mdok-style at SemEval-2026 Task 9: Finetuning LLMs for Multilingual Polarization Detection
تقدم الورقة البحثية نهج أسلوب mdok لمهمة SemEval-2026 Task 9، والذي يحقق كشفاً قوياً للاستقطاب متعدد اللغات عبر ضبط النماذج اللغوية الكبيرة متوسطة الحجم باستخدام تقنية QLoRA على بيانات تدريب معززة بنصوص مجهولة المصدر ومتنوعة الحالات عبر 22 لغة.
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 الإنترنت كأنه ساحة مدينة ضخمة وصاخبة، حيث يتجادل ويتشاجر ويتأهب البعض أحياناً لاندلاع أعمال شغب أشخاص من 22 دولة مختلفة. كانت SemEval-2026 Task 9 مسابقة لبناء "حارس أمن" ذكي لهذه الساحة. لم يكن الهدف مجرد إيقاف الصراخ، بل رصد اللحظة المحددة التي يتحول فيها الخلاف إلى استقطاب — ذلك الانقسام الخطير حيث يتوقف الناس عن الاستماع ويبدأون في الكراهية، مما يؤدي غالباً إلى خطاب الكراهية والفوضى الاجتماعية.
قام الفريق وراء هذه الورقة البحثية، mdok-style، ببناء حارس رقمي باستخدام مزيج ذكي من تقنيات الذكاء الاصطناعي. إليك كيف فعلوا ذلك، مشروحاً ببسابطة:
1. الاستراتيجية الجوهرية: المحقق الحرباء
بدلاً من بناء 22 حارساً مختلفاً (حارساً لكل لغة)، قاموا بتدريب محقق خارق واحد لفهم جميع اللغات الـ 22 في آن واحد. استخدموا نموذج لغة ضخم (LLM) "متوسط الحجم"، وهو يشبه أمين مكتبة واسع الاطلاع يعرف كيف يرصد الأنماط في النصوص.
ولجعل أمين المكتبة هذا أكثر حدة، استخدموا تقنية تسمى QLoRA. فكر في الأمر كأنك تمنح أمين المكتبة نظارات خفيفة الوزن وقابلة للتعديل. فبدلاً من إعادة كتابة دماغ أمين المكتبة بالكامل (الذي سيستغرق وقتاً طويلاً وسيكلف ثروة)، قاموا فقط بتعديل العدسات قليلاً حتى يتمكن أمين المكتبة من التركيز خصيصاً على مهمة رصد الاستقطاب.
2. التدريب: سيناريوهات "ماذا لو؟"
كان التحدي الأكبر هو أن بيانات التدريب (الأمثلة التي تعلم منها الحارس) لم تكن مثالية. ولإصلاح ذلك، استخدم الفريق تعزيز البيانات (Data Augmentation)، وهو بمثابة محاكي "ماذا لو؟" للذكاء الاصطناعي.
لقد أخذوا كل جملة تدريبية وصنعوا أربع نسخ "ملتوية" منها لتعليم الذكاء الاصطناعي كيفية النظر إلى ما وراء السطح:
- مجهّل الهوية (The Anonymizer): استبدلوا الأسماء والبريد الإلكتروني وأرقام الهواتف بعلامات عامة مثل
[USER]أو[EMAIL]. علم هذا الذكاء الاصطناعي تجاهل من يتحدث والتركية على ماذا يقول. - مغير حالة الأحرف (The Case Shifter): حولوا النص إلى أحرف صغيرة بالكامل أو كبيرة بالكامل. علم هذا الذكاء الاصطناعي أن الصراخ (الأحرف الكبيرة ALL CAPS) أو الهمس (الأحرف الصغيرة lowercase) لا يغير معنى الجدال.
