💻 computer science

From Pre-trained Models to Large Language Models: A Comprehensive Survey of AI-Driven Psychological Computing

تقدم هذه الدراسة المسحية تصنيفاً حوسبياً جديداً للبحوث النفسية القائمة على الذكاء الاصطناعي، ينظم أكثر من 300 عمل من عصر النماذج سابقة التدريب إلى عصر النماذج اللغوية الكبيرة ضمن أربعة أنواع أساسية للمهام، مما يتغلب على التجزئة المنهجية ويسهل النقل المنهجي للمعرفة عبر المجالات النفسية المعزولة.

المؤلفون الأصليون: Huiyao Chen, Ruimeng Liu, Yan Luo, Jiawen Zhang, Meishan Zhang, Baotian Hu, Min Zhang

نُشر 2026-04-07

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Huiyao Chen, Ruimeng Liu, Yan Luo, Jiawen Zhang, Meishan Zhang, Baotian Hu, Min Zhang

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 مجال علم النفس المدعوم بالذكاء الاصطنا-ي كأنه مكتبة ضخمة تعج بالحركة. على مدار الـ 25 عامًا الماضية، انفجر حجم هذه المكتبة، لتتحول من غرفة قراءة صغيرة تضم بضع مئات من الكتب إلى ناطحة سحاب تكتظ بنحو 30,000 مجلد جديد كل عام.

ومع ذلك، هناك مشكلة: المكتبة في حالة فوضى عارمة.

يبني الباحثون أدوات متشابهة في زوايا مختلفة من المكتبة، لكنهم لا يعرفون شيئًا عن بعضهم البعض. فالفريق الموجود في "ركن الاكتئاب" يبني روبوتًا لاكتشاف الحزن، بينما يبني فريق آخر في "ركن الشخصية" روبوتًا متطابقًا تقريبًا لتحليل سمات الشخصية. إنهم يستخدمون نفس المخططات، ونفس الأدوات، ونفس الرياضيات، لكنهم يتحدثون لغات مختلفة ولا يشاركون أسرارهم أبدًا.

هذه الورقة البحثية (الاستقصائية) تشبه أمين مكتبة جديدًا قرر إعادة تنظيم المكتبة بأكملها. وبدلاً من تصنيف الكتب حسب الموضوع (الاكتئاب، القلق، الشخصية)، سيقوم بتصنيفها حسب كيفية تفكير الآلة.

إليك التبسيط السهل لما تفعله هذه الورقة، باستخدام بعض التشبيهات من الحياة اليومية:

1. نظام التصنيف الجديد: أربع طرق "تفكر" بها الآلات

يقول المؤلفون: "توقفوا عن النظر إلى ماذا يفعل الذكاء الاصطناعي (مثل تشخيص الاكتئاب). انظروا إلى كيف يفعل ذلك". لقد قاموا بتجميع جميع مهام الذكاء الاصطناعي النفسي في أربع فئات بسيطة:

شرطي المرور (التصنيف - Classification):
- ما يفعله: ينظر إلى البيانات ويقول "نعم" أو "لا"، أو "النوع أ، ب، أو ج".
- التشبيه: تخيل حارسًا يقف أمام ملهى ليلي. ينظر إلى هويتك ويقرر: "أنت داخل"، "أنت خارج"، أو "أنت في قائمة كبار الشخصيات".
- أمثلة: هل هذا الشخص مصاب بالاكتئاب؟ نعم/لا. هل نمط الشخصية هو "انبساطي"؟ نعم/لا.
ميزان الحرارة (الانحدار - Regression):
- ما يفعله: لا يكتفي بقول "نعم/لا" فحسب؛ بل يعطيك رقمًا على مقي-اس.
- التشبيه: بدلاً من قول "الجو حار"، يقول ميزان الحرارة "درجة الحرارة 37 درجة مئوية". إنه يقيس مقدار وجود شيء ما.
- أمثلة: ما مدى شدة القلق؟ (الدرجة: 12 من 20). ما مقدار التوتر الذي يشعر به الشخص؟
المحقق (العلاقات الهيكلية - Structured Relational):
- ما يفعله: يربط النقاط ببعضها. ينظر إلى كومة فوضوية من الأدلة ويرسم خريطة توضح كيفية ارتباطها ببعضها البعض.
  // التشبيه: تخيل محققًا يربط الصور ببعضها على لوحة فلين باستخدام خيوط حمراء. "الأرق هو مرتبط بالتوتر، والتوتر مرتبط بفقدان الوظيفة".
- أمثلة: رسم خريطة لكيفية تغذية أعراض مرض معين لبعضها البعض، أو بناء مخطط لشبكة الدعم الاجتماعي للشخص.
المعالج (التوليدي التفاعلي - Generative Interactive):
- ما يفعله: ينشئ محتوى جديدًا ويتفاعل معك. هو لا يكتفي بالتحليل، بل يستجيب.
- التشبيه: هذا هو الفرق بين الكتاب الطبي (ثابت) وبين محادثة مع صديق (ديناميكية). الذكاء الاصطنا هنا يستمع لقصتك ويكتب ردًا مواسيًا أو يضع خطة تعليمية مخصصة لك.
- أمثلة: روبوت دردشة (Chatbot) يواسي شخصًا في حالة أزمة، أو معلم ذكاء اصطناعي يكيف أسلوبه التعليمي بناءً على مزاجك.

