📊 statistics

Active Inference with People: a general approach to real-time adaptive experiments

تقدم هذه الورقة إطار عمل تجريبيًا تكيفيًا موحدًا وفي الوقت الفعلي يجمع بين الاستدلال النشط ومنصة PsyNet لتحسين الدراسات السلوكية المتنوعة —مثل الاختبار التكيفي وتعيين العلاج— عبر وسائط متعددة، مما يحسن الكفاءة والدقة بشكل كبير مقارنة بالتصاميم الثابتة التقليدية.

المؤلفون الأصليون: Lucas Gautheron, Nori Jacoby, Peter Harrison

نُشر 2026-04-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Lucas Gautheron, Nori Jacoby, Peter Harrison

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 باستخدام لغة بسيطة، وتشبيهات إبداعية، واستعارات من الحياة اليومية.

الفكرة الكبرى: "المتسوق الذكي" للتجارب

تخيل أنك صاحب متجر يحاول معرفة مقدار المال الذي يملكه العميل في جيبه بالضبط.

الطريقة القديمة (التجربة الثابتة):
لديك مجموعة قياسية من 15 سؤالاً تطرحها على كل عميل: "هل لديك قرش؟" "هل لديك دولار؟" "هل لديك مليون دولار؟"

إذا كان العميل مليارديرًا، فإن السؤال عن القروش هو مضيعة للوقت.
إذا كان العميل مفلسًا، فإن السؤال عن الملايين سيكون مربكًا ومزعجًا.
أنت تسأل الجميع نفس الـ 15 سؤالاً، بغض النظر عما أخبروك به بالفعل. هذا الأمر بطيء، ممل، وغير فعال.

الطريقة الجديدة (التجربة التكيفية):
أنت توظف "متسوقًا ذكيًا" (خوارزمية الكمبيوتر). هذا الشخص يطرح سؤالًا واحدًا، يستمع للإجابة، ويقرر فورًا السؤال المثالي التالي بناءً على تلك الإجابة.

إذا قلت "لدي دولار واحد"، سيتخطى المتسوق الذكي سؤال القرش ويسأل: "هل لديك خمسة؟"
إذا قلت "لا"، سيتوقف عن السؤال عن المال وينتقل إلى موضوع آخر.
النتيجة: سيعرف صافي ثروتك في نصف الوقت، وبنصف عدد الأسئلة، وأنت (العميل) ستكون أقل شعورًا بالملل.

تقدم هذه الورقة طريقة موحدة جديدة لبناء هؤلاء "المتسوقين الأذكياء" لجميع أنواع التجارب العلمية، وليس فقط لأسئلة المال.

المكونان الرئيسيان

لقد دمج المؤلفون أداتين قويتين لتحقيق ذلك:

1. الاستدلال النشط (Active Inference): "المحقق الفضولي"

فكر في الاستدلال النشط كمحقق لديه هدفان:

تعلم الحقيقة (المعرفية): "أحتاج أن أعرف ما إذا كان المشتبه به مذنبًا أم لا."
الحصول على نتيجة محددة (البراغماتية): "أحتاج للإمساك بالمجرم قبل أن يهرب."

معظم الطرق القديمة كانت تشبه المحققين الذين يريدون فقط تعلم الحقيقة، حتى لو استغرق الأمر وقتًا طويلاً. بينما كانت طرق أخرى تشبه المحققين الذين يريدون فقط الإمساك بالمجرم، حتى لو لم يفهموا الجريمة.

الاستدلال النشط مميز لأنه يوازن بين الاثنين. فهو يسأل: "أي سؤال سيعلمني أكثر عن الحقيقة وَ يساعدني في حل القضية الآن؟"

تشبيه: تخيل أنك تلعب لعبة فيديو. أنت تريد العثور على الكنز (الهدف)، ولكنك تريد أيضًا تعلم الخريطة (المعرفة). الاستدلال النشط هو الاستراتيجية التي تخبرك بالضبط أي مسار يجب أن تسلكه للحصول على الكنز بأسرع ما يمكن مع تعلم الخريطة في طريقك.

2. شبكة سايك نت (PsyNet): "جهاز التحكم عن بعد العالمي"

حتى مع وجود محقق بارع، فأنت بحاجة إلى طريقة للتواصل مع الأشخاص في التجربة. وهنا يأتي دور PsyNet.

تشبيه: فكر في PsyNet كجهاز تحكم عن بعد عالمي للإنترنت. سواء كنت تعرض للناس صورة، أو تشغل صوتًا، أو تطرح سؤالًا نصيًا، أو تعرض لعبة فيديو، فإن PsyNet يتولى الأمور التقنية "الداخلية".
إنه يسمح للباحثين بتوصيل "المحقق الذكي" الخاص بهم (الرياضيات) والبدء فورًا في إجراء تجارب مع آلاف الأشخاص عبر الإنترنت، دون الحاجة لأن يكونوا عباقرة في البرمجة.

