💬 NLP

Comparative Analysis of AutoML and BiLSTM Models for Cyberbullying Detection on Indonesian Instagram Comments

تقيم هذه الدراسة وتقارن بين نماذج تعلم الآلة والتعلم العميق للكشف عن التنمر السيبراني في تعليقات إنستغرام الإندونيسية، حيث وجدت أنه بينما يحقق نموذج BiLSTM مع آليات الانتباه أعلى أداء إجمالي، يظل الانحدار اللوجستي بديلاً تنافسياً وفعالاً من حيث الموارد.

المؤلفون الأصليون: Raihana Adelia Putri, Aisyah Musfirah, Anggi Puspita Ningrum, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang

نُشر 2026-04-30

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Raihana Adelia Putri, Aisyah Musfirah, Anggi Puspita Ningrum, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang

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 إنستغرام كأنه ساحة مدينة رقمية ضخمة ومزدحمة. وبينما هو مكان لمشاركة الصور والتواصل، إلا أن له جانباً مظلماً: التنمر الإلكتروني. وهذا يحدث عندما يستخدم الناس الإنترنت للمضايقة أو التهديد أو الإهانة. وفي إندونيسيا، تعد هذه مشكلة خطيرة تؤثر على الكثير من الشباب.

هذه الورقة البحثية تشبه تقرير محقق يحاول اكتشاف أفضل طريقة لبناء "حارس أمن رقمي" يمكنه تلقائياً رصد التعليقات المسيئة باللغة الإندونيسية قبل أن تؤذي أي شخص.

إليك قصة تحقيقهم، مقسمة ببساء:

1. المشتبه بهم (البيانات)

جمع الباحثون "قائمة مطلوبين" مكونة من 650 تعليقاً من إنستغرام.

المصدر: جاءت من أقسام التعليقات لفنانين ومؤثرين إندونيسيين مشهورين.
المزيج: كانت القائمة متوازنة تماماً: 325 تعليقاً مسيئاً (تنمر) و325 تعليقاً لطيفاً (غير تنمر).
التحدي: لم تكن هذه مقالات رسمية؛ بل كانت فوضوية، قصيرة، ومليئة باللغة العامية، والاختصارات، والرموز التعبيرية (Emojis) — تماماً كما يتحدث المراهقون في الواقع.

2. طاقم التنظيف (المعالجة المسبقة)

قبل أن تتمكن الحواسيب من قراءة هذه التعليقات، كان لزاماً تنظيفها. تخيل محاولة قراءة كتاب مكتوب بلغة يخطئ الناس فيها في كتابة الكلمات باستمرار أو يمددونها (مثل "baaaanget" بدلاً من "banget").

بنى الباحثون آلة تنظيف خاصة مكونة من ست خطوات:

توحيد الحالة (Case Folding): تحويل كل شيء إلى أحرف صغيرة (ليصبح "Hello" و "hello" شيئاً واحداً).
التنظيف (Cleaning): إزالة الوسوم (Hashtags)، الروابط، وإشارات المنشن (@mentions).
تطبيع العامية (Slang Normalization): إصلاح اللغة العامية (تحويل "bgt" مرة أخرى إلى "banget").
إزالة كلمات التوقف (Stopword Removal): رمي الكلمات الشائعة مثل "و" أو "الـ" التي لا تساعد في تحديد التنمر.
التجذير (Stemming): تقطيع الكلمات للوصول إلى أصلها (تحويل "running" إلى "run").
التقطيع (Tokenization): تقسيم الجملة إلى قطع كلمات فردية.

بدون هذه الخطوة، ستصاب الحواسيب بالارتباك بسبب لغة الإنترنت الفوضوية.

3. المتسابقون (النماذج)

وضع الباحثون نوعين مختلفين من "المحققين" في مواجهة بعضهما البعض ليروا من يمكنه ضبط المتنمرين بشكل أفضل.

الفريق (أ): المحققون الكلاسيكيون (تعلم الآلة - Machine Learning)

هذه هي الطرق التقليدية والموثوقة. إنهم ينظرون إلى الكلمات ويعدون عدد مرات ظهور كلمات "سيئة" معينة.

