KCLarity at SemEval-2026 Task 6: Encoder and Zero-Shot Approaches to Political Evasion Detection
تفصّل ورقة فريق KCLarity البحثية المقدمة لـ SemEval-2026 تقييمهم المقارن للنماذج القائمة على المشفر (encoder-based) والنماذج القائمة على فك التشفير ذات القدرة على التعلم من الصفر (zero-shot decoder-only) للكشف عن التهرب السياسي، حيث وجدوا أنه في حين تفوق نموذج RoBERTa-large على مجموعة الاختبار العامة، أظهر نموذج GPT-5.2 قدرة فائقة على التعميم على مجموعة التقييم المخفية.
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 تشاهد مناظرة سياسية حامية الوطيس على التلفاز. يسأل صحفي سؤالاً صعباً ومحدداً: "هل صرحتَ بالضربة العسكرية التي تمت يوم الثلاثاء؟"
يجيب السياسي: "نحن ملتزمون دائماً بسلامة قواتنا، ونعمل بجد مع حلفائنا لض ضمان السلام في المنطقة."
أنت تعرف ما فعلوه. لم يجيبوا على السؤال. لقد راوغوا. لقد تهربوا.
هذه الورقة البحثية تدور حول تعليم الحواسيب كيفية رصد تلك الرقصة. دخل الباحثون من كينجز كوليدج لندن (الفريق "KCLarity") في مسابقة تسمى Semival-2026 لبناء ذكاء اصطناائي يمكنه تلقائياً اكتشاف متى يكون السياسيون واضحين ومتى يكونون مراوغين.
إليك قصة تجربتهم، مشروحة ببساء.
1. الطريقتان لتعليم الروبوت
جرب الفريق طريقتين مختلفتين لتعليم الذكاء الاصطناعي الخاص بهم كيفية رصد التهرب. فكر في هذين الأمرين كطريقتين مختلفتين لتدريب موظف جديد:
الطريقة أ: النهج المباشر
قالوا للذكاء الاصطناعي: "انظر إلى هذه الإجابة. هل هي واضحة، أم غامضة (مبهمة)، أم عدم رد؟ فقط اختر واحداً."
هذا يشبه طلب من طالب أن يحفظ الدرجة النهائية دون إظهار خطوات الحل الخاصة به.الطريقة ب: نهج المحقق (الفائز)
قالوا للذكاء الاصطناعي: "لا تخمن الدرجة النهائية فحسب. أولاً، حدد بالضبط كيف يتهربون. هل هم "يصرفون الانتباه" (تغيير الموضوع)؟ هل هم "يتجنبون" (تجاهل السؤال)؟ هل هم "جزئيون" (إعطاء نصف إجابة)؟ بمجرد أن تفهم نوع المراوغة المحدد، يمكننا حساب الدرجة النهائية رياضياً."
هذا يشبه طلب من الطالب أن يظهر خطوات حله. وجد الفريق أن فهم الخدعة المحددة التي استخدمها السياسي ساعد الذكاء الاصطناعي على فهم الوضوح العام بشكل أفضل.
2. المتنافسون: "المشفرات" مقابل "العمالقة ذوي القدرة على التعلم الفوري"
اختبر الفريق نوعين من نماذج الذكاء الاصطناعي، والتي يمكننا اعتبارها نوعين مختلفين من الرياضيين:
الرياضيون المتخصصون (نماذج المشفر مثل RoBERTa):
هؤلاء يشبهون عدائي الماراثون الذين تدربوا خصيصاً لهذا المسار المحدد. لقد تم "ضبطهم بدقة" على آلاف الأمثلة من المقابلات السياسية. إنهم يعرفون قواعد هذه اللعبة بالتفصيل الممل.- النتيجة: على مسار التدريب (مجموعة الاختبار العامة)، كان نموذج RoBERTa-large هو العداء الأسرع. لقد كان بارعاً للغاية في رصد الخدع.
العمالقة العامون (نماذج فك التشفير ذات القدرة على التعلم الفوري مثل GPT-5.2):
هؤلاء يشبهون لاعبي العشاريين الأولمبيين الذين لم يروا هذا المسار المحدد من قبل. إنهم نماذج ضخمة وقوية (مثل GPT-5.2) يعرفون كل شيء عن العالم. لم يدربهم الفريق على هذه البيانات المحددة؛ بل أعطاهم التعليمات فقط وقال لهم: "اكتشفوا الأمر بأنفسكم". وهذا ما يسمى التعلم الفوري (Zero-Shot).- النتيجة: على مسار التدريب، كانوا أبطأ قليلاً من العدائين المتخصصين. ومع ذلك، عندما انتقلوا إلى مضمار البطولة الرسمي والسرّي (مجموعة الاختبار المخفية)، فاجأ الجميع العملاق GPT-5.2. لقد كان أكثر قدرة على التعميم، مما يعني أنه تعامل مع سياسيين وأسئلة جديدة وغير مرئية بسهولة أكبر من العدائين المتخصصين.
