💬 NLP

POLAR:A Per-User Association Test in Embedding Space

يُعدُّ POLAR اختباراً لغوياً مبتكراً لكل مستخدم يعمل في فضاء التضمين للكشف عن التحيزات على مستوى المؤلف والتحولات السلوكية، مما يميز بفعالية بين الحسابات الآلية المدفوعة بالنماذج اللغوية الكبيرة والحسابات العضوية، ويقيس مدى الانحياز المتطرف في المجتمعات عبر الإنترنت.

المؤلفون الأصليون: Pedro Bento, Arthur Buzelin, Arthur Chagas, Yan Aquino, Victoria Estanislau, Samira Malaquias, Pedro Robles Dutenhefner, Gisele L. Pappa, Virgilio Almeida, Wagner MeiraJr

نُشر 2026-03-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Pedro Bento, Arthur Buzelin, Arthur Chagas, Yan Aquino, Victoria Estanislau, Samira Malaquias, Pedro Robles Dutenhefner, Gisele L. Pappa, Virgilio Almeida, Wagner MeiraJr

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 في حفلة صاخبة وضخمة تضم آلاف الأشخاص يتجاذبون أطراف الحديث. بعضهم بشر حقيقيون، وبعضهم روبوتات متطورة، والبعض الآخر أشخاص لديهم آراء قوية ومحددة للغاية.

تقليديًا، إذا أردت فهم "جو" هذه الحفلة، فستقوم بإحضار ميكروفون، وتسجيل أصوات الجميع، ثم خلطها جميعًا في "عصير" واحد ضخم لتتذوقه. قد تقول حينها: "هذا العصير طعمه آلي قليلاً"، أو "فيه لمحة من الغضب". لكنك ستفقد النكهات الفردية؛ لن تستطيع معرفة من الذي كان يبدو آليًا، أو أي شخص تحديدًا كان يزداد غضبًا بمرور الوقت.

أداة POLAR هي أداة جديدة تغير قواعد اللعبة. فبدلاً من خلط الجميع في عصير واحد، تمنح كل ضيف بطاقة تعريف (ID) غير مرئية وشخصية تلتقط "بصمتهم اللغوية" الفريدة.

إليك كيف تعمل، مقسمة إلى خطوات بسيطة:

1. بطاقة التعريف غير المرئية (الـ "User Token")

تخيل أن كل شخص في الحفلة يحصل على بطاقة اسم سرية وغير قابلة للتغيير (مثل usr3af12b9cde) لا يراها إلا الكمبيوتر.

يعلم الباحثون كمبيوتراً ذكياً (نموذج لغة) أن ينتبه بشكل خاص لبطاقات الأسماء هذه.
بينما يقرأ الكمبيوتر ما يكتبه الشخص، يتعلم تلخيص شخصيته بالكامل، وأسلوبه في الكتابة، وعاداته في نقطة رياضية واحدة مدمجة داخل فضاء ثلاثي الأبعاد ضخم.
فكر في هذه النقطة كأنها "إحداثيات GPS" لعقل ذلك الشخص.

2. البوصلة الدلالية (الـ "Axes")

الآن، تخيل أننا نرسم خطوطاً غير مرئية (محاور) عبر هذا الفضاء ثلاثي الأبعاد لقياس أشياء محددة.

المحور (أ): "روبوت مقابل إنسان" (هل يبدو هذا الشخص كذكاء اصطناعي أم كإنسان حقيقي؟)
المحور (ب): "مهذب مقابل فظ"
المحور (ج): "حقوق المهاجرين مقابل الحدود الصارمة"

هذه الخطوط مكونة من قوائم كلمات. على سبيل المثال، الجانب "الفظ" قد يحتوي على كلمات مثل الشتائم أو الإهانات، بينما الجانب "المهذب" قد يحتوي على كلمات مثل "من فضلك" و"شكراً لك".

3. الإسقاط (الـ "Test")

تأخذ أداة POLAR إحداثيات الـ GPS الخاصة بالشخص (متجه المستخدم الخاص به) وتقوم بإسقاط "ظل" على خطوط هذه البوصلة.

النتيجة: تخبرك بالضبط أين يقع هذا الشخص على الخط.
- هل يقع قليلاً باتجاه "الفظاظة"؟
- هل يبتعد كثيراً باتجاه جانب "الروبوت"؟
والأهم من ذلك، أنها لا تكتفي بالتخمين؛ بل تجري اختبار "عملة معدنية" إحصائياً آلاف المرات للتأكد من أن النتيجة ليست مجرد ضربة حظ. إنها تعطيك درجة مع نسبة ثقة.

لماذا يعد هذا أمراً هاماً؟ (لحظات الـ "Aha!")

