💬 NLP

Retrieving Climate Change Disinformation by Narrative

تقترح هذه الورقة SpecFi، وهو إطار عمل قائم على الاسترجاع يقوم بتوليد وثائق افتراضية للكشف عن سرديات التضليل الناشئة المتعلقة بتغير المناخ دون الحاجة إلى تسميات محددة مسبقاً، مما يظهر متانة فائقة ضد تباين السرديات مقارنة بطرق الاسترجاع القياسية.

المؤلفون الأصليون: Max Upravitelev, Veronika Solopova, Charlott Jakob, Premtim Sahitaj, Vera Schmitt

نُشر 2026-03-24

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Max Upravitelev, Veronika Solopova, Charlott Jakob, Premtim Sahitaj, Vera Schmitt

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 للورقة البحثية، مترجم من المصطلحات الأكاديمية المعقدة إلى لغة يومية بسيطة مع استخدام بعض التشبيهات الإبداعية.

المشكلة الكبرى: "الحرباء" في عالم التضليل الإعلامي

تخيل أنك محقق يحاول القبض على خبير في التنكر. هذا المجرم (التضليل المناخي) لا يرتدي قناعاً واحداً فحسب؛ بل يرتدي الآلاف.

أحياناً يقول: "ثاني أكسيد الكربون هو في الواقع غذاء للنبات!" وفي أحيان أخرى يقول: "الأرض في الواقع تبرد!" و"العلماء يكذبون بشأن القمم الجليدية".

في الماضي، حاول الباحثون الإمساك بهذا المجرم من خلال وضع قائمة مراجعة ثابتة للأقنعة المعروفة. إذا ارتدى المجرم قناع "ثاني أكسيد الكربون هو غذاء للنبات"، فستضع علامة صح في الخانة المخصصة. لكن المشكلة هنا هي أن المجرم مبدع؛ فهو يبتكر طرقاً جديدة لقول الشيء نفسه، أو يمزج الأكاذيب القديمة بكلمات جديدة. إذا ارتدى قناعاً لم تره من قبل، ستفشل قائمة المراجعة الخاصة بك، وستفقد أثره.

الفكرة الجديدة: توقف عن فحص المربعات، وابدأ في البحث عن "الروح العامة" (Vibes)

يقول مؤلفو هذه الورقة: "توقفوا عن محاولة تخمين الملصق (Label) الدقيق. بدلاً من ذلك، دعونا نعامل هذا الأمر كأنه محرك بحث".

تخيل أن لديك مكتبة تضم ملايين المقالات (الإنترنت). أنت تريد العثور على المقالات التي تشترك في "روح عامة" أو "رسالة جوهرية" واحدة، حتى لو لم تستخدم نفس الكلمات تماماً.

الطريقة القديمة: "ابحث لي عن جميع المقالات المصنفة تحت 'إنكار الاحتباس الحراري'". (جامدة، وتفشل أمام الحيل الجديدة).
الطريقة الجديدة: "ابحث لي عن جميع المقالات التي تجادل بأن 'الاحتباس الحراري أمر جيد'، حتى لو استخدمت كلمات مختلفة لقول ذلك". (مرنة، وتكشف الحيل الجديدة).

هذا ما يسمى استرجاع السردية (Narrative Retrieval). أنت تأخذ الفكرة (الاستعلام) وتبحث عن النصوص التي تطابق تلك الفكرة، بغض النظر عن المفردات المستخدمة.

التحدي: الفجوة بين "المجرد" و"الملموس"

هناك عقبة. "الفكرة" التي تبحث عنها هي فكرة مجردة (مثل: "ثاني أكسيد الكربون غذاء للنبات")، لكن المقالات الموجودة في المكتبة ملموسة وفوضوية (مثل: "أظهرت دراسة من عام 1998 أن الذرة تنمو بشكل أسريد مع زيادة الكربون").

محركات البحث القياسية تشبه الروبوتات حرفية الفهم؛ فهي تبحث عن تطابق الكلمات. إذا بحثت عن "ثاني أكسيد الكربون غذاء للنبات"، فقد يغفل الروبوت الحرفي مقالاً يقول "الكربون يساعد المحاصيل على النمو"، لأنه لا يرى كلمات "غذاء النبات".