نايف بايز (Naive Bayes): مُخمّن سريع يعتمد على الاحتمالات.
الانحدار اللوجستي (Logistic Regression): حاسبة ثابتة ترسم خطاً بين الجيد والسيئ.
آلة ناقلات الدعم (SVM): مصنف حاد النظر يحاول إيجال الحدود المثالية بين المجموعتين.
الأداة: استخدموا طريقة تسمى TF-IDF، وهي تشبه قلم التحديد (Highlighter) الذي يضع علامات على الكلمات الفريدة والمهمة في الجملة.

الفريق (ب): المفكرون العميقون (التعلم العميق - Deep Learning)

هؤلاء هم محققو الذكاء الاصطناعي المتقدمون الذين يحاولون فهم السياق وتدفق الجملة، وليس فقط الكلمات.

Bi-LSTM: نموذج يقرأ الجملة من اليسار إلى اليمين ومن اليمين إلى اليسار في نفس الوقت، مثل قراءة كتاب مع تذكر ما قرأته للتو.
Bi-LSTM + Attention: نفس النموذج، ولكن مع "تسليط ضوء" (آلية الانتباه - Attention mechanism). هذا الضوء يخبر النموذج بضر-ورة إعطاء اهتمام إضافي للكلمات الأكثر عاطفية أو أهمية في الجملة.

4. النتائج: من الفائز؟

أجرى الباحثون سباقاً لمعرفة أي نموذج يمكنه تحديد تعليقات التنمر بشكل صحيح.

الفائز الكلاسيكي: بين المحققين القدامى، كان الانحدار اللوجستي (Logistic Regression) هو البطل. لقد أصاب بنسبة 85.25% من المرات. كان سريعاً، فعالاً، ولم يكن بحاجة إلى حاسوب خارق لتشغيله.
الفائز بالتعلم العميق: نموذج Bi-LSTM مع "تسليط الضوء" (Attention) هو من حصد اللقب الإجمالي. لقد أصاب بنسبة 84.62% من المرات.
- انتظر، أليس هذا أقل؟ في الواقع، إنه قريب جداً! ساعد "تسليط الضوء" النموذج على فهم فروق المعنى (Nuance) في التنمر بشكل أفضل، حتى لو كانت النسبة المئوية الخام أقل قليلاً من أفضل نموذج كلاسيكي.
- نموذج Bi-LSTM القياسي (بدون تسليط الضوء) كان أسوأ حالاً (78.46%)، مما يثبت أن "تسليط الضوء" كان أمراً حاسماً.

5. الحكم النهائي

تختتم الورقة ببعض الاستنتاجات الرئيسية:

التعلم العميق هو "الأذكى": النموذج المزود بـ "تسليط الضوء" (Bi-LSTM + Attention) هو الأفضل في فهم السياق المعقد والفوضوي للغة العامية الإندونيسية والهجمات العاطفية.
تعلم الآلة هو "الأكثر كفاءة": إذا لم يكن لديك حاسوب قوي أو كنت بحاجة إلى شيء يعمل بسرعة كبيرة، فإن الانحدار اللوجستي الكلاسيكي هو خيار قوي وعملي للغاية. لقد كان أداؤه قريباً جداً من الذكاء الاصطناعي المعقد ولكنه أخف بكثير.
التنظيف هو المفتاح: تؤكد الدراسة أنه إذا لم يتم تنظيف العامية وإصلاح الأخطاء المطبعية أولاً، فإن أذكى ذكاء اصطناعي سيفشل.

القيود (الملاحظات الدقيقة)

كان المؤلفون صادقين بشأن حدود دراستهم:

عينة صغيرة: استخدموا فقط 650 تعليقاً. الأمر يشبه الحكم على ذوق بلد كامل في الموسي الموسيقى بناءً على استطلاع لـ 650 شخصاً فقط. عينة أكبر ستجعل النتائج أكثر موثوقية.
مصدر محدد: جاءت جميع التعليقات من صفحات فنانين مشهورين. قد يبدو التنمر مختلفاً على صفحة شخص عادي.
تصنيفات بسيطة: قاموا فقط بتصنيف التعليقات كـ "تنمر" أو "غير تنمر". لم يقوموا بتفصيلها أكثر (على سبيل المثال: "التنمر على الجسد" مقابل "خطاب الكراهية").

