💬 NLP

LLM-guided headline rewriting for clickability enhancement without clickbait

تقدم هذه الورقة إطار عمل يعتمد على النماذج اللغوية الكبيرة (LLM) وقابلاً للتحكم باستخدام نموذج FUDGE ودليلين مساعدين مزدوجين لإعادة كتابة عناوين الأخبار التي تعزز تفاعل القراء مع الحفاظ بدقة على الأمانة الدلالية وتجنب أسلوب "صيد النقرات" (clickbait).

المؤلفون الأصليون: Yehudit Aperstein, Linoy Halifa, Sagiv Bar, Alexander Apartsin

نُشر 2026-03-25

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yehudit Aperstein, Linoy Halifa, Sagiv Bar, Alexander Apartsin

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 محرر أخبار. مهمتك هي كتابة عناوين تجعل الناس يتوقفون عن التمرير وينقرون على المقال. لكن هناك شرط: لا تريد الكذب، أو المبالغة، أو خداع الناس. تريد إثارة فضولهم، لكنك تريد أيضاً أن يثقوا بك.

هذه الورقة البحثية تدور حول بناء مساعد ذكاء اصطناعي ذكي يساعد المحررين على كتابة عناوين "تجذب النقرات" دون التحول إلى "عناوين مضللة (Clickbait)".

إليك تفصيل كيفية قيامهم بذلك، باستخدام بعض التشبيهات البسيطة:

1. المشكلة: فخ "العناوين المضللة"

فكر في العنوان كأنه إعلان ترويجي لفيلم.

التفاعل الجيد: الإعلان الترويجي يعرض أكثر الأجزاء إثارة في الفيلم لتجعلك ترغب في شراء التذكرة. إنه صادق ولكنه مثير.
العناوين المضللة (Clickbait): الإعلان الترويجي يعرض مشهداً لا وجود له في الفيلم، أو يصرخ "لن تصدق ما سيحدث بعد ذلك!" بينما الفيلم في الحقيقة يدور حول رجل يصنع شريحة توست. إنه يخدعك للنقر، ولكن بعد ذلك تشعر بالخداع.

يجادل المؤلفون بأن الفرق بين العنوان الجيد والعنوان المضلل ليس في استخدامهم لـ كلمات مختلفة. بل يتعلق الأمر بـ مقدار استخدام تلك الكلمات. إنها مسألة حجم. القليل من الفضول أمر جيد؛ أما القدر الهائل من الغموض المصطنع فهو أمر سيء.

2. الحل: "رجل الحماس" و"شرطي المرور"

قام الباحثون ببناء نظام يستخدم نموذج لغة ضخم (الكاتب) ونموذجين أصغر من الذكاء الاصطناعي يعملان كمرشدين. فكر في الكاتب كسيارة تسير على الطريق، وهذين المرشدين كالتالي:

رجل الحماس (التوجيه الإيجابي): يقول هذا الذكاء الاصطناعي: "مهلاً، لنرِ هذا أكثر إثارة! لنضف علامة استفهام أو نستخدم فعلاً أقوى!". إنه يدفع العنوان نحو كونه أكثر إثارة للاهتمام.
شرطي المرور (التوجيه السلبي): يقول هذا الذكاء الاصطناعي: "مهلاً، تمهل! لقد أصبحت درامياً أكثر من اللازم. أنت تكذب بشأن الحقائق. خفف من حدة النبرة". إنه يدفع العنوان بعيداً عن كونه مضللاً.

3. كيف علموا المرشدين

لتدريب هؤلاء المرشدين، لم يستخدم الباحثون أخباراً حقيقية فحسب، بل أنشأوا صالة ألعاب رياضية للعناوين.

أخذوا عناوين إخبارية حقيقية، مملة، ومحايدة (مثل "مجلس المدينة يجتمع لمناقشة الميزانية").
طلبوا من ذكاء اصطناعي إعادة كتابتها بطريقتين:
- الطريقة "الجيدة": اجعلها أكثر إثارة قليلاً مع الحفاظ على الحقائق بنسبة 100%.
- الطريقة "السيئة": اجعلها عنواناً مضللاً (مثل: "كشف سر الميزانية الصادم!").
عرضوا هذه الأمثلة على "رجل الحماس" و"شرطي المرور" ليتعلموا بالضبط أين يقع الخط الفاصل بين "الإثارة" و"التضليل".