2. التطور: من "أدوات مخصصة" إلى "عقول خارقة"

تتتبع الورقة كيف تغيرت هذه الأدوات بمرور الوقت، مثل الترقية من مطرقة إلى سكين سويسري، وصولًا إلى عصا سحرية.

المرحلة الأولى: المطرقة (الأسلوب القديم): كان على الباحثين بناء أداة مخصصة لكل مهمة. إذا أرادوا اكتشاف الاكتئاب، كان عليهم تعليم الكمبيوتر يدويًا الكلمات التي يجب أن يبحث عنها. كان الأمر بطيئًا ويتطلب الكثير من البيانات.
المرحلة الثانية: السكين السويسري (النماذج مسبقة التدريب): ثم جاءت نماذج مثل BERT. كانت هذه بمثابة أدوات مدربة مسبقًا تعرف بالفعل كيف تقرأ وتفهم اللغة. كان على الباحثين فقط "تعديلها" لتناسب مهمتهم المحددة. كانت هذه قفزة هائلة للأمام.
المرحلة الثالثة: العصا السحرية (النماذج اللغوية الكبيرة - LLMs): الآن، لدينا عمالقة مثل GPT-4. هذه النماذج ذكية جدًا لدرجة أنها لا تحتاج حتى إلى تعديل كبير. يمكنك فقط التحدث إليها ("تصرف كمعالج وساعد هذا الشخص")، وهي تفعل ذلك فورًا. هذا هو عصر "التعلم من المحاولة الأولى" (Zero-Shot)، حيث يتعلم الذكاء الاصطنا-ي أثناء العمل.

3. لماذا يصعب تنظيم هذه المكتبة (التحديات)

تعترف الورقة بأن تنظيم هذه المكتبة أمر صعب لأن النفس البشرية معقدة وفوضوية.

مشكلة "الصندوق الأسود": يمكننا جعل الذكاء الاصطنا يتنبأ بالاكتئاب بدقة، لكن لا يمكننا دائمًا شرح لماذا. الأمر يشبه طبيبًا يقول "أنت مريض"، لكنه لا يستطيع الإشارة إلى العرض المحدد. في الطب، يحتاج الأطباء لمعرفة "لماذا" لكي يثقوا في التشخيص.
مشكلة "الوسم الذاتي" (Subjective Label): إذا نظر خبيران بشريان إلى نفس الشخص الحزين، فقد يختلفان في التشخيص. وإذا تم تدريب الذكاء الاصطنا-ي على هذا الاختلاف، فسيصاب بالارتباك. يحتاج الذكاء الاصطنا-ي لفهم أنه في بعض الأحيان لا توجد إجابة واحدة "صحيحة".
خزنة الخصوصية: البيانات النفسية هي أكثر أنواع البيانات حساسية على الإطلاق. إنها تشبه مذكرات تخبئ فيها أعمق مخاوفك. لا يمكننا ببساطة رمي هذه البيانات في سحابة عامة. نحن بحاجة إلى أقفال خاصة (تشفير) وطرق لتدريب الذكاء الاصطنا-ي دون رؤية صفحات المذكرات الأصلية أبدًا.
العدسة الثقافية: النموذج الذي تم تدريبه على الأمريكيين قد يعتقد أن "التحدث عن المشاعر" أمر صحي. لكن في بعض الثقافات، التحدث عن المشاعر أمر محظور، وقد يظهر الحزن في شكل صداع. إذا لم يفهم الذكاء الاصطنا-ي هذا السياق الثقافي، فسيقع في أخطاء فادحة.