باختتصار: للإمساك بالمتنمرين عبر الإنترنت في تعليقات إنستغرام الإندونيسية، تحتاج إلى طاقم تنظيف جيد أولاً. ثم يمكنك الاختيار بين محقق كلاسيكي سريع وموثوق (الانحدار اللوجيستي) أو ذكاء اصطناعي فائق الذكاء ومدرك للسياق مع تسليط ضوء (Bi-LSTM + Attention)، اعتماداً على قوة الحوسبة التي تملكها.

إليك ملخص تقني مفصل لورقة البحث بعنوان "تحليل مقارن لنماذج AutoML وBiLSTM للكشف عن التنمر الإلكتروني في تعليقات إنستغرام الإندونيسية."

1. بيان المشكلة

يشكل التنمر الإلكتروني على منصات التواصل الاجتماعي، ولا سيما إنستغرام، تهديداً خطيراً للصحة العقلية للشباب الإندونيسي. وبينما توجد أنظمة كشف مؤتمتة، إلا أن معظم الأبحاث تركز على بيانات تويتر (X). وتطرح تعليقات إنستغرام تحديات فريدة بسبب طبيعتها غير الرسمية، والاستخدام الكثيف للغة العامية، والرموز التعبيرية (Emojis)، وإطالة الحروف، واللغات المختلطة. علاوة على ذلك، هناك نقص في الدراسات المقارنة التي تقيم المفاضلات بين نهج تعلم الآلة (ML) التقليدي وهياكل التعلم العميق (DL) المخصصة لمحتوى اللغة الإندونيسية على إنستغرام.

2. المنهجية

مجموعة البيانات

المصدر: 650 تعليقاً من إنستغرام تم جمعها من حسابات فنانين ومؤثرين إندونيسيين.
الهيكل: مجموعة بيانات تصنيف ثنائي متوازنة تضم 325 تعليقاً لـ "التنمر" و325 تعليقاً لـ "عدم التنمر".
الخصائص: نص إندونيسي غير رسمي بمتوسط طول يبلغ 63 حرفاً. مجموعة البيانات نظيفة (لا توجد تكرارات أو قيم مفقودة) وتغطي سياقات لغوية متنوعة.

خط معالجة البيانات المسبقة (Preprocessing Pipeline)

تم تطوير خط معالجة متخصص للتعامل مع الفروق اللغوية الإندونيسية باستخدام مكتبات محددة (indoNLP ،nlp-id ،PySastrawi):

توحيد حالة الأحرف (Case Folding): التحويل إلى أحرف صغيرة.
التنظيف (Cleaning): إزالة المنشن (Mentions)، والوسوم (Hashtags)، والروابط (URLs)، والرموز غير الأبجدية.
تطبيع العامية (Slang Normalization): استبدال الكلمات العامية وإطالات الحروف (مثال: "bgt" $\leftarrow$ "banget").
إزالة كلمات التوقف (Stopword Removal): حذف الكلمات الشائعة غير المميزة.
الجذر اللغوي (Stemming): إرجاع الكلمات إلى أصولها بناءً على الصرف الإندونيسي.
التقطيع (Tokenization): تقسيم النص إلى وحدات (Tokens).

نهج النمذجة

قارنت الدراسة مسارين متميزين للنمذجة:

مسار تعلم الآلة (ML) (AutoML):
- الأدوات: إطار عمل PyCaret مع استخدام البحث الشبكي (Grid Search) لضبط المعلمات الفائقة.
- استخراج الميزات: تقنية TF-IDF (تردد المصطلح - عكس تردد المستند).
- الخوارزميات المختبرة: Naive Bayes، وLogistic Regression، وSupport Vector Machine (SVM).
- التحقق: التحقق المتقاطع بخمس طيات (5-Fold Cross-Validation).
مسار التعلم العميق (DL):
- الأدوات: PyTorch.
- الهياكل المعمارية:
  1. Bi-LSTM: ذاكرة قصيرة المدى ثنائية الاتجاه لالتقاط السياق التسلسلي.
  2. Bi-LSTM + Bahdanau Attention: إضافة آلية الانتباه لوزن الكلمات المفتاحية الهامة.
- الإعدادات: حجم الدفعة (Batch size) 32، حجم التضمين (Embedding size) 128، مُحسن Adam، دالة خسارة Cross-Entropy، والتوقف المبكر (Early Stopping) بصبر (patience=3).
- التحقق: تقسيم ثابت بنسبة 80/10/10 (تدريب/تحقق/اختبار) مع بذرة عشوائية (random seed) 42.

