Modeling Human Perspectives with Socio-Demographic Representations
تقدم هذه الورقة البحثية "التعلم التبايني الاجتماعي" (Socio-Contrastive Learning)، وهو منهج مبتكر يعمل على نمذجة وجهات نظر المدوّنين بشكل مشترك وتعلم تمثيلات ديموغرافية اجتماعية دقيقة لالتقاط السياقات الاجتماعية المعقدة التي تؤثر على الخلاف البشري في مهام معالجة اللغات الطبيعية بشكل أفضل، متفوقاً بذلك على أساليب دمج الميزات القياسية.
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 تستضيف حفلة عشاء ضخمة حيث يُطلب من الجميع الحكم على سلسلة من النكات المثيرة للجدل. البعض يضحك، والبعض يشعر بالإهانة، والبعض الآخر يشعر بالحيرة. إذا اكتفيت بإجراء تصويت وقلت: "الأغلبية قالت إنها نكتة مضحكة، إذن هي نكتة مضحكة"، فستفقد القصة بأكملها. ستفقد التفاصيل الدقيقة حول لماذا شعر الشخص الذي شعر بالإهانة بهذا الشعور، أو لماذا وجد الشخص الذي ضحك أنها غير ضارة.
هذه الورقة البحثية تدور حول بناء نظام حاسوبي أكثر ذكاءً، لا يكتفي فقط بعدّ الأصوات، بل يفهم من الذي يصوت ولماذا قد يرى الأشياء بشكل مختلف.
إليك تفصيل البحث، مشروحاً ببعض التشبيهات من الحياة اليومية:
١. المشكلة: خطأ "المقاس الواحد الذي يناسب الجميع"
في الماضي، حاولت نماذج الذكاء الاصطناعي التنبؤ بما إذا كان نص ما يعد "خطاب كراهية" أو "محتوى ساماً" من خلال النظر إلى الكلمات فقط. لقد تصرفوا مثل قاضٍ يقرأ فقط محضر المحاكمة ويتجاهل خلفيات الأشخاص المعنيين.
لكن البشر ليسوا روبوتات. آراؤنا تتشكل من خلال حياتنا.
- التشبيه: تخيل شخصين ينظران إلى لوحة تصور عاصفة. أحدهما، الذي نشأ بالقرب من المحيط، يرى قوة طبيعية جميلة وعظيمة. والآخر، الذي فقد منزله في فيضان، يرى كارثة مرعبة.
- الواقع: إذا نظر الذكاء الاصطناعي إلى اللوحة فقط (النص)، فلن يتمكن من شرح سبب رؤية هذين الشخصين للأمر بشكل مختلف تماماً. غالباً ما حاولت الأبحاث السابقة إصلاح ذلك من خلال النظر إلى سمة واحدة فقط (على سبيل المثال: "هل يرى الرجال الأمر بشكل مختلف عن النساء؟"). لكن المؤلفين يجادلون بأن الحياة أكثر تعقيداً من سمة واحدة. إنها مزيج من عمرك، وتوجهاتك السياسية، وتعليمك، وخلفيتك، وكل ذلك في آن واحد، وهو ما يشكل وجهة نظرك.
٢. الحل: "التعلم التبايني الاجتماعي" (Socio-Contrastive Learning)
ابتكر المؤلفون طريقة جديدة تسمى "التعلم التبايني الاجتماعي". دعونا نفكك هذا المصطلح باستخدام استعارة بسيطة.
لعبة "التجميع":
تخيل أنك معلم تحاول تنظيم فصل دراسي. تريد إجلاس الطلاب الذين لديهم طرق تفكير متشابهة بجانب بعضهم البعض، وأولئك الذين يفكرون بشكل مختلف تماماً بعيداً عن بعضهم البعض.
- الطريقة القديمة (الربط/التسلسل): أنت فقط تضع بطاقة اسم على مكتب الطالب مكتوب عليها "ذكر، ٢٥ عاماً، خريج جامعي". وتأمل أن يقرأ الكمبيوتر البطاقة ويفهم الأمر. إنه أسلوب جامد نوعاً ما.
