A Multi-Model Approach to English-Bangla Sentiment Classification of Government Mobile Banking App Reviews
تحلل هذه الدراسة 5,652 مراجعة باللغتين الإنجليزية والبنغالية لتطبيقات الخدمات المصرفية عبر الهاتف المحمول التابعة للحكومة البنغلاديشية الأربعة باستخدام نهج تسمية هجين ونماذج متعددة، كاشفةً أن خوارزميات التعلم الآلي التقليدية تفوقت على النماذج القائمة على المحولات في تصنيف المشاعر مع تحديد سرعة المعاملات وتصميم الواجهة كنقاط ضعف رئيسية للمستخدمين، وتسليط الضوء على فجوة أداء كبيرة بين معالجة اللغتين الإنجليزية والبنغالية.
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 أربعة بنوك حكومية في بنغلاديش (سونالي، أغراني، جاناتا، وروبالي) قامت ببناء تطبيقات للهواتف المحمولة لمساعدة الناس على إدارة أموالهم. هذه التطبيقات تشبه الفروع الرقمية، ولكن بدلاً من المشي إلى هناك، تقوم بالنقر على الشاشة.
هذا البحث هو في الأساس "تقرير درجات" ضخم لهذه التطبيقات الأربعة، كُتب من خلال تحليل آلاف مراجعات المستخدمين التي تُرِكت على متجر "جوجل بلاي". أراد الباحثون معرفة: هل الناس سعداء؟ ما الذي يشتكون منه؟ وهل تستطيع الحواسيب فهم شكواهم باللทั้ง اللغتين الإنجليزية والبنغالية؟
إليك قصة نتائجهم، مقسمة إلى مفاهيم بسيطة:
1. عمل المحقق: تنظيف البيانات الفوضوية
بدأ الباحثون بأكثر من 11,000 مراجعة. كانت كومة فوضوية من البيانات — بعضها مكرر، وبعضها بلغات أخرى غير الإنجليزية أو البنغالية، وبعضها مجرد هراء.
- التشبيه: تخيل أنك تحاول فرز حقيبة ضخمة من الكرات الملونة المختلطة. كان عليهم رمي الكرات المكسورة والألوان الخاطئة حتى تبقى لديهم حقيبة نظيفة من 5,652 مراجعة (معظمها بالإنجليزية، وبعضها بالبنغالية).
2. مشكلة التصنيف: النجوم مقابل الكلمات
عادةً، عندما تقيم تطبيقاً، فإن نجمة واحدة أو اثنتين تعني "أنا أكرهه"، و4 أو 5 نجوم تعني "أنا أحبه". لكن أحياناً، يكتب الشخص مراجعة جيدة ولكنه يعطي نجمة واحدة بسبب خطأ تقني (bug)، أو العكس.
- الحل: استخدم الباحثون نهجاً "هجيناً". تركوا تقييم النجوم ليكون التخمين الأول، ثم استخدموا برنامجاً حاسوبياً ذكياً (ذكاء اصطناعي) لقراءة الكلمات الفعلية. إذا تعارضت النجوم مع الكلمات، كانوا يستبعدون تلك المراجعة لتجنب الارتباك.
- النتيجة: انتهى بهم الأمر بمجموعة أصغر وأكثر موثوقية من المراجعات حيث اتفقت النجوم مع الكلمات.
3. السباق: الذكاء الاصطناعي "القديم" ضد "الجديد"
وضع الباحثون نوعين من النماذج الحاسوبية في مواجهة بعضهما البعض لمعرفة أيهما يمكنه تخمين ما إذا كانت المراجعة إيجابية أم سلبية:
- فريق "المدرسة القديمة": هذه هي النماذج الرياضية التقليدية والأبسط (مثل Random Forest و SVM). فكر فيها كأنهم محاسبون ذوو خبرة وعمليون قد رأوا كل شيء.
- فريق "المدرسة الجديدة": هذه نماذج ذكاء اصطناعي ضخمة ومعقدة (مثل XLM-RoBERTa). فكر فيها كأنهم طلاب دكتوراه عباقرة قرأوا الإنترنت بالكامل ولكنهم قد يبالغون في تحليل الأمور.
المفاجأة: فاز المحاسبون من "المدرسة القديمة". لقد كانوا أكثر دقة وأسرع قليلاً من طلاب الدكتوراه العباقرة. أدرك الباحثون أنه بالنسبة لهذه المهمة المحددة (مراجعات البنوك)، كانت الأدوات الأبسط أفضل في الواقع لأن النماذج "العبقرية" تحتاج إلى المزيد من البيانات لتتعلم المصطلحات البنكية واللغة العامية الخاصة بها.