3. المساهمات الرئيسية

التحليل المقاري: مقارنة مباشرة بين ثلاث خوارزميات تعلم آلة كلاسيكية مقابل هيكلين للتعلم العميق مخصصين لتعليقات إنستغرام الإندونيسية، مما يسد الفجوة في الأدبيات التي غالباً ما تركز على تويتر.
المعالجة المسبقة المتخصصة بالمجال: إظهار التأثير الحاسم لخط معالجة لغوي مخصص (تطبيع العامية والجذر اللغوي) على أداء النموذج للنصوص الإندونيسية غير الرسمية.
إطار عمل عملي: تحديد النموذج الأمثل لسيناريوهات النشر المختلفة (الدقة العالية مقابل قيود الموارد)، مما يوفر أساساً لأنظمة مراقبة المحتوى المؤتمتة في إندونيسيا.

4. النتائج التجريبية

أداء تعلم الآلة (Machine Learning):

برز نموذج Logistic Regression كأفضل نماذج تعلم الآلة أداءً.
- الدقة (Accuracy): 85.25%
- مقياس F1 (F1-Score): 85.22%
تبعه نموذج SVM بدقة بلغت 82.61%.
سجل نموذج Naive Bayes أدنى أداء بدقة 77.99%.

أداء التعلم العميق (Deep Learning):

حقق نموذج Bi-LSTM + Attention أعلى أداء إجمالي.
- الدقة (Accuracy): 84.62%
- مقياس F1-Macro: 84.58%
تأخر نموذج Standard Bi-LSTM بدقة 78.46%، مما يسلط الضضواء على الزيادة الكبيرة (حوالي 6%) التي وفرتها آلية الانتباه (Attention mechanism).

رؤية مقارنة:

الدقة: تفوق Logistic Regression (ML) قليلاً على Bi-LSTM+Attention (DL) بنسبة 0.63 نقطة مئوية.
الفهم السياقي: بينما كانت نماذج تعلم الآلة تنافسية للغاية، أظهرت نماذج التعلم العميق قدرة فائقة في التقاط التبعيات التسلسلية المعقدة والسياق العاطفي، وهو ما اتضح من خلال القفزة النوعية في الأداء عند إضافة آلية الانتباه.
الكفاءة: وفرت نماذج تعلم الآلة أوقات تدريب أسرع ومتطلبات حوسبة أقل، مما يجعلها قابلة للتطبيق في البيئات ذات الموارد المحدودة.

5. الأهمية والخاتمة

اختيار النموذج: بالنسبة للمتطلبات التي تتطلب دقة عالية مع توفر الموارد الحوسبية، يُوصى باستخدام Bi-LSTM مع آلية الانتباه. ومع ذلك، للنشر السريع والخفيف، يوفر Logistic Regression أداءً مقارباً مع أعباء تشغيلية أقل بكثير.
أهمية المعالجة المسبقة: تؤكد الدراسة أن المعالجة المسبقة المتخصصة بالمجال (تطبيع العامية والجذر اللغوي) ليست اختيارية بل ضرورية لتحقيق أداء عالٍ على بيانات وسائل التواصل الاجتماعي الإندونيسية غير الرسمية.
القيود والعمل المستقبلي: تقتصر الدراسة على مجموعة بيانات صغيرة نسبياً (650 عينة) ونظام تصنيف ثنائي لا يلتقط الفئات الدقيقة (مثل التنمر الجسدي مقابل خطاب الكراهية). يجب أن تستخدم الأبحاث المستقبلية مجموعات بيانات أكبر وتستكشف نماذج تعتمد على المحولات (Transformers) مثل متغيرات BERT لتعزيز قدرات الكشف بشكل أكبر.

الخلاصة: تثبت الورقة أنه بينما تُعد نماذج التعلم العميق المزودة بآليات الانتباه متفوقة نظرياً في الفهم السياقي، فإن نماذج تعلم الآلة التقليدية تظل فعالة وتنافسية للغاية للكشف عن التنمر الإلكتروني في وسائل التواصل الاجتماعي الإندونيسية، بشرما يتم تطبيق معالجة مسبقة صارمة ومتخصصة لغوياً.