التجربتان في الورقة البحثية

اختبر المؤلفون فكرتهم من خلال "لعبتين" مختلفتين لإثبات نجاحها.

التجربة 1: "برنامج المسابقات" (الاختبار التكيفي)

الهدف: معرفة مدى ذكاء الشخص في المعلومات العامة (مثل حقائق المجموعة الشمسية) بأسرع وقت ممكن.
المشكلة: إذا أعطيت عبقريًا سؤالًا عن "ما هو 2+2؟"، فسيكون السؤال بلا فائدة. وإذا أعطيت طفلًا سؤالًا عن "الفيزياء الكمية"، فسيكون السؤال مستحيلاً.
الحل: يقوم النظام بطرح سؤال. إذا أجبت بشكل صحيح، يختار فورًا سؤالًا أصعب. إذا أخطأت، يختار سؤالًا أسهل.
النتيجة: وجدوا أن بإمكانهم تحديد مستوى معرفة الشخص بـ 30-40% أقل من الأسئلة مقارنة بالطريقة القديمة، دون فقدان أي دقة. الأمر يشبه إنهاء ماراثون في وقت قياسي دون تعب.

التجربة 2: "الخدعة السحرية" (العلاج التكيفي)

الهدف: العثور على سؤال المعلومات العامة المحدد الذي يميز بدقة بين الأشخاص الحاصلين على شهادة جامعية وأولئك الذين لا يملكونها.
المشكلة: في التجربة العادية، قد تسأل 100 شخص 15 سؤالًا مختلفًا. أنت تضيع الوقت في طرح أسئلة يعرفها الجميع أو لا يعرفها أحد.
الحل: يتعلم النظام أثناء العمل. إذا لاحظ أن سؤال "من كان أول رئيس؟" هو السؤال المثالي للتمييز بين الناس، فإنه يبدأ في طرح ذلك السؤال على معظم الناس، متجاهلاً الأسئلة غير المفيدة.
النتيجة: وجد النظام "السؤال السحري" بدقة أكبر بـ 3 مرات من الطريقة القديمة. كان الأمر مثل طباخ يتذوق الحساء ويضيف فورًا الكمية الصحيحة من الملح، بدلًا من التخمين.

لماذا يهم هذا الأمر؟

يوفر الوقت والمال: يمكن للباحثين إجراء التجارب بشكل أسرع وأرخص لأنهم لا يحتاجون إلى عدد كبير من المشاركين أو عدد كبير من الأسئلة.
هو أفضل للبشر: لا يشعر المشاركون بالملل من الإجابة على أسئلة سهلة جدًا أو صعبة جدًا. يظلون متفاعلين.
يوحد العلوم: قبل هذا، كان "اختبار القدرة" و"اختبار العلاجات" يتمان باستخدام رياضيات وبرمجيات مختلفة تمامًا. تقول هذه الورقة: "مهلاً، إنها في الواقع نفس المشكلة!" إنها تعطي العلماء صندوق أدوات واحد لحل العديد من الألغاز المختلفة.

الخلاصة

هذه الورقة تشبه تسليم العلماء سيارة ذاتية القيادة ذكية لأبحاثهم. بدلًا من التوجيه يدويًا عبر كل مطب ومنعطف (طرح كل سؤال لكل شخص)، يمكنهم تحديد الوجهة (هدف البحث)، وتقوم السيارة (الاستدلال النشط + PsyNet) تلقائيًا بتحديد أسرع وأكثر الطرق كفاءة للوصول إلى هناك، مع التكيف مع حركة المرور (إجابات المشاركين) في الوقت الفعلي.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "الاستدلال النشط مع البشر: نهج عام للتجارب التكيفية في الوقت الفعلي".

1. بيان المشكلة

تعمل التجارب التكيفية على تحسين تصميمها بشكل تكراري بناءً على البيانات التي يتم جمعها، مما يوفر مزايا كبيرة مقارنة بالتصاميم الثابتة (مثل: تقليل عدد المحاولات، دقة أعلى، وتخصيص أفضل للموارد). ومع ذلك، فإن هذا المجال يعاني حالياً من التجزئة:

العزلة المفاهيمية: تُعامل سيناريوهات مثل الاختبارات المحوسبة التكيفية (CAT)، وتعيين العلاج التكيفي (مثل التجارب السريرية)، والتعلم النشط، كمسائل منفصلة ذات خوارزميات وأطر برمجية مستقلة.
عوائق التنفيذ: تواجه التجارب التكيفية في الوقت الفعلي تحديات حوسبية كبيرة. فغالباً ما يتطلب حساب التصاميم المثلى (مثل كسب المعلومات المتوقع) تكاملات مستعصية أو عينات "مونت كارلو" ثقيلة، وهو أمر يصعب تنفيذه ضمن قيود زمن الاستجابة الضيقة للتفاعل بين الإنسان والحاسوب عبر الإنترنت.
الافتقار إلى التوحيد: لا يوجد إطار عمل موحد يمكنه التعامل مع أنماط متنوعة (نص، صوت، فيديو) وأهداف مختلفة (اكتساب المعرفة البحتة مقابل تعظيم نتائج محددة) ضمن بنية برمجية واحدة.