3. التحدي الكبير: ضباب "الغموض"
الجزء الأصعب في هذه المهمة لم يكن رصد "نعم" واضحة أو "لا" واضحة. الجزء الأصعب كان الرد الغامض (Ambivalent).
تخيل سياسياً يقول: "الأمر معقد، لكننا نبحث في الموضوع."
هل هذه إجابة واضحة؟ لا. هل هو رفض تام؟ لا. إنه منطقة رمادية وسطى ضبابية.
أظهرت البيانات أن 60% من الإجابات كانت من هذا النوع "الضبابي". عانى الذكاء الاصطناعي هنا لأن حتى الخبراء البشريين اختلفوا حول ما إذا كانت هذه الإجابات "مراوغة" أم أنها مجرد "متعددة الأوجه". إنه يشبه محاولة فرز كومة من الصخور الرمادية ووضعها في سلال "سوداء" و"بيضاء"؛ أحياناً تكون الصخور رمادية فقط، والبشر الذين يتجادلون حول السلال لا يستطيعون الاتفاق.
4. لوحة النتائج النهائية
عندما استقر الغبار وجاءت النتائج الرسمية:
- المهمة 1 (الوضوح): حدد الذكاء الاصطناعي بشكل صحيح ما إذا كانت الإجابة واضحة أو مراوغة بنسبة 74% (في الاختبار المخفي).
- المهمة 2 (نوع التهرب): كان تحديد الخدعة المحددة (مثل "صرف الانتباه" مقابل "التجنب") أصعب، حيث سجل حوالي 50%.
كان أفضل تقديم للفريق هو Zero-Shot GPT-5.2. لقد احتل المركز 22 من أصل 44 فريقاً في الوضوح، والمركز 13 من أصل 33 في التهرب. ورغم أنه لم يفز بالمركز الأول، إلا أنه أثبت أن ذكاءً اصطناعياً ضخماً ومدرباً مسبقاً يمكنه التعامل مع هذه الفروق السياسية المعقدة بشكل يقارب النموذج المدرب خصيصاً لهذا الغرض.
5. ما الذي لم ينجح؟ ("الحيل")
جرب الفريق العديد من الحيل البراقة لرفع درجاتهم، لكن معظمها كان يشبه محاولة إصلاح قارب مثقوب بشريط لاصق:
- إخفاء الأسماء: حاولوا إخفاء أسماء السياسيين (على سبيل المثال، تغيير "ترامب" إلى "[شخص]") لمعرفة ما إذا كان الذكاء الاصطناعي سيركز على الكلمات بدلاً من الشخص. لم يساعد ذلك.
- البيانات المالية: حاولوا تعليم الذكاء الاصطناعي باستخدام مكالمات أرباح الشركات (حيث يتهرب الرؤساء التنفيذيون أيضاً من الأسئلة). أدى ذلك إلى إرباك الذكاء الاصطناعي بدلاً من مساعدته.
- التشويهات المعرفية: حاولوا معرفة ما إذا كان بإمكان الذكاء الاصطناعي رصد أنماط "التفكير غير العقلاني". لم ينجح الأمر لأن المقابلات السياسية وجلسات العلاج النفسي مختلفان تماماً.
الخلاصة
تخلص الورقة البحثية إلى أن اكتشاف التهرب السياسي أمر صعب للغاية، ويرجع ذلك جزئياً إلى أن البشر أنفسهم لا يستطيعون دائماً الاتفاق على ما يعتبر "تهرباً".
ومع ذلك، أظهرت الدراسة تحولاً مثيراً للاهتمام: النماذج المتخصصة (المدربة على هذه البيانات فقط) بارعة في الأساسيات، ولكن العمالقة العامون (مثل GPT-5.2) قد يكونون أفضل في التعامل مع الفوضى الحقيقية والمعقدة لسياسيين جدد وأسئلة جديدة.
باختصار: للإمساك بسياسي يراوغ، يمكنك إما توظيف متخصص يعرف كل خدعة في الكتاب، أو سؤال شخص عام فائق الذكاء يعرف كيف يعمل العالم بأكło. في بعض الأحيان، ينتصر العامّ.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.