الحل: SpecFi (محرك الخيال)

لإصلاح ذلك، بنى المؤلفون أداة تسمى SpecFi (الخيال القصصي - Speculative Fiction). فكر فيها كأنها مساعد كتابة إبداعي يساعد محرك البحث على فهم "الروح العامة" (Vibe).

إليك كيف يعمل SpecFi، خطوة بخطوة:

الأمر (The Prompt): تعطي النظام الفكرة المجردة: "ثاني أكسيد الكربون هو غذاء للنبات".
الخيال: يطلب النظام من الذكاء الاصطنا artificial: "تخيل 10 مقالات إخبارية أو تدوينات مختلفة تدعم هذه الفكرة. اكتبها لي".
- المقال 1: "المزارعون سعداء لأن ارتفاع ثاني أكسيد الكربون يساعد محاصيلهم على النمو!"
- المقال 2: "لماذا الخوف من الكربون يساعد الزراعة في الواقع".
- المقال 3: "الثورة الخضراء: كيف يغذي ثاني أكسيد الكربون العالم".
البحث: الآن، بدلاً من البحث عن العبارة المجردة "ثاني أكسيد الكربون غذاء للنبات"، يستخدم محرك البحث هذه المقالات العشر المتخيلة كاستعلام للبحث.
المطابقة: لأن محرك البحث يبحث الآن عن "مقالات حول الزراعة وثاني أكسيد الكربون"، فإنه يجد بسهولة المقالات الحقيقية والفوضوية في المكتبة التي تطابق هذا الموضوع، حتى لو لم تستخدم عبارة "غذاء النبات" حرفياً.

التشبيه:
تخيل أنك تبحث عن نوع معين من الموسيقى (مثل: "أغانٍ حزينة عن المطر").

البحث القياسي: تكتب "أغانٍ حزينة عن المطر". سيجد فقط الأغاني التي تحتوي على هذه الكلمات بالضبط في عناوينها.
SpecFi: تسأل الذكاء الاصطناعي: "اكتب لي قائمة تشغيل تضم 10 أغانٍ تشبه شعور 'الحزن والمطر'". سيقوم الذكاء الاصطناعي بتوليد أوصاف مثل "مقطوعة بيانو بطيئة عن البكاء وسط عاصفة". الآن، عندما تبحث باستخدام هذا الوصف، سيجد المحرك الأغاني الفعلية التي "تشعر" بذلك، حتى لو كانت عناوينها مختلفة تماماً.

السلاح السري: "الملخص المجتمعي"

اختبرت الورقة أيضاً نسخة ثانية من SpecFi تستخدم الكشف عن المجتمعات القائم على الرسوم البيانية (Graph-Based Community Detection).

تخيل أن مكتبة المقالات هي حفلة ضخمة.

البحث القياسي: تسأل، "من يتحدث هنا عن ثاني أكسيد الكربون؟"
SpecFi (نسخة المجتمع): تسأل منظم الحفلة، "من هم الأشخاص الواقفون في الزاوية يتحدثون عن نفس الموضوع، حتى لو كانوا يتهامسون؟"

يقوم النظام بتجميع الأشخاص (المقالات) الذين يتحدثون عن أشياء متشابهة، حتى لو لم يستخدموا نفس الكلمات. ثم ينشئ ملخصاً لهذا التجمع.

النتيجة: "هذه المجموعة تناقش كيف يمكن أن يكون تغير المناخ مفيداً في الواقع".

يعمل هذا الملخص كـ "خريطة عالية المستوى" للمحادثة. فهو يساعد النظام على العثوة على المقالات الصحيحة حتى عندما تكون المقالات الفردية مختلفة جداً عن بعضها البعض.

النتالئج: لماذا هذا مهم؟

اختبر الباحثون هذا على ثلاث مجموعات بيانات مختلفة من التضليل المناخي.