2. المنهجية

يقترح المؤلفون إطار عمل موحداً يجمع بين الاستدلال النشط (وهو إطار بايزي من علوم الأعصاب الإدراكي) و PsyNet (منصة بايثون نمطية للتجارب السلوكية عبر الإنترنت).

أ. الإطار النظري: الاستدلال النشط

تستخدم الورقة الاستدلال النشط كتعميم للتصميم التكيفي البايزي (BAD). وهي توحد هدفين متميزين تحت دالة هدف واحدة هي: الطاقة الحرة المتوقعة (G).

دالة الهدف: $G(d) \approx -[EIG(d) + U(d)]$ $G (d) \approx - [E I G (d) + U (d)]$
- الدافع المعرفي (EIG): كسب المعلومات المتوقع. يعمل على تعظيم المعرفة بالمعلمات الكامنة (مثل قدرة المشارك).
- الدافع البراغماتي (U): المنفعة المتوقعة. يعمل على تعظيم نتائج محددة أو تقليل التكاليف (مثل العثور على أفضل علاج، أو تجنب المهام الطويلة).
الآلية: يختار النظام التصميم $d$ $d$ (مثل السؤال التالي أو العلاج) الذي يقلل من قيمة $G$ $G$ .
- في التجربة 1 (الاختبار التكيفي)، تكون قيمة حد المنفعة صفراً ( $U=0$ )، مما يقلل الهدف إلى تعظيم كسب المعلومات المتوقع (EIG) فقط (وهو ما يمثل التصميم التكيفي البايزي القياسي).
- في التجربة 2 (تعيين العلاج)، تكون قيمة حد المنفعة غير صفرية، مما يسمح للنظام بالموازنة بين الاستكشاف (التعلم عن العلاجات) والاستغلال (تقديم أفضل علاج معروف).
محرك الاستدلال: للتعامل مع قيود الوقت الفعلي، استخدم المؤلفون الاستدلال التبايني (VI) بدلاً من "ماركوف تشين مونت كارلو" (MCMC). يقوم الاستدلال التبايني بتقريب التوزيع اللاحق باستخدام عائلة قابلة للتحكم من التوزيعات (مثل التوزيعات الطبيعية المستقلة)، وتحسين المعلمات عبر التدرج الاشتقاقي العشوائي. وهذا يسمح بتحديثات سريعة للتوزيع اللاحق بعد كل استجابة من المشارك.

ب. منصة التنفيذ: PsyNet

تعمل PsyNet كطبقة تنفيذ، حيث تسد الفجوة بين الحوسبة البايزية المعقدة والتجارب السلوكية عبر الإنترنت.

البنية: إطار عمل بايثون نمطي وكائني التوجه مبني على Dallinger. يدعم النشر على خوادم السحاب (AWS, Heroku) والتكامل مع منصات التوظيف (Prolific, MTurk).
النمطية: يفصل النظام بين الجدول الزمني (تدفق التجربة)، و صناع الاختبارات (منطق اختيار المهام)، و الاختبارات (المحفزات/الاستجابة)، و وحدة التحسين.
المنطق التكيفي: يتم تحميل فئة TrialMaker لاستدعاء مُحسّن خارجي. يقوم هذا المُحسّن بحساب الطاقة الحرة المتوقعة لجميع المحفزات المرشحة ويختار المحفز الأمثل في الوقت الفعلي، ثم يمرر النتيجة إلى صانع الاختبار.
القابلية للتوسع: تدعم البنية المستخدمين المتزامنين ونقل البيانات في الوقت الفعلي، وهو أمر ضروري لتحديث الأولويات (priors) بناءً على البيانات الجماعية لجميع المشاركين.

3. المساهمات الرئيسية

إطار رياضي موحد: تثبت الورقة أن الاختبارات التكيفية المحوسبة (CAT) وتعيين العلاج التكيفي يمكن حلهما باستخدام نفس آليات الاستدلال النشط، مع الاختلاف فقط في تحديد دالة المنفعة ( $U$ ).
الجدوى في الوقت الفعلي: من خلال الجمع بين الاستدلال التبايني و PsyNet، يثبت المؤلفون أن التصاميم التكيفية البايزية المعقدة يمكن تنفيذها في الوقت الفعلي مع مشاركين بشريين، متجاوزين بذلك الاختناقات الحوسبية السابقة.
أدوات عملية: يوفر المؤلفون تنفيذاً مفتوح المصدر بالكامل (Python/Pyro) يسمح للباحثين بالتبديل بين التصاميم الثابتة والتكيفية، أو بين استراتيجيات التحسين المختلفة، بأقل قدر من التغييرات في الكود.
التعامل مع البيانات غير المعايرة: يعمل النهج بفعالية حتى عندما تكون صعوبات العناصر أو تأثيرات العلاج غير معروفة مسبقاً، حيث يتعلم النظام هذه الخصائص ديناميكياً أثناء التجربة.

4. النتائج التجريبية

تحقق المؤلفون من صحة النهج من خلال تجربتين شملتا 200 مشارك بشري (بالإضافة إلى عمليات محاكاة باستخدام مجموعة بيانات "الأوراكل" حيث كانت جميع الإجابات معروفة).

التجربة 1: الاختبار التكيفي (تقييم المعرفة)

الهدف: تقدير قدرة المشارك ( $\theta$ ) باستخدام أسئلة معلومات عامة ذات صعوبة ( $\delta$ ) غير معروفة.
الاستراتيجية: تعظيم كسب المعلومات المتوقع (EIG) لاختيار السؤال الأكثر إفادة.
النتائج:
- الكفاءة: قلل عدد المحاولات المطلوبة بنسبة 30-40% مقارنة بالتصميم الثابت (متوسط 9.6 محاولة مقابل 15).
- الدقة: ارتبطت تقديرات القدرة من التصميم التكيفي ارتباطاً وثيقاً بتقديرات "الأوراكل" ( $R^2 = 0.96$ ).
- الاحتفاظ بالمعلومات: احتفظ التصميم التكيفي بـ 96% من إجمالي كسب المعلومات الذي يمكن تحقيقه من خلال مجموعة بيانات الأوراكل الكاملة.

التجربة 2: تعيين العلاج التكيفي (التمييز)

الهدف: تحديد أسئلة المعلومات العامة التي تميز بشكل أفضل بين المشاركين من ذوي التعليم الجامعي وغير الجامعي.
الاستراتيجية: تقليل الطاقة الحرة المتوقعة، والموازنة بين كسب المعلومات المتوقع (EIG) (التعلم عن صعوبة السؤال) والمنفعة (تعظيم احتمالية الإجابة الصحيحة للمتعلمين جامعيين واحتمالية الإجابة الخاطئة للآخرين).
النتائج:
- الدقة: حدد نهج الاستدلال النشط العلاج الأمثل (أفضل سؤال تمييزي) بدقة تصل إلى 3 أضعاف التصميم الثابت (أخذ العينات المتساوي).
- التوازن الديناميكي: نجح النظام في الانتقال من الاستكشاف (اختبار أسئلة متنوعة لتعلم خصائصها) إلى الاستغلال (التركيز على أفضل الأسئلة) مع تراكم البيانات.
- المقارنة: في عمليات المحاكاة، تفوق الاستدلال النشط على خوارزميات "البانديت" القياسية (مثل Thompson Sampling و Exploration Sampling) عندما كان استغلال المعلومات السياقية (مستوى تعليم المشارك) أمراً حاسماً.

5. الأهمية والتوجهات المستقبلية

الربط بين التخصصات: يكسر هذا العمل الحواجز بين القياس النفسي، والتجارب السريرية، والتعلم الآلي، مقدماً "صندوق أدوات" واحداً للتجارب التكيفية.
القابلية للتوسع: يجعل استخدام PsyNet والاستدلال التبايني هذه الأساليب المتقدمة متاحة لعلماء السلوك الذين قد لا يمتلكون خبرة عميقة في الإحصاء الحوسبي.
تقييم النموذج في الوقت الفعلي: تقدم الورقة طرقاً لفحص النموذج في الوقت الفعلي (مخططات الموثوقية) للكشف عن سوء التوصيف أثناء جمع البيانات.
العمل المستقبلي: يقترح المؤلفون توسيع الإطار ليشمل التصميم التكيفي العميق (استخدام الشبكات العصبية لتعلم السياسات) و التعلم عبر الإنترنت (تحديث التوزيعات اللاحقة بشكل تدريجي دون إعادة الحساب من الصفر) لتحسين القابلية للتوسع لمجموعات البيانات الضخمة.

في الختام، توفر الورقة حلاً قوياً وموحداً وقابلاً للتنفيذ عملياً للتجارب التكيفية في الوقت الفعلي، وتثبت أن الاستدلال النشط يمكن أن يحسن بشكل كبير من الكفاءة والدقة عبر مختلف تطبيقات العلوم السلوكية.