4. عملية القيادة (FUDGE)

عندما يكتب النظام عنواناً جديداً، فإنه لا يكتفي بنفث الكلمات فحسب. بل يستخدم طريقة تسمى FUDGE (المميزات المستقبلية للتوليد).

تخيل أن الذكاء الاصطناعي يكتب العنوان كلمة بكلمة.

يقترح الكلمة التالية.
شرطي المرور يفحص: "إذا أضفنا هذه الكلمة، هل ستبدو كعنوان مضلل؟" إذا كان الأمر كذلك، فإنه يضغط على المكابح (يخفض احتمالية ظهور هذه الكلمة).
رجل الحماس يفحص: "إذا أضفنا هذه الكلمة، هل ستجعله أكثر جاذبية؟" إذا كان الأمر كذلك، فإنه يعطي دفعة لطيفة للأمام (يرفع احتمالية ظهور هذه الكلمة).

من خلال ضبط "حجم" شرطي المرور ورجل الحماس، يمكن للمحررين تحديد مدى "توابل" العنوان الذي يريدونه.

ارفع مستوى الشرطي: ستحصل على عنوان آمن جداً وممل.
ارفع مستوى رجل الحماس: ستحصل على عنوان مثير للغاية، ولكنه قد يكون محفوفاً بالمخاطر.
وازن بينهما: ستحصل على عنوان يجذب الانتباه ولكنه يظل صادقاً.

5. النتيجة

تظهر الورقة البحثية أن هذا النظام يعمل. يمكنه أخذ عنوان جاف مثل "سويسرا تصوت على رسوم الإذاعة العامة" وتحويله إلى "ما الذي يختبئ وراء الجدل حول رسوم الإذاعة في سويسرا؟" (جذاب، ولكنه حقيقي).

لو لم يكن هناك "شرطي مرور"، لربما كتب الذكاء الاصطناعي: "لن تصدق الفضيحة السرية في رسوم الإذاعة السويسرية!" (عنوان مضلل، وكاذب).

الخلاصة الكبرى

النقطة الرئيسية لهذه الورقة هي أنك لست مضطراً للاختيار بين أن تكون مثيراً للاهتمام أو أن تكون صادقاً.

من خلال معاملة "العناوين المضللة" ليس كـ نوع مختلف من الكتابة، بل مجرد "زيادة مفرطة" في شيء جيد، يمكننا استخدام الذكاء الاصطناعي لإيجاد النقطة المثالية تماماً. الأمر يشبه تتبيل الحساء: أنت بحاجة إلى الملح (التفاعل) لجعله لذيذاً، ولكن إذا أضفت الكثير منه، فسيصبح غير قابل للأكل (عنوان مضلل). هذا النظام يساعد الطاهي على إضافة الكمية المثالية من الملح في كل مرة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "إعادة كتابة العناوين بتوجيه من النماذج اللغوية الكبيرة لتعزيز القابلية للنقر دون الوقوع في فخ العناوين المضللة (Clickbait)."

1. بيان المشكلة

تتناول الورقة التوتر الهيكلي في الصحافة الرقمية بين تفاعل القراء (جذب النقرات) والنزاهة التحريرية (الحفاظ على الدقة الواقعية).

القضية الجوهرية: غالبًا ما يؤدي تحسين العناوين لزيادة التفاعل إلى "العناوين المضللة" (Clickbait)—وهي صياغات مبالغ فيها، أو مضللة، أو مثيرة، مما يؤدي إلى تآكل الثقة.
محدودية النهج الحالي: تتعامل الأبحاث الحالية مع العناوين المضللة كمسألة تصنيف ثنائية (عنوان مضلل مقابل عنوان غير مضلل) أو تركز فقط على الكشف عنها/تصفيتها. هذا النهج يفشل في إدراك أن العديد من آليات التفاعل (مثل فجوات الفضول، أو التأطير العاطفي) هي أدوات بلاغية مشروعة في الصحافة، وتصبح إشكالية فقط عندما يتم تضخيمها بشكل غير متناسب.
الفجوة: هناك نقص في الأطر التي يمكنها التحكم المستمر في درجة التفاعل لتعزيز القابلية للنقر مع منع الانزلاق الصارم نحو العناوين المضللة، دون الحاجة إلى إعادة تدريب كاملة للنماذج اللغوية الكبيرة (LLMs).