إنه قوي (Robust): وجدوا أن بعض السرديات "فوضوية" (عالية التباين). البعض يقول "ثاني أكسيد الكربون جيد" بطريقة علمية؛ والبعض الآخر يقولها بطريقة مؤامرة. محركات البحث القياسية ترتبك بسبب هذه الفوضى وتفشل. أما SpecFi فيبقى هادئاً. إنه يتعامل مع الفوضى لأنه يستخدم "المقالات المتخيلة" لسد الفجوة.
يجد الهيكل دون الحاجة لملصقات: كانت النتيجة الأكثر إثارة للدهشة هي أن "الملخصات المجتمعية" (ملاحظات منظم الحفلة) قامت بتجميع الأكاذيب بطريقة تتوافق طبيعياً مع التصنيفات التي وضعها الخبراء البشر. هذا يعني أن الكمبيوتر يمكنه اكتشاف هيكل التضليل من تلقاء نفسه، دون الحاجة لأن يقوم البشر بتسمية (Labeling) كل شيء أولاً. وهذا أمر ضخم للإمساك بالأكاذيب الجديدة التي لم يتم تصنيفها بعد.

الخلاصة

التضليل الإعلامي يتطور. لم يعد الأمر يتعلق بمجرد البحث عن كلمة رئيسية محددة؛ بل يتعلق بالبحث عن قصة محددة.

تقترح هذه الورقة طريقة جديدة لمحاربة ذلك:

لا تبحث فقط عن الكلمات.
استخدم الذكاء الاصطناعي لـ تخيل كيف تبدو تلك القصص.
استخدم تلك التخيلات للبحث عن المقالات الحقيقية.

الأمر يشبه الترقية من جهاز كشف معادن يصدر صوتاً فقط عند اكتشاف العملات الذهبية، إلى جهاز كشف يمكنه استشعار شكل صندوق الكنز، حتى لو كان مدفوناً تحت كومة من الرمال.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "استرجاع التضليل الإعلامي المتعلق بتغير المناخ عبر السرديات".

1. بيان المشكلة

تعتمد النهج الحالية للكشف عن التضليل الإعلامي المتعلق بتغير المناخ عادةً على تصنيفات ثابتة (مهام تصنيف) حيث يتم تعيين نصوص معينة لملصقات سردية محددة مسبقاً. ويواجه هذا النهج عيبين رئيسيين:

الافتقار إلى القدرة على التكيف: تتطور سرديات التضليل الإعلامي بسرعة؛ لذا فإن مجموعات الملصقات الثابتة لا يمكنها استيعاب السرديات الناشئة أو غير المرئية سابقاً دون عمليات إعادة تدريب وتوسيم مكلفة.
الفجوة الدلالية: الأوصاف السردية (مثل "ثاني أكسيد الكربون هو غذاء للنبات") هي رسائل جوهرية مجردة، بينما تجليات هذه الرسائل النصية في العالم الحقيقي تكون ملموسة، ومتنوعة أسلوبياً، وغالباً لا تذكر الرسالة الجوهرية بشكل صريح. غالباً ما يفشل البحث الدلالي القياسي (الاسترجاع الكثيف) في سد هذه الفجوة لأنه يعتمد على التشابه اللفظي أو التضميني السطحي بدلاً من الاستلزام المنطقي الكامن.

يقترح المؤلفون إعادة صياغة كشف السرديات كـ مهمة استرجاع: بالنظر إلى الرسالة الجوهرية للسردية كاستعلام، يتم ترتيب النصوص من مجموعة بيانات (Corpus) بناءً على توافقها مع تلك السردية. يتيح ذلك مراقبة السرديات الناشئة بمرونة دون الحاجة إلى ملصقات محددة مسبقاً.

2. المنهجية: إطار عمل SpecFi

يقدم المؤلفون إطار عمل SpecFi (الخيال التأملي - Speculative Fiction)، وهو إطار مصمم لسد الفجوة بين الأوصاف السردية المجردة والتجليات النصية الملموسة. يعمل خط الإنتاج في خمس خطوات:

صياغة الاستعلام: تعمل الرسائل الجوهرية للسرديات (المستمدة من تصنيفات مجموعة البيانات) كاستعلامات.
استرجاع أمثلة قليلة التخصيص (Few-Shot): لتوجيه توليد المستندات الافتراضية، يقوم النظام باسترجاع مثال "بذرة" للاستعلام. تقارن الورقة بين استراتيجيتين:
- SpecFi-DR: يسترجع أقرب نص من مجموعة البيانات المرجعية باستخدام الاسترجاع الكثيف (تشابه جيب التمام).
- SpecFi-CS: يسترجع ملخصات مجتمعية رفيعة المستوى تم إنشاؤها عبر NodeRAG (إطار عمل RAG القائم على الرسوم البيانية). يقوم NodeRAG ببناء رسم بياني معرفي غير متجانس، ويطبق خوارزمية Leiden لاكتشاف المجتمعات، ويستخدم نموذج لغة كبير (LLM) لإنشاء ملخصات لكل مجتمع دون الوصول إلى الملصقات السردية.
توليد مستند افتراضي (HyDE): باستخدام "البذرة" المسترجعة (سواء كانت نصاً أو ملخصاً مجتمعياً) كمثال لعدد قليل من العينات، يقوم النظام بتوليد $n=10$ مستندات افتراضية تتوافق مع السردية المستعلم عنها. تعمل هذه الخطوة على توسيع مفردات الاستعلام لتتطابق مع الفضاء الدلالي للنصوص ذات الصلة.
التضمين والتجميع: يتم تضمين المستندات الافتراضية المولدة.
الاسترجاع: تُستخدم التضمينات المجمعة لاسترجاع أفضل- $k$ من النصوص ذات الصلة من مجموعة الاختبار عبر الاسترجاع الكثيف.

المكونات التقنية الرئيسية:

NodeRAG: يُستخدم لإنشاء رسم بياني معرفي حيث تبرز اكتشافات المجتمعات العناقيد الموضوعية. تعمل الملخصات الناتجة كـ "جسور" مجردة بين الاستعلام ومجموعة البيانات.
استراتيجية HyDE: تم تكييفها لتوليد "خيال تأملي" (نصوص تضليل إعلامي) تستلزم منطقياً السردية المستعلم عنها، مما يوسع تمثيل الاستعلام بفعالية.
النماذج: يستخدم gpt-4o و gemma-3-27b-it (بما في ذلك نسخة "مزال منها الفلاتر" - abliterated - لإزالة فلاتر السلامة لمنع الرفض عند توليد محتوى تضليلي) للإنشاء، و Qwen3-Embedding-4B للاسترجاع.

3. المساهمات الرئيسية

التقييم القائم على الاسترجاع لمجموعات بيانات السرديات: أعاد المؤلفون توظيف ثلاث مجموعات بيانات للتضليل الإعلامي المتعلق بالمناخ (CARDS، و Climate Obstruction، و PolyNarrative) لتقييم الاسترجاع، حيث عوملت الملصقات السردية كاستعلامات ونصوصها المرتبطة كأحكام صلة.
إطار عمل SpecFi: نهج مبتكر يجمع بين اكتشاف المجتمعات القائم على الرسم البياني (NodeRated) وتوليد المستندات التأملية.
- تفوق SpecFi-CS (نسخة الملخص المجتمعي) على المعايير المرجعية والنسخة النصية (SpecFi-DR).
- أثبت أن الملخصات المجتمعية غير الخاضعة للإشراف يمكن أن تتقارب مع التصنيفات التي صاغها الخبراء، مما يشير إلى أن الطرق القائمة على الرسوم البيانية يمكنها استخراج البنية السردية من النصوص غير الموسومة.
التباين السردي ( $V_i$ ): مقياس جديد قائم على التضمين يقيس الانتشار الداخلي للنصوص ضمن مجموعة سردية واحدة.
- أظهر المؤلفون عبر تحليل الارتباط الجزئي أن التباين السردي العالي (تنوع أساليب عرض نفس الرسالة الجوهرية) يؤدي بشكل كبير إلى تدهور أداء الاسترجاع القياسي (فقدان BM25 لـ ~63% من قيمة MAP).
- ظل SpecFi-CS قوياً ضد التباين العالي، حيث أظهر أصغر تدهور في الأداء (~32%).

4. النتالئج

تم تقييم النظام على مجموعة بيانات CARDS (الأساسية)، و Climate Obstruction (CO)، و PolyNarrative (PN).