اختبر الباحثون هذه الأداة في سيناريوهين مختلفين تماماً:

السيناريو (أ): حفلة الروبوتات (تويتر/X)
استخدم الباحثون POLAR على مزيج من البشر الحقيقيين والبرمجيات الآلية (Bots).

الطريقة القديمة: كان عليك تدريب مصنف معقد لتخمين من هو الروبوت.
طريقة POLAR: نظرت الأداة إلى خط "الروبوت مقابل الإنسان" ورأت فوراً أن الروبوتات كانت متجمعة بكثافة في جانب واحد، بينما البشر في جانب آخر. لم تكن بحاجة لإخبارها من هو مَن؛ فقد أظهرت الرياضيات الفرق بوضوح. كان الأمر يشبه رؤية مجموعة من الناس يرتدون أقنعة لامعة ومتطابقة مقابل أشخاص بوجوه فريدة.

السيناريو (ب): الغرفة الغاضبة (منتدى متطرف)
نظروا إلى منتدى معروف بخطاب الكراهية.

الاكتشاف: لم تقل POLAR فقط "هذه المجموعة سيئة"، بل أظهرت أن المستخدمين الأفراد كانوا في حالة "انزياح".
الانزياح: تخيل مستخدماً يبدأ في النشر. في البداية، يكون في منتصف الغرفة. ولكن مع استمراره في النشر، تتبع POLAR إحداثيات الـ GPS الخاصة به وهي تتحرك بثبات نحو جانب "الشتائم والكراهية" في البوصلة.
الرؤية المستخلصة: هذا يكشف عن التطرف في الوقت الفعلي. يمكنك رؤية شخص يتحول ببطء من مشارك محايد إلى شخص متماشٍ بعمق مع خطاب الكراهية، فقط من خلال مراقبة حركة إحداثياته الرياضية عبر الغرفة.

الخلاصة

POLAR تشبه عدسة مكبرة للأصوات الفردية وسط الحشد.

بدلاً من القول: "متوسط الشخص هنا غاضب"، تتيح لنا القول: "الشخص (س) متوافق بنسبة 80% مع خطاب الكراهية، وهو يزداد غضباً كل يوم"، بينما "الشخص (ص) محايد".

إنها تحول عالم اللغة الفوضوي وغير المرئي عبر الإنترنت إلى خريطة واضحة حيث يمكننا رؤية السلوكيات الفردية، وكشف الروبوتات، ورصد الاتجاهات الخطيرة قبل أن تتحول إلى أزمة — كل ذلك دون الحاجة لقراءة كل منشور يدوياً.

إليك ملخص تقني مفصل لورقة البحث "POLAR: اختبار الارتباط لكل مستخدم في فضاء التضمين (Embedding Space)."

1. بيان المشكلة

تعمل اختبارات الارتباط الجوهرية الحالية (مثل WEAT وSEAT) المستخدمة للكشف عن التحيز أو الصور النمطية أو الارتباطات الدلالية في النماذج اللغوية على مستوى الكلمة، أو الجملة، أو المتن (Corpus). تعاني هذه الطرق التجميعية من قصور حرجين في العلوم الاجتماعية الحوسبية:

فقدان التباين (Heterogeneity): يؤدي تجميع البيانات في درجة واحدة على مستوى المتن إلى طمس الاختلافات على مستوى المؤلف الفردي. فهي لا تستطيع التمييز بين مجتمع يتبنى فيه الجميع تحيزاً طفيفاً، وبين مجتمع تمتلك فيه أقلية صغيرة تحيزاً شديداً.
المغالطة الإيكولوجية (Ecological Fallacy): قد تؤدي الدرجات التجميعية إلى عكس أو إلغاء التأثيرات الموجودة باستمرار على المستوى الفردي. على سبيل المثال، قد يظهر المتن ارتباطاً محايداً متوسطاً بين "المهاجرين" و"الجريمة" لأنه يخلط بين مستخدمين يستخدمون لغة إنسانية وأولئك الذين يستخدمون ألفاظاً نابية، مما يحجب المسارات المتميزة لكلا المجموعتين.

هناك نقص في المنهجيات التي تعامل متجهات المستخدمين الأفراد (Individual user vectors) ككائنات أساسية لاختبار الارتباط المعاير، مما يسمح للباحثين بقياس الموقف، أو التحيز، أو التوافق الأسلوبي لكل مؤلف على حد بناءً على معايير، دون الاعتماد على المصنفات الخاضعة للإشراف (Supervised Classifiers).