2. المنهجية

يقترح المؤلفون إطار عمل لتوليد النصوص القابل للتحكم يعتمد على نموذج المميزات المستقبلية للتوليد (FUDGE). يقوم النظام بإعادة كتابة العناوين المحايدة إلى عناوين جذابة عن طريق توجيه النموذج اللغوي الكبير أثناء مرحلة الاستنتاج باستخدام نموذجين مساعدين.

أ. الإطار المفاهيمي: معيار سمات التفاعل

يحدد المؤلفون معيارًا يميز بين القابلية للنقر (تفاعل مشروع ومحدود) وبين العناوين المضللة (تضخيم مبالغ فيه ومضلل).

السمات الرئيسية: التحكم في فجوة المعلومات، شدة التأكيد، التأطير العاطفي، تخصيص البروز، التأكيد الهيكلي، الوضوح المرجعي، مخاطبة القارئ، البنية السردية، التأطير المفاهيمي، والصيغة الاستفهامية.
التفريق: لكل سمة، يحدد المعيار "تفسير القابلية للنقر" (مثلاً: الكشف الجزئي الذي يثير الاهتمام) مقابل "تفسير العنوان المضلل" (مثلاً: الحجب المتعمد للحقائق الأساسية).

ب. بناء مجموعة البيانات الاصطناعية

بما أن مجموعات البيانات في العالم الحقيقي تفتقر غالبًا إلى تسميات السمات الدقيقة، فقد قام المؤلفون بتوليد مجموعة بيانات اصطناعية:

المصدر: عناوين محايدة من مجموعة بيانات ISOT للأخبار المزيفة (الجزء True.csv من رويترز).
التوليد: باستخدام GPT-4o-mini، قاموا بإعادة كتابة العناوين المحايدة عبر تفعيل تكتيكات محددة "موجهة نحو العناوين المضللة" (مثل فجوة الفضول، والمبالغة) مع الحفاظ على المحتوى الواقعي.
البنية: تتضمن كل عينة العنوان، وتسمية ثنائية للعنوان المضلل، ومتجه متفرق يشير إلى أي سمات تفاعل محددة تم تفعيلها.

ج. نماذج التوجيه المساعدة

تم تدريب نموذجين يعتمدان على BERT على مجموعة البيانات الاصطناعية لتوفير إشارات تحكم أثناء عملية فك الترميز (Decoding):

نموذج تسجيل العناوين المضللة (التوجيه السلبي): مصنف ثنائي يتنبأ باحتمالية كون مقدمة النص عنوانًا مضللًا. وهو يعمل على معاقبة التضخيم الأسلوبي المفرط.
نموذج سمات التفاعل (التوجيه الإيجابي): مصنف متعدد الملصقات يتنبأ بوجود وقوة سمات تفاعل محددة (مثل "فجوة الفضوة"). وهو يشجع على تحقيق التكتيكات البلاغية المستهدفة.

دقة التدريب: تم تدريب كلا النموذجين على مقدمات على مستوى الرمز (Token-level prefixes) (وليس الجمل الكاملة فقط) لتوفير تغذية راجعة فورية أثناء عملية توليد النموذج اللغوي الكبير. كما تم استخدام دالة خسارة مدركة للطول لتقليل وزن المقدمات القصيرة جدًا وغير المعلوماتية.

د. فك الترميز المتحكم به القائم على FUDGE

يستخدم النظام إطار FUDGE لتوجيه نموذج لغوي كبير أساسي (مثل GPT-4o-mini) أثناء الاستنتاج دون تعديل أوزانه.

الآلية: في كل خطوة فك ترميز، يقترح النموذج اللغوي الأساسي رموزًا مرشحة. تقوم النماذج المساعدة بتقييم المقدمة الممتدة (النص الحالي + الرمز المرشح).
دالة التسجيل: يتم حساب الاحتمالية النهائية للرمز $y$ $y$ كالتالي:
$\log p(y|x_{1:t}) \propto \log p_{LLM}(y|x_{1:t}) + \lambda_{pos} S_{pos}(x_{1:t} \oplus y) - \lambda_{neg} S_{cb}(x_{1:t} \oplus y)$
- $S_{pos}$ : المجموع الموزون لسمات التفاعل المرغوبة.
- $S_{cb}$ : درجة العنوان المضلل (العقوبة).
- $\lambda_{pos}, \lambda_{neg}$ : أوزان قابلة للضبط للموازنة بين التفاعل والتحفظ.

