حقق تحسناً بنسبة 55.88% في التحول السردي مع الحفاظ على تشابه دلالي أفضل بنسبة 40.4% (تباعد KL أقل).
  • التحول من الفردية إلى الجماعية (I$\to$C): أظهر تحسينات مماثلة، حيث تفوق GPT-4o على خط الأساس بنسبة 15% في التحول مع الحفاظ على تشابه أكبر بنسبة 36%.
• استقلالية النموذج: حسنت الطريقة الأداء عبر كل من نماذج "الاستنتاج" (GPT-4o, Deepseek-R1) والنماذج "غير الاستنتاجية" (Llama-4, Grok-4).
• الكفاءة: عدّل النظام فقط وسيط قدره 32.11% من رموز (Tokens) القصة، مما يثبت أن الاستدلال الاستنباطي المستهدف أكثر كفاءة من إعادة كتابة النص بالكامل.
• دقة Deepseek-R1: بينما كان خط الأساس (Zero-shot) لنموذج Deepseek-R1 تنافسياً في تحولات (I$\to$C) (ربما بسبب الانحيازات المتأصلة في النموذج)، إلا أنه عانى من فقدان بنسبة 39.10% في تشابه المحتوى مقارنة بمنهج المؤلفين.

5. الأهمية

• التواصل عبر الثقافات: تتيح هذه التقنية إنشاء رسائل تتوافق مع الرؤى العالمية الثقافية المحددة، وهو أمر بالغ الأهمية للدبلوماسية، والصحافة، وتخفيف الاستقطاب السياسي.
• الاستخبارات والعمليات المعلوماتية: القدرة على تخصيص السرديات لجمهور مختلف (محلي، حليف، خصم) مع الحفاظ على الاتساق الواقعي لها تطبيقات هامة في العمليات المعلوماتية.
• تطوير استدلال النماذج اللغوية الكبيرة: تثبت الورقة أن تقييد النماذج اللغوية الكبيرة بالمنطق الصوري والنظرية المتخصصة يؤدي إلى نتائج أكثر موثوقية وتماسكاً من مجرد استخدام الأوامر (Prompting) وحده، مما يقدم مخططاً لبناء أنظمة ذكاء اصطناي "قائمة على النظرية" في المستقبل.

باختصار، تقدم الورقة إطاراً قوياً مدفوعاً بالنظرية يحل مشكلة "التحول السردي" باستخدام الاستدلال الاستنباطي لتحديد بدقة ما يجب تغييره في القصة، مما يضمن أن تكون النتيجة متميزة ثقافياً وأمينة دلالياً للأصل.