- الطريقة الجديدة (التباين الاجتماعي): أنت لا تكتفي بقراءة بطاقة الاسم. بل تراقب كيف يجيب الطلاب على الأسئلة.
- إذا حصل الطالب (أ) والطالب (ب) على نفس الإجابة على سؤال صعب، فإنك تقرب كراسيهما من بعضهما.
- إذا حصل الطالب (أ) والطالب (ج) على إجابات متضادة، فإنك تدفع كرسيهما بعيداً عن بعضهما.
- بمرور الوقت، يصنف الطلاب أنفسهم طبيعياً في مجموعات بناءً على وجهات نظرهم الفعلية، وليس فقط بناءً على بطاقات أسمائهم.
يقوم الكمبيوتر بهذا الأمر رياضياً. فهو ينظر إلى كيفية تصنيف الناس للنصوص (على سبيل المثال: "هل هذا محتوى سام؟") ويتعلم إنشاء "خريطة ذهنية" للمشاركين في التصنيف. الأشخاص الذين يتفقون يتم تجميعهم معاً؛ والأشخاص الذين يختلفون يتم دفعهم بعيداً عن بعضهم البعض. هذه الخريطة تلتقط المزيج المعقد لخلفياتهم تلقائياً.
٣. ماذا وجدوا؟
اختبر الباحثون هذا على مجموعتي بيانات كبيرتين: إحداهما حول خطاب الكراهية والأخرى حول المحتوى السام.
- تنبؤات أفضل: كانت الطريقة الجديدة أفضل بكثير في التنبؤ بما قد يفكر فيه شخص معين مقارنة بالطرق القديمة. إنه يشبه خبير الأرصاد الجوية الذي لا ينظر فقط إلى السحب، بل يعرف أيضاً الجغرافيا المحلية وتاريخ المدينة.
- "السر الخفي": كان الجزء من النظام الذي يقوم بعملية "التجميع" (التعلم التبايدي) حاسماً. فعندما قاموا بإيقاف تشغيل هذا الجزء، ساء أداء النظام. وهذا أثبت أن فهم العلاقة بين خلفية الشخص ورأيه هو المفتاح.
- الخريطة: عندما قاموا بتصور "الخريطة الذهنية" التي بناها الكمبيوتر، رأوا أنماطاً مثيرة للاهتمام.
- مال الأشخاص من أعراق مختلفة إلى التجمع في مناطق مختلفة من الخريطة.
- شكل الأشخاص ذوو المستويات التعليمية المختلفة مجموعات متميزة خاصة بهم.
- الأشخاص الذين يعتبرون الدين مهماً جداً تجمعوا معاً عند الحكم على المحتوى السام.
٤. لماذا يهم هذا؟
هذا ليس مجرد جعل الكمبيوتر أكثر ذكاءً؛ بل يتعلق بجعله أكثر عدلاً.
- تجنب فخ "المتوسط": إذا قمت فقط بتدريب الذكاء الاصطناعي على الرأي "المتوسط"، فقد تسكت أصوات الأقليات عن غير قصد. على سبيل المثال، إذا وجدت مجموعة معينة من الناس عبارة معينة مسيئة باستمرار، بينما لا يراها الأغلبية كذلك، فقد يقول الذكاء الاصطناعي القياسي ببساطة: "إنها جيدة".
- الهدف: تسمح لنا هذه الطة الجديدة بالقول: "حسناً، الأغلبية ترى أن هذا أمر جيد، لكننا نعلم أنه بالنسبة للمجموعة (س)، فإن هذا أمر مؤذٍ". يساعدنا هذا على بناء ذكاء اصطناعي يحترم تنوع التجربة الإنسانية بدلاً من محاولة تسطيحها في إجابة واحدة "صحيحة".
الخلاصة
بنى المؤلفون أداة تعلم الحواسيب أن السياق مهم. تماماً كما لا يمكنك الحكم على كتاب من غلافه، لا ينبغي لك الحكم على رأي بشري دون فهم خلفيته. من خلال استخدام تقنية "تجميع" ذكية، أظهروا أنه عندما نزود الذكاء الاصطناعي بمعلومات حول من يتحدث، يصبح أفضل بكما في فهم ماذا يقصدون.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.