The 2026 ACII Dyadic Conversations (DaiKon) Workshop & Challenge
تقدم ورشة عمل وتحدي "محادثات الدايك" (DaiKon) لعام 2026 ضمن مؤتمر ACII معياراً ومجموعة بيانات شاملة تضم 945 تفاعلاً ثنائياً طبيعياً ومتعدد اللغات، وذلك بهدف تطوير نمذجة التأثير المتبادل بين الأشخاص والديناميكيات الاجتماعية من خلال ثلاثة تحديات فرعية تركز على التأثير الاتجاهي، وتبادل الأدوار، والتنبؤ بمسار الألفة.
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 شخصين يجلسان في مواجهة بعضهما البعض، يتبادلان حديثاً. إنهما لا يكتفيان بمجرد تبادل الأدوار في الكلام؛ بل هما في حالة رقص. نكتة من أحدهما تجعل الآخر يضحك؛ تردد أحدهما يجعل الآخر يتوقف قليلاً؛ كلاهما يبني شعوراً بالاتصال (أو "الألفة") مع مرور الدقائق.
لفترة طويلة، كانت الحواسيب جيدة في تحليل شخص واحد في الغرفة — مثل مغنٍ منفرد يصل إلى نوتة عالية. لكنها عانت في فهم "الدويتو" (الثنائي): كيف يغير مزاج الشخص (أ) مزاج الشخص (ب)، وكيف ينسقان توقيتهما، وكيف تتطور علاقتهما.
تقدم هذه الورقة البحثية "صالة تدريب" جديدة لعلماء الحاسوب تسمى تحدي ACII-DaiKon. وهي مسابقة مصممة لتعليم الحواسيب كيفية فهم رقصات الشخصين هذه.
إليك تفصيل لما يقومون به، باستخدام تشبيهات بسيطة:
1. مجموعة البيانات: مكتبة ضخمة من المحادثات الحقيقية
بنى المنظمون مكتبة ضخمة تسمى مجموعة بيانات Hume-DaiKon.
- المجموعة: تحتوي على 945 محادثة (أكثر من 743 ساعة من الفيديو والصوت) بين أزواج من الأشخاص.
- التنوع: ليست مسرحيات مكتوبة؛ بل هي دردشات حقيقية طبيعية بين غرباء تم الجمع بينهم عبر الإنترنت. يتحدثون خمس لغات مختلفة (الإنجليزية، الألمانية، الإسبانية، الهولندية، والبولندية).
- الإعداد: تخيل مكالمة فيديو حيث يُطلب من شخصين الدردشة حول عطلات نهاية الأسبوع أو العطلات الخاصة بهم. يقوم النظام بتسجيل كل منهما على حدة (بحيث يمكن للحاسوب رؤية وجه الشخص "أ" بينما يستمع لصوت الشخص "ب")، ويلتقط كل شيء من نبرة صوتهم إلى تعبيرات وجوههم.
2. التحديات الثلاثة (الـ "أحداث")
تطلب المسابقة من المشاركين بناء نماذج ذكاء اصطنا-ي يمكنها حل ثلاثة ألغاز محددة بناءً على هذه المحادثات:
اللغز (أ): "الصدى العاطفي" (التأثير)
- الهدف: التنبؤ بما يشعر به الشخص (ب) الآن، بناءً على ما قاله أو فعله الشخص (أ) للتو.
- التشبيه: تخيل أن الشخص (أ) هو "دوارة رياح". إذا بدا الشخص (أ) غاضباً، فهل يتغير مزاج الشخص (ب) ليتماشى معه؟ على الذكاء الاصطناعي أن يخمن ما إذا كان الشخص (ب) يشعر بـ "الفرح"، أو "القلق"، أو "الملل" بناءً على سلوك الشخص الآخر.
- العقبة: الأمر لا يتعلق فقط بتخمين ما يشعر به الشخص (ب) في معزل عن غيره؛ بل بتخمين كيف أثر الشخص (أ) في ذلك الشعور.
اللغز (ب): "تسليم الأرضية" (تبادل الأدوار)
- الهدف: التنبؤ بشيئين: مَن سيتحدث تالياً، ومتى سيبدأ في الكلام.
- التشبيه: فكر في لعبة "البطاطا الساخنة". على الذكاء الاصطنا-ي مراقبة اللاعبين وتخمين: "هل المتحدث الحالي على وشك إسقاط البطاطا (التوقف عن الكلام)، أم أنه سيتمسك بها بقوة؟ وإذا أسقطها، كم ثانية ستمر حتى يلتقطها الشخص الآخر؟"
- لماذا هو صعب: أحياناً يتحدث الناس في وقت واحد (تداخل)، وأحياناً يقاطعون بعضهم البعض، وأحياناً يسود صمت طويل. على الذكاء الاصطنا-ي رصد الإشارات الدقيقة (مثل أخذ نفس عميق أو نظرة معينة) التي تشير إلى تغيير في الدور.
اللغز (ج): "ميزان حرارة العلاقة" (الألفة)
- الهدف: تتبع كيف تتغير "الصلة" بين الشخصين من بداية الدردشة إلى نهايتها.
- التشبيه: تخيل ميزان حرارة يقيس مدى انسجام شخصين مع بعضهما البعض. هل ترتفع درجة الحرارة (إنهما يتقاربان) أم تنخفض (الأمر محرج أو فيه شجار) مع تقدم المحادثة؟
- التحدي: يجب على الذكاء الاصطنا-ي النظر إلى المحادثة بأكملها، وليس مجرد جملة واحدة، ليرى ما إذا كانت العلاقة تسخن أم تبرد.
3. الأدوات: ما يستخدمه الحواسيب
لحل هذه الألغاز، أعطى الباحثون للمشاركين "عيوناً" و"آذاناً":
- الآذان (الصوت): يستمع الحاسوب إلى الصوت باستخدام أداة تسمى Whisper. تقوم بتحويل الكلام إلى قائمة من الأرقام التي تلتقط النبرة، والسرعة، والعاطفة في الصوت.
- العيون (الفيديو): يراقب الحاسوب الوجوه باستخدام أداة تسمى FaceNet. تقوم بتحويل تعبيرات الوجه إلى أرقما تلتقط الابتسامات، والعبوس، وحركات الرأس.
- النتيجة: يحصل الحاسوب على تدفق من الأرقام لكلا الشخصين، جنباً إلى جنب، في محاولة لإيجاد الأنماط.
4. ما وجدوه حتى الآن (النتائج المرجعية)
قام المنظمون بتشغيل نماذج ذكاء اصطنا-ي "بدائية" لمعرفة مدى صعوبة الألغاز. وإليكم ما اكتشفوه:
- الصوت هو الملك: في جميع الألغاز الثلاثة، كان الحاسوب يؤدي بشكل أفضل بكثير عندما استمع إلى الأصوات فقط مقارنة بما كان عليه عندما شاهد الوجوه فقط.
- التشبيه: الأمر يشبه محاولة فهم أغنية من خلال مراقبة شفاه المغني مقابل الاستماع إلى الموسيقى. الموسيقى (الصوت) حكت القصة بشكل أفضل بكثير من المرئي (الوجه) في هذه الاختبارات المحددة.
- الدمج لم يساعد (بعد): عندما حاولوا دمج العينين والأذنين، لم تتحسن النماذج البسيطة كثيراً. في الواقع، بالنسبة للغز "الألفة"، أدى إضافة الفيديو إلى جعل النتيجة أسوأ قليلاً.
- لماذا؟ الأمر يشبه محاولة حل لغز وأنت ترتدي نظارات ضبابية. لقد ارتبكت النماذج البسيطة بسبب البيانات المرئية الإضافية. تشير الورقة إلى أننا بحاجة إلى طرق أكثر ذكاءً لدمج الحاستين في المستقبل.
- الدرجة: حققت أفضل النماذج البسيطة دقة تتراوح بين 40% إلى 70% اعتماداً على المهمة. وهذا يعني أن الحواسيب بدأت تفهم "جوهر" المحادثة، لكنها لا تزال بعيدة جداً عن فهم الرقصة البشرية المعقدة والعميقة للتفاعل.
ملخص
هذه الورقة هي دعوة لأذكى علماء الحاسوب في العالم للتوقف عن النظر إلى الأشخاص كأفراد معزولين، والبدء في النظر إليهم كـ أزواج.
لقد قدموا المواد الخام (مكتبة الفيديو)، والقواعد (الألغاز الثلاثة)، ونقطة انطلاق (النماذج البسيطة). الهدف هو بناء ذكاء اصطنا-ي لا يسمع الكلمات فحسب، بل يفهم الإيقاع، والتأثير، والاتصال بين شخصين يتحدثان مع بعضهما البعض.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.