2. المنهجية: POLAR

POLAR (تقرير الارتباط اللفظي لكل مستخدم على المحور) هو إطار عمل يقوم بإجراء اختبار الارتباط مباشرة داخل فضاء التضمين لنموذج لغة مقنع (MLM) تم تكييفه بشكل خفيف. يتكون خط الإنتاج من مرحلتين:

المرحلة 1: تعلم متجه المستخدم (التدريب)

ترميز المستخدم (User Tokenization): يتم ربط كل مؤلف $u$ برمز خاص محدد وغير قابل للتغيير $t_u$ (على سبيل المثال، usr + SHA1 hash). يتم إضافة هذا الرمز إلى قاموس الترميز (Tokenizer).
إعداد البيانات: يتم إلحاق كل منشور $x_i$ للمستخدم $u$ بالرمز الخاص به ( $\tilde{x}_i = t_u \parallel x_i$ ).
تكييف النموذج: بدءاً من نموذج مدرب مسبقاً (مثل BERT-base-uncased)، يتم تغيير حجم مصفوفة تضمين المدخلات لتشمل رموز المستخدمين.
هدف التدريب: يتم ضبط النموذج بدقة باستخدام فقدان نمذجة اللغة المقنعة (MLLM) القياسي مع تعديلات محددة:
- الترميز الواعي بالمستخدم (User-Aware Masking): يتم إخفاء رمز المستخدم باحتمالية أعلى من الرموز القياسية لإجبار النموذج على تعلم السياق اللغوي للمستخدم.
- حد المحاذاة (Alignment Term): يعمل حد خسارة صغير على دفع متجه تضمين المستخدم نحو التمثيل المتوسط للرموز غير التابعة للمستخدم في المنشور، مما يضمن أن المتجه يلخص الأسلوب النموذجي للمستخدم.
- جدول التجميد وإلغاء التجميد (Freeze-Unfreeze Schedule): يعمل جدول تدريب قصير على تثبيت تعلم متجهات الرموز الجديدة هذه.
المخرج: يتم تمثيل كل مستخدم $u$ بمتجه تضمين مُطبع (Normalized) $\hat{e}_u$ .

المرحلة 2: اختبار الارتباط (الاستدلال)

مجموعات السمات (Attribute Sets): يحدد الباحثون محاور دلالية كأزواج من مجموعات السمات $(A, B)$ (مثل "الألفاظ النابية" مقابل "المصطلحات المحايدة"). ويتم رسم خرائط لهذه السمات عبر التضمين باستخدام متوسط الكلمات الفرعية (Subword Averaging).
حساب الإحصاء: بالنسبة للمستخدم $u$ $u$ ومجموعات السمات $A$ $A$ و $B$ $B$ ، يحسب POLAR تشابه جيب التمام (Cosine Similarities) بين متجه المستخدم ومتجهات السمات.
- يتم حساب حجم الأثر المعياري $s(u; A, B)$ كالتالي:
  $s(u; A, B) = \frac{\text{mean}(d_A) - \text{mean}(d_B)}{\text{sd}(d_{all})}$
  حيث أن $d_A$ و $d_B$ هما درجات التشابه مع المجموعتين $A$ و $B$ ، و $d_{all}$ هي المجموعة المجمعة لجميع درجات التشابه. يضمن هذا التقييس استقرار المقياس.
اختبار الدلالة الإحصائية:
- اختبار التبديل (Permutation Test): يقوم اختبار تبديل مونت كارلو (الافتراضي $M=2000$ ) بخلط تسميات مجموعات السمات لإنشاء توزيع صفري (Null Distribution).
- القيمة الاحتمالية (P-value): يتم تقدير قيمة p ثنائية الجانب مع استخدام تنعيم "إضافة واحد" (Add-one smoothing).
- التحكم في الاختبارات المتعددة: يتحكم إجراء بنجاميني-هوشبيرج (BH) في معدل الاكتشاف الخاطئ (FDR) عبر جميع المستخدمين والمحاور المختبرة.

3. المساهمات الرئيسية

اختبار الارتباط لكل مستخدم: يعد POLAR أول طريقة تطبق اختبار الارتباط المعاير مباشرة على تضمينات المستخدمين الأفراد، متجاوزة التحليل التجميعي على مستوى المتن.
التشخيص بدون تسميات (Label-Free): لا تتطلب الطريقة أي تسميات فئات (مثل "بوت" أو "بشر") خلال مرحلة اختبار الارتباط. فهي تنتج أحجام أثر وقيم p قابلة للتفسير بناءً على هندسة فضاء التضمين فقط.
النمطية (Modularity): إطار العمل نمطي؛ حيث يمكن إضافة مجموعات سمات جديدة أو مراجعتها دون إعادة تدريب النموذج اللغوي الأساسي.
القابلية للتفسير: يشير إشارة الدرجة إلى اتجاه التوافق (على سبيل المثال، نحو "الألفاظ النابية" مقابل "المصطلحات المحايدة")، بينما يشير مقدارها إلى قوة ذلك التوافق.