4. الصورة الكبيرة: لماذا يهم هذا؟

يجادل المؤلفون بأنه من خلال تصنيف هذه المهام بناءً على كيفية عملها (الكتل الأربع المذكورة أعلاه) بدلاً من ما تعالجه (الاكتئاب مقابل القلق)، يمكننا أخيرًا مشاركة المعرفة.

الفائدة: إذا اكتشف باحث طريقة رائعة لجعل الذكاء الاصطنا-ي "المعالج" أفضل في الاستماع، فيمكن استخدام نفس الحيلة لجعل الذكاء الاصطنا-ي "المحقق" يرسم العلاقات بشكل أفضل.
الهدف: الانتقال من مكتبة مجزأة حيث يعيد الجميع اختراع العجلة، إلى نظام موحد حيث يمكننا بناء أدوات أفضل، أسرع، وأكثر أمانًا لدعم الصحة النفسية للبشر.

باختصار: هذه الورقة هي خارطة طريق. تخبرنا أنه بدلًا من بناء 1,000 جسر صغير مختلف لعبور نهر الصحة النفسية، يجب أن نبني جسرًا واحدًا ضخمًا ومتينًا يحتوي على أربعة مسارات متميزة (التصنيف، الانحدار، العلاقات، والتوليد) يمكن للجميع استخدامها معًا.

إليك ملخص تقني مفصل للورقة البحثية الاستقصائية بعنوان "من النماذج سابقة التدريب إلى النماذج اللغوية الكبيرة: مسح شامل للحوسبة النفسية المدفوعة بالذكاء الاصطناعي."

1. بيان المشكلة

شهد تقاطع الذكاء الاصطناعي (AI) مع العلوم النفسية نمواً هائلاً، حيث ارتفع عدد المنشورات من 859 في عام 2000 إلى ما يقرب من 30,000 في عام 2025. ومع ذلك، أدى هذا التوسع السريع إلى تجزؤ منهجي.

صوامع متمحورة حول المجال: يتم تنظيم الأبحاث حالياً حسب مجالات التطبيق (مثل علم النفس الإكلينيكي، علم النفس التربوي، أبحاث الشخصية) بدلاً من الخصائص الحسابية.
التكرار والعزلة: يتم تطوير تقنيات حسابية متشابهة (مثل آليات الانتباه للكشف عن الاكتئاب مقابل التنبؤ بمخاطر الانتحار) بشكل مستقل في مجالات فرعية معزولة، مما يمنع نقل المعرفة.
القيود الفريدة: تواجه الحوسبة النفسية تحديات متميزة مقارنة بالذكاء الاصطناعي القياسي، بما في ذلك عدم اليقين في التصنيف (الأحكام الإكلينيكية الذاتية)، صحة البناء (قياس الكيانات النظرية)، قيود الخصوصية (بيانات الصحة العقلية الحساسة)، وصحة الصلاحية عبر الثقافات (الاختلافات الثقافية في التعبير عن الأعراض).

تجادل الورقة بأن المجال يفتقر إلى إطار حسابي موحد لتنظيم هذه المهام، مما يعيق التقدم المنهجي ونقل الابتكارات المنهجية.

2. المنهجية

أجرى المؤلفون مسحاً شاملاً لأكثر من 300 عمل تمثيلي يمتد عبر عصرين تكنولوجيين:

عصر النماذج سابقة التدريب (PLM) (2018–2022): تميز بهياكل مثل BERT وGPT-2، مع التركيز على التعلم بنقل التعلم (transfer learning) والضبط الدقيق المخصص للمهام.
عصر النماذج اللغوية الكبيرة (LLM) (2023–الحاضر): تميز بنماذج مثل GPT-4 وClaude، مع التركيز على التعلم من الصفر (zero-shot learning)، والتكيف من خلال أمثلة قليلة (few-shot adaptation)، والواجهات اللغوية الطبيعية.