الأداء على CARDS:
- حقق SpecFi-CS (باستخدام نموذج Gemma المزود بنسخة معدلة) أعلى متوسط دقة (MAP) بلغ 0.505 بين جميع الإعدادات التي لا تعتمد على الملصقات.
- تفوق هذا على النموذج الكثيف الأساسي (Qwen3-E-4B، بـ MAP قدره 0.299) وعلى نسخة SpecFi-DR (بـ MAP قدره 0.457).
- المتانة: عند تحليل السرديات حسب التباين (منخفض مقابل مرتفع)، انخفض أداء BM25 بنسبة 63.4% في السرديات عالية التباين، بينما انخفض أداء SpecFi-CS بنسبة 32.7% فقط.
الأداء على CO و PN:
- في مجموعة بيانات Climate Obstruction، تفوق SpecFi-DR على SpecFi-CS، مما يشير إلى أن ميزة الملخصات المجتمعية تعتمد على خصائص مجموعة البيانات (مثل طول النص، وكثافة الملصقات).
التحليل الإحصائي:
- وُجد أن التباين السردي ( $V_i$ ) هو متنبئ هام لصعوبة الاسترجاع للمعايير القياسية (ارتباط سلبي مع MAP).
- أما التميز السردي ( $D_i$ ) (الانفصال عن السرديات الأخرى) فلم يكن متنبئاً هاماً، مما يشير إلى أن الصعوبة تنبع من التنوع الداخلي وليس التداخل الخارجي.
- أظهر SpecFi-CS أدنى ارتباط مع نتائج BM25، مما يشير إلى أنه يسترجع عبر آلية مختلفة نوعياً وأكثر متانة.

5. الأهمية والآثار المترتبة

المرونة للسرديات الناشئة: من خلال معاملة كشف السرديات كعملية استرجاع بدلاً من تصنيف، يسمح هذا النهج للمدققين من الحقائق بالاستعلام عن مجموعة بيانات برسالة جوهرية (مثل "تغير المناخ هو خدعة") والعثود على النصوص ذات الصلة دون الحاجة إلى ملصق مسبق لهذا التنوع المحدد.
اكتشاف البنية غير الخاضعة للإشراف: توضح الدراسة أن اكتشاف المجتمعات القائم على الرسم البياني للنصوص غير الموسومة يمكن أن يستعيد البنى السردية التي تتوافق بدقة مع التصنيفات التي صاغها الخبراء. يوفر هذا مساراً لمراقبة التضليل الإعلامي دون الحاجة إلى توسيم يدوي.
التعامل مع التنوع الدلالي: يثبت نهج SpecFi-CS أن استخدام الملخصات المجتمعية المجردة لتوجيه توليد المستندات الافتراضية هو أفضل من استخدام النصوص المسترجعة الفردية. يساعد هذا النظام على التعامل مع السرديات التي يتم التعبير عنها من خلال حجج منطقية وصياغات نحوية متنوعة.
ابتكار المقاييس: يوفر تقديم التباين السردي عدسة جديدة لفهم سبب فشل أنظمة الاسترجاع، حيث يسلط الضوة على أن التنوع الداخلي ضمن موضوع سردي يمثل تحدياً أكبر من التشابه بين المواضيع.

القيود

الاعتماد على النماذج: يعتمد إعداد SpecFi-CS على نماذج OpenAI لإنشاء مخرجات مهيكلة أثناء بناء الرسم البياني.
وقت التشغيل: خط الإنتاج الذي يعتمد بكثافة على التوليد أبطأ بكثير (حوالي 24 ثانية لكل سردية) مقارنة بالاسترجاع المتفرق (أقل من ثانية واحدة).
تسرب البيانات: قد تكون مجموعة بيانات CARDS (2021) جزءاً من بيانات التدريب لنماذج اللغة المستخدمة، مما قد يؤثر على جودة التوليد، رغم أن الاختبارات الصفرية (zero-shot) تشير إلى أن النماذج لا تستطيع توليد مستندات افتراضية تمثيلية دون أمثلة قليلة التخصيص.
أنماط الفشل: قد يعاني النظام من "الانزياح" (حيث تعكس الملخصات المجتمعية موقف السردية) أو "الانهيار" (حيث تندمج السرديات الفرعية المتميزة)، خاصة عندما يكون مستوى دقة مجتمعات Leiden خشناً جداً.