4. النتائج التجريبية

قيم المؤلفون POLAR على مجموعتي بيانات مختلفتين:

أ. معيار تويتر للبوتات والبشر (fox8-23)

مجموعة البيانات: 1,140 حساب بوت مدعوم بالذكاء الاصطیعي و1,140 حساباً بشرياً.
المهمة: التمييز بين البوتات والبشر باستخدام درجات الارتباط لكل مستخدم على محاور مثل "الاحتيال/التمويل مقابل الحياة اليومية" و"نشرات الأخبار مقابل التجارب الشخصية".
النتائج:
- نجح POLAR في فصل البوتات عن البشر بوضوح دون استخدام تسميات أثناء التدريب.
- الأداء: حقق الانحدار اللوجستي لمحور واحد AUROC قدره 0.961 (محور الاحتيال/التمويل). لم يؤدِ دمج المحاور إلى تحسين الأداء بشكل كبير، مما يشير إلى أن المحاور الفردية تلتقط إشارات أسلوبية قوية.
- التصور البصري: أظهرت إسقاطات PCA تكتلات متميزة للبوتات والبشر، حيث تتوافق البوتات بقوة مع سمات "لغة البوتات" (إخلاء المسؤولية، الهياكل التعليمية) وتتوافق البشر مع العلامات العامية.

ب. منتدى Stormfront للسيادة البيضاء

مجموعة البيانات: 10,568 جملة من منتدى سيادة بيضاء (2002–2017) مع معرفات مستخدم لكل جملة.
المهمة: قياس التوافق مع المعاجم الكراهية (الألفاظ العنصرية، ألفاظ النوع الاجتماعي، مصطلحات الـ Incel) مقابل نظائرها المحايدة وتتبع الراديكالية (التطرف) بمرور الوقت.
النتائج:
- التوافق القوي: أظهر المستخدمون أحجام أثر إيجابية كبيرة ( $s \approx 1.3$ ) للألفاظ العنصرية والنوع الاجتماعي، مع دلالة إحصائية شبه عالمية بعد تصحيح BH.
- انحراف الراديكالية (Radicalization Drift): من خلال تتبع درجات الارتباط التراكمية لتاريخ نشر المستخدم، كشف POLAR عن انحراف نحو اليمين (زيادة التوافق مع معاجم الألفاظ النابية) للمستخدمين الأفراد بمر مرور الوقت. وهذا يعمل كمؤشر قابل للتفسير وغير معتمد على التسميات لعملية التطرف التدريجي.
- الخصوصية: كان الإشارة مدفوعة بمعاجم خاصة بالمجال (الألفاظ النابية) بدلاً من السمية العامة، حيث أظهرت محاور "السمية مقابل المدنية" العامة تحولات ضئيلة.

5. الأهمية والآثار المترتبة

العلوم الاجتماعية الحوسبية: يجسّر POLAR الفجوة بين تقنيات التضمين في معالجة اللغات الطبيعية (NLP) والاستقصاء الاجتماعي. فهو يسمح للباحثين بدراسة الاختلافات الفردية والتباين داخل المجموعة بدلاً من الاعتماد على الإحصاءات التجميعية التي قد تكون مضللة.
أنظمة الإنذار المبكر: توفر القدرة على اكتشاف "الانحراف" في توافق المستخدم مع المعاجم الضارة آلية محتملة لتحديد الراديكالية أو سلوك البوتات في الوقت الفعلي دون الحاجة إلى بيانات تدريب خاضعة للإشراف.
الدقة المنهجية: من خلال توفير قيم p القائمة على التبديل والتحكم في FDR، ينتقل POLA من مجرد التقييم الاستدلالي إلى الاستدلال القائم على الإحصاء، مما يجعل النتائج قوية وقابلة للتكرار.
التطبيق الأخلاقي: يؤكد المؤلفون على استخدام الرموز المستعارة (Pseudonymous tokens) ومجموعات البيانات العامة، مما يضمن تصميم الطريقة لأغراض البحث والتشخيص وليس للمراقبة أو التنميط لأفراد محددين.

باختاً، يوفر POLAR أداة قوية، ومنضبطة إحصائياً، وقابلة للتفسير لتحليل كيفية توافق المؤلفين الأفراد مع أطر دلالية محددة، مما يقدم نموذجاً جديداً للكشف عن التحيز، ونشاط البوتات، والراديكالية في الخطاب الرقمي.