3. المساهمات الرئيسية

إعادة صياغة مفهوم العنوان المضلل: يقترح أن العنوان المضلل ليس فئة منفصلة، بل هو نتيجة متدرجة لتفعيل سمات التفاعل بشكل غير متناسب.
معيار قابل للتحكم: يحدد مساحة قابلة للتفسير من الأبعاد اللغوية التي تفصل بين التحسين المشروع وبين المبالغة التلاعبية.
إطار التوجيه المزدوج: يقدم آلية تحكم مبتكرة في وقت الاستنتاج باستخدام التوجيه الإيجابي (لتعزيز تكتيكات تفاعل محددة) والتوجيه السلبي (لقمع العناوين المضللة)، مما يتجنب الحاجة إلى ضبط دقيق مكلف باستخدام التعلم المعزز (RL).
التدريب المدرك للمقدمة: طور نماذج مساعدة قادرة على تقييم عمليات التوليد الجزئية، مما يسمح بالتوجيه الفوري للنماذج اللغوية الكبيرة.
التحقق التجريبي: يثبت أن النظام يمكنه توليد عناوين أكثر تفاعلاً من العناوين المحايدة، ولكنها أقل إثارة للجدل بكثير من عمليات إعادة الكتابة غير المقيدة.

4. النتائج

نماذج التسجيل:
- حقق نموذج تسجيل العناوين المضللة معامل AUROC > 0.99 على مجموعة الاختبار الاصطناعية، مما يشير إلى قدرة تمييز شبه مثالية بين المتغيرات المحايدة والمضللة.
- نجح نموذج سمات التفاعل في تحديد تكتيكات معينة. وبينما كان من السهل اكتشاف بعض السمات (مثل فجوة الفضول، والقوائم/صيغ التفضيل)، أظهرت سمات أخرى (مثل الإثارة) تداخلًا أكبر، مما يعكس التداخل الطبيعي بين الاستراتيجيات البلاغية.
إعادة الكتابة النوعية:
- إعادة الكتابة غير المقيدة ( $\lambda_{neg}=0$ ): أنتجت عناوين ذات تفاعل عالٍ ولكن مع مبالغات متكررة، وإيحاءات بالسرية، وتشويه عاطفي (مثلاً: "ما الذي يقف وراء...؟" تحولت إلى "الحقيقة الصادمة وراء...").
- إعادة الكتابة المتحكم بها ( $\lambda_{neg} > 0$ ): أنتجت عناوين احتفظت بالتكتيك البلاغي المقصود (مثل الفضول) ولكن ظلت وفية دلاليًا ومتناسبة (مثلاً: "ما خلف..." بقيت "ما خلف..." ولكن بصياغة جذابة).
- مثال:
  - محايد: "الأزمة الفنزويلية تسبب طفرة في القمار."
  - غير مقيد: "الوضع اليائس في فنزويلا يشعل جنون الرهانات عالية المخاطر." (مبالغ فيه)
  - متحكم به: "الصراع اليائس في فنزويلا يسلط الضوء على سعي المواطنين المضطرب للحظ." (جذاب ولكن متحفظ).

5. الأهمية والعمل المستقبلي

الأهمية: يوفر هذا العمل نهجًا مبدئيًا لـ الذكاء الاصطناعي المسؤول لتحسين العناوين. وهو يثبت أن التفاعل والنزاهة ليسا متنافيين؛ بل إن العنوان المضلل هو فشل في الضبط، وليس نتاجًا حتميًا للتحسين. الإطار قابل للتطبيق في الأدوات التحريرية، وأنظمة التوصية، والإشراف على المحتوى.
الاتجاهات المستقبلية:
- توسيع نطاق التحكم ليشمل عقوبات خاصة بتكتيكات معينة (مثل قمع تضخم الشعور بالإلحاح تحديدًا).
- التحقق من النهج باستخدام الأحكام البشرية ومقاييس التفاعل في العالم الحقيقي (CTR) لمعايرة الأوزان.
- تطبيق الإطار على المحتوى طويل التنسيق (الملخصات، منشورات وسائل التواصل الاجتماعي).
- دمج الآلية في حلقات التوليد متعددة الخطوات لتكوين المحتوى المعقد.

باختصار، تقدم الورقة إطار عمل قوي للتحكم في وقت الاستنتاج يستفيد من نموذج FUDGE للملاحة في المقايضة بين الجاذبية والمصداقية، مما يقدم حلاً عمليًا لتوليد عناوين إخبارية أخلاقية.