4. محقق "الجوانب": ما الذي يغضب الناس بالضبط؟
باستاستخدام ذكاء اصطناعي مختلف ومتخصص للغاية (DeBERTa)، لم يسألوا فقط "هل هذا الشعور سعيد أم حزين؟" بل سألوا: "ما الذي يجعلهم حزانى تحديداً؟"
لقد نظروا في ست فئات: السرعة، الأمان، التصميم، خدمة العملاء، الميزات، والمعاملات.
- الحكم: كانت أكبر الشكاوى تتعلق بـ السرعة (التطبيق بطيء) و التصميم (استخدامه مربك).
- الخاسر: كان تطبيق eJanata هو الأداء الأسوأ بوضوح. فقد سجل أدنى التقييمات، وأبطأ السرعات، وأكبر عدد من الشكاوى حول التصميم. كان مثل الطالب الذي رسب في جميع المواد.
- الفائز: كان Rupali e-Bank هو الأكثر إعجاباً، رغم أن أيّاً منهم لم يكن مثالياً.
5. فجوة اللغة: "عدم المساواة بين الإنجليزية والبنغالية"
هذه هي النتيجة الأكثر أهمية. اختبر الباحثون مدى فهم الذكاء الاصطناعي للمراجعات بالإنجليزية مقابل البنغالية.
- النتيجة: كان الذكاء الاصطناعي أفضل بنسبة 16% في فهم الإنجليزية مقارنة بالبنغالية.
- الاستعارة: تخيل مترجماً لغته الأم هي الإنجليزية ولكنه أخذ فقط دورة أساسية في اللغة البنغالية. إذا طلبت منه ترجمة وثيقة قانونية معقدة، فقد يترجم الجزء الإنجليزي بشكل صحيح ولكنه قد يفتقد الدقة في الجزء البنغالي.
- لماذا يهم هذا: العديد من المستخدمين في المناطق الريفية في بنغلاديش يتحدثون البنغالية فقط. إذا استخدم البنك هذا الذكاء الاصطناعي لتصنيف الشكاوى تلقائياً، فقد يتم تجاهل شكاوى المتحدثين بالبنغالية أو فهمها بشكل خاطئ لأن الكمبيوتر لا "يفهمهم" جيداً كما يفهم الإنجليزية. هذه قضية عدالة.
6. السفر عبر الزمن: كيف تغير الشعور بمرور الوقت
من خلال النظر في المراجات من عام 2021 إلى 2025، لاحظ الباحثون نمطاً:
- لعنة "التحديث": في كل مرة تطلق فيها البنوك نسخة جديدة من التطبيق، تزداد الشكاوى. إنه مثل مطعم يغير قائمة طعامه؛ يشعر الناس بالارتباك والغضب حتى يعتادوا على الأمر.
- الاتجاه العام: على مر السنين، أصبحت التطبيقات أسوأ قليلاً، مع تراكم المزيد من المراجعات السلبية، خاصة لتطبيق eJanata.
التوصيات النهائية (قائمة المهام)
بناءً على هذا التقرير، يقترح المؤلفون ثلاثة أشياء للبنوك:
- إصلاح الأساسيات: توقفوا عن إطلاق تطبيقات بطيئة أو صعبة الاستخدام. اختبروها بدقة قبل الإطلاق.
- إدارة الثقة: عندما تقوم بتحديث تطبيق، افعل ذلك ببطء (مثل "اختبار تجريبي" لمجموعة صغيرة) حتى لا تغضب الجميع دفعة واحدة. أيضاً، كن شفافاً بشأن الأمان لكي يثق الناس بك.
- احترام اللغة: تحتاج البنوك إلى بناء أدوات ذكاء اصطناዊ أفضل خصيصاً للغة البنغالية. إذا أرادوا خدمة عملائهم في المناطق الريفية بإنصاف، فلا يمكنهم الاعتماد على أدوات تفهم الإنجليزية جيداً فقط.
باختة مختصرة: تطبيقات البنوك الحكومية تعاني من مشاكل في السرعة والتصميم، وأحد التطبيقات يؤدي بشكل سيء للغاية، والتكنولوجيا المستخدمة للاستماع للعملاء ليست عادلة بعد تجاه أغلبية المتحدثين بالبنغالية. على البنوك الاستماع لمستخدميها، وإصلاح الأخطاء، وبناء أدوات أفضل لفهم لغتهم المحلية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.