- خدعة الهوموجليف (The Homoglyph Trick): كان هذا الجزء الأكثر إبداعاً. لقد استبدلوا الحروف بأخرى تشبهها من نصوص أخرى (مثل استبدال حرف 'a' اللاتيني بحرف 'а' السيريلي). هذه خدعة شائعة يستخدمها المتربصون لتضليل الحواسيب. ومن خلال تدريب الذكاء الاصطناي على هذه النسخ "المزيفة"، علموه كيفية الرؤية من خلال التنكر ورصد الاستقطاب الكامن تحته.
3. مستويات الكشف الثلاثة
كانت المسابقة تتضمن ثلاثة مستويات، وقد تعامل معها الفريق كأنهم محقق يحل جريمة:
- المستوى 1 (الإنذار): هل هذا النص مستقطب أم لا؟ (نعم/لا). كان النظام بارعاً جداً في هذا، حيث عمل مثل كاشف دخان موثوق.
- المستوى 2 (الدافع): عن ماذا يدور هذا الاستقطاب؟ هل هو سياسي، عرقي، ديني، أم قائم على النوع الاجتماعي؟ كان هذا أصعب، مثل تخمين دوافع المجرم.
- المستوى 3 (الأسلوب): كيف يتم التعبير عن هذا الاستقطاب؟ هل يستخدم لغة تجرد من الإنسانية، أو إهانات شديدة، أو نقصاً في التعاطف؟ كان هذا هو المستوى الأصعب، مثل تحليل السلاح المحدد المستخدم في جريمة ما.
4. النتائج: مزيج متباين
عمل نظام الفريق مثل رياضي قوي يتفوق في بعض الرياضات ولكنه يعاني في أخرى:
- الفوز: في لعبة "هل هو مستقطب؟" (المستوى 1)، كان النظام بطلاً، حيث احتل مرتبة ضمن أفضل 20% في العديد من اللغات. لقد نجح في التمييز بين الجدالات العادية والاستقطاب الخطير.
- الصراع: في لعبة "كيف يتم التعبير عنه؟" (المستوى 3)، تعثر النظام. فقد خلط غالباً بين أنواع السلوك السيئ المختلفة، مثل الخلط بين "نقص التعاطف" و"الإبطال/التقليل من الشأن".
- فجوة اللغة: عمل النظام بشكل رائع للغات مثل الصينية والنيبالية، لكنه عانى مع لغات أخرى مثل الهوسا. الأمر يشبه مترجماً يتقن الفرنسية والإسبانية ولكنه يرتبك أمام لغة السواحيلية.
5. تجربة جانبية: "رادار المشاعر"
جرب الفريق أيضاً نهجاً مختلفاً يسمى نظرية التقييم (Appraisal Theory). تخيل هذا كأنه "رادار مشاعر" لا يقرأ الكلمات فحسب، بل يحاول فهم كيف يشعر الشخص تجاه حدث ما (على سبيل المثال: "هل يشعر هذا الشخص بأنه مُسيطر عليه؟ هل هذا الشعور ممتع؟").
- اختبروا هذا على مجموعة بيانات أصغر.
- كانت النتائج واعدة ولكنها ليست مثالية. لقد أظهرت أن فهم الأسباب الإدراكية وراء العاطفة (لماذا يشعر شخص ما بالغضب) قد يكون سلاحاً سرياً لرصد الاستقطاب في المستقبل، على الرغم من أنه لم يكن الفائز الرئيسي هذه المرة.
الخلاصة
أثبت فريق mdok-style أنه يمكنك بناء حارس ذكاء اصطناعي واحد مرن ومتعدد اللغات يمكنه رصد الاستقطاب عبر لغات عديدة. ومن خلال "خداع" الذكاء الاصطناعي بنسخ ملتوية من النصوص أثناء التدريب، جعلوه أكثر صلابة وموثوقية. ورغم أنه ليس مثالياً بعد — خاصة عند محاولة تحديد نوع الاستقطب بدقة — إلا أنه خطوة صلبة نحو جعل ساحاتنا الرقمية أكثر أماناً قبل أن يتحول الصراخ إلى عنف.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.