الابتكار المنهجي الجوهري:
بدلاً من التنظيم حسب التطبيق، يقترح المؤلفون تصنيفاً حسابياً يعتمد على أنماط المعالجة وأنواع المخرجات. لقد صاغوا المهام النفسية كزوج مرتب $T = \langle X, Y, F \rangle$ ، حيث $X$ هو فضاء المدخلات (بيانات متعددة الوسائط)، و $Y$ هو فضاء المخرجات (البناءات النفسية)، و $F$ هي الدالة الحسابية.

3. المساهمات الرئيسية

أ. تصنيف حسابي جديد

تقدم الورقة تصنيفاً منهجياً يصنف المهام النفسية المدفوعة بالذكاء الاصطناعي إلى أربعة أنواع أساسية، متجاوزة الحدود التقليدية للمجالات:

مهام التصنيف:
- الهدف: ربط المدخلات بتصنيفات فئوية منفصلة (مثل: اكتئاب مقابل لا اكتئاب، أو أنواع شخصية "الخمس الكبرى").
- التقنيات: التعرف على الأنماط التمييزية باستخدام رؤوس softmax على المشفرات (BERT, RoBERTa, ViT).
- أمثلة: التنبؤ بمخاطر الانتحار، اكتشاف اضطراب نقص الانتباه مع فرط النشاط (ADHD)، والتعرف على الشخصية.
مهام الانحدار:
- الهدف: التنبؤ بقيم عددية مستمرة تقيس البناءات النفسية (مثل درجات الشدة، مستويات التوتر).
- التقنيات: رؤوس انحدار خطي تربط المدخلات بمقاييس مستمرة (مثل درجات PHQ-9).
- أمثلة: قياس شدة الاكتئاب، تقدير القدرة المعرفية، وتقييم التكافؤ/الاستثارة العاطفية.
المهام العلاقاتية الهيكلية:
- الهدف: استخراج ونمذجة العلاقات المعقدة، الشبكات، والديناميكيات الزمنية.
- التقنيات: الشبكات العصبية الرسومية (GNNs)، الرسوم البيانية للمعرفة (Knowledge Graphs)، ونمذجة التسلسل.
- أمثلة: شبكات التزامن في الأعراض، رسوم الدعم الاجتماعي، تنقيب المسارات الإكلينيكية، ونمذجة المسار الزمني.
المهام التوليدية والتفاعلية:
- الهدف: إنشاء محتوى نفسي مخصص والحفاظ على التفاعل الديناميكي مع المستخدم.
- التقنيات: نماذج تسلسل-إلى-تسلسل (sequence-to-sequence)، إدارة الحوار، والتعلم التعزيزي.
- أمثلة: روبوتات الدردشة العلاجية، أنظمة التدخل في الأزمات، أنظمة التعليم التكيفية، وتوليد خطط علاجية مخصصة.

ب. تحليل التطور التقني

تتتبع الورقة التحول في المنهجيات:

من هندسة الميزات إلى التعلم بنقل التعلم: اعتمدت مناهج PLM المبكرة على الضبط الدقيق لطبقات محددة مع بيانات محدودة التصنيف.
من الضبط الدقيق إلى التلقين (Prompting): قدمت النماذج اللغوية الكبيرة (LLMs) قدرات التعلم من الصفر ومن أمثلة قليلة، مما قلل الحاجة إلى مجموعات بيانات ضخمة مصنفة، وسمح بالتكيف السريع عبر هندسة التلقين وضبط التعليمات.
التكامل متعدد الوسائط: الانتقال من الوسائط الفردية (النصوص فقط) إلى الأنظمة المتكاملة التي تجمع بين النصوص، الصوت، الفيديو، والإشارات الفسيولوجية (الأجهزة القابلة للارتداء).

ج. المسح المنهجي للموارد

تقدم الورقة نظرة عامة منسقة لـ:

مجموعات البيانات: مصنفة حسب نوع المهمة ومصدر البيانات (إكلينيكي/مخبري، طولي، بيئي/طبيعي). وتسلط الضوء على ندرة مجموعات البيانات عالية الجودة، الطولية، والمتنوعة ثقافياً.
مقاييس التقييم: تتجاوز مقاييس الدقة/F1 القياسية لتشمل صحة البناء، المنفعة الإكلينيكية، الصلاحية البيئية، ومقاييس العدالة. كما تفصل مقاييس محددة لكل نوع من المهام (مثل CCC للانحدار، مسافة تحرير الرسم البياني للمهام العلاقاتية، ومهارات الاستشارة المقيمة بشرياً للمهام التوليدية).

د. تحليل التحديات والتوجهات المستقبلية

حدد المؤلفون أربعة تحديات حرجة واقترحوا توجهات بحثية مستقبلية:

القابلية للتفسير: الانتقال من التنبؤات "الصندوق الأسود" إلى التفسيرات المتوافقة مع النظريات التي يمكن للأطباء الوثوق بها (مثل ربط الميزات بمعايير DSM-5).
عدم اليقين في التصنيف: معالجة الغموض المتأصل في التصنيفات النفسية (الاختلاف بين المقيمين) بدلاً من فرض الإجماع.
الخصوصية والأمن: تطوير تقنيات قوية للحفاظ على الخصوصية (التعلم الاتحادي، الخصوصية التفاضلية) لبيانات الصحة العقلية الحساسة.
الصلاحية عبر الثقافات: التخفيف من التحيزات المتمحورة حول الغرب في بيانات التدريب والنماذج لضمان القابلية للتطبيق عالمياً.

4. النتائج والمكتشفات

التحول النوعي: انتقل المجال من "المركزية النفسية" (دراسات صغيرة ومسيطر عليها) إلى "المركزية الحسابية" (نهج واسع النطاق مدفوع بالبيانات)، مع نمو منشورات علوم الحاسوب بشكل أسي مقارنة بالمجالات النفسية التقليدية.
تأثير النماذج اللغوية الكبيرة (LLM): أحدثت هذه النماذج تحولاً جذرياً في المجال من خلال تمكين التحليل النفسي المتطور بأقل قدر من التدريب الخاص بالمهمة، رغم أنها تفرض تحديات جديدة تتعلق بالهلوسة والسلامة.
الفجوات المنهجية: رغم التقدم التقني، توجد فجوة كبيرة بين النماذج البحثية الأولية والتطبيق الإكلينيكي بسبب قضايا التفسير، نقص البيانات الطولية، وعدم كفاية التحقق عبر الثقافات.
فائدة التصنيف: يكشف التنظيم حسب الأنماط الحسابية أن نموذج الانحدار لشدة القلق يتشارك في العديد من السمات التقنية مع نموذج الانحدار للتدهور المعرفي أكثر مما يتشارك مع نموذج تصنيف القلق، مما يسهل نقل المعرفة عبر المجالات.

5. الأهمية

إطار توحيدي: هذه هي أول مسح ينظم المجال المشتت للحوسبة النفسية المدفوعة بالذكاء الاصطناعي بناءً على أنماط المعالجة الحسابية بدلاً من مجالات التطبيق. وهذا يسمح للباحثين بنقل الحلول عبر المجالات الفرعية (مثل تطبيق تقنية تعلم رسومي من تحليل الشبكات الاجتماعية إلى نمذجة شبكة الأعراض).
الربط بين النظرية والممارسة: من خلال التأكيد على صحة البناء والمنفعة الإكلينيكية، تضمن الورقة بقاء المناهب الحسابية راسخة في النظرية النفسية والواقع الإكلينيكي، بدلاً من مجرد تحسين الدقة التنبؤية.
خارطة طريق للنشر: يوفر التحليل المفصل للتحديات والتوجهات المستقبلية (التوائم الرقمية، التدخلات ذات الحلقة المغلقة، اكتشاف السببية) خارطة طريق واضحة للباحثين والممارسين الذين يهدفون إلى نشر الذكاء الاصطنا stub في بيئات الصحة العقلية الواقعية.
تجميع الموارد: يعمل الفهرس الشامل لمجموعات البيانات والمقاييس والمعايير كمرجع حاسم للمجتمع لتوحيد التقييم وتحسين قابلية التكرار.

في الختام، تجادل الورقة بأن تبني منظور حسابي أمر ضروري لتسريع التقدم في علم النفس الحسابي، والانتقال من التجارب المعزولة والمحددة بالمجال إلى تخصص متماسك، وقابل للتوسع، وفعال إكلينيكياً.