💬 NLP

YEZE at SemEval-2026 Task 9: Detecting Multilingual, Multicultural and Multievent Online Polarization via Heterogeneous Ensembling

يقدم البحث نظام YEZE للمهمة التاسعة في SemEval-2026، والذي يكتشف الاستقطاب عبر الإنترنت بـ 22 لغة من خلال توظيف تجمع غير متجانس من نماذج XLM-RoBERTa-large وmDeBERTa-v3-base، حيث أثبتت نمذجة المهام المستقلة المقترنة بوزن الفئات الفعالية القصوى في التعامل مع عدم التوازن الشديد في الملصقات.

المؤلفون الأصليون: Fengze Guo (University of Tübingen), Yue Chang (University of Tübingen)

نُشر 2026-05-08

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Fengze Guo (University of Tübingen), Yue Chang (University of Tübingen)

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 عالمية ضخمة، حيث يصرخ الناس، ويهمسون، ويتجادلون جميعًا في وقت واحد من 22 دولة مختلفة. أحيانًا، تشتعل هذه الجدالات وتتحول إلى "استقطاب" — حيث يتوقف الناس عن الاستماع لبعضهم البعض ولا يستمعون إلا لأصوات جانبهم فقط.

يصف البحث الذي شاركته فريقًا من الباحثين (YEZE) الذين بنوا مجموعة خاصة من "الآذان الرقمية" للاستماع إلى ساحة المدينة هذه ومعرفة ثلاثة أشياء:

هل هذا الجدال محتدم؟ (الكشف الثنائي)
من أو ما الذي يتشاجرون بشأنه؟ (تصنيف الهدف: السياسة، العرق، الدين، إلخ.)
كيف يتشاجرون؟ (المظاهر: هل يستخدمون الإهانات، أم الصور النمطية، أم لغة تجرد الآخر من إنسانيته؟)

إليك كيف فعلوا ذلك، مشروحًا ببساطة:

1. المشكلة: حشد صاخب وغير متوازن

واجه الباحثون عقبتين كبيرتين:

حاجز اللغة: كان عليهم فهم 22 لغة مختلفة، من الإنجليزية والإسبانية إلى الأمهرية والبورمية. الأمر يشبه محاولة فهم محادثة حيث يتحدث الجميع بلهجات مختلفة.
مشكلة "الحدث النادر": في البيانات، كانت معظم المنشورات هادئة. قلة قليلة فقط كانت مستقطبة بالفعل. الأمر يشبه محاولة العثور على رخامة حمراء واحدة في دلو مليء بالرخام الأبيض. إذا خمنت "أبيض" في كل مرة، فستكون محقًا معظم الوقت، لكنك ستفقد الرخام الأحمر. وهذا ما يسمى "عدم توازن الملصقات" (Label Imbalance).

2. الحل: "فريق تحقيق مكون من شخصين"

بدلاً من بناء عقل واحد ضخم للقيام بكل شيء، بنى الفريق "مجموعة غير متجانسة" (Heterogeneous Ensemble). فكر في هذا كتوظيف نوعين مختلفين من المحققين لحل نفس القضية:

المحقق (أ) (XLM-RoBERTa): محقق مخضرم قرأ كل شيء تقريبًا في العالم. هم بارعون في فهم الأجواء العامة وسياق الجملة في أي لغة.
المحقق (ب) (mDeBERTa): متخصص يولي اهتمامًا وثيقًا لترتيب الكلمات المحدد وكيفية ارتباطها ببعضها البعض.

كيف عملوا معًا:
لم يكتفوا بجعلهم يصوتون فحسب؛ بل أعطوهم درجة موزونة. إذا كان المحقق (أ) متأكدًا بنسبة 70% والمحقق (ب) متأكد بنسبة 30%، فإن الإجابة النهائية تميل بشدة نحو المحقق (أ). جعل هذا المزيج النظام أكثر قوة، مثل وجود شبكة أمان.

3. الاستراتيجية: التعامل مع كل دليل على حدة

أدرك الفريق أن محاولة حل الألغاز الثلاثة (هل هو مستقطب؟ عمن يدور الجدال؟ كيف يُقال؟) في وقت واحد يشبه محاولة التلاعب بالكرات أثناء ركوب دراجة أحادية العجلة. كانت الأدلة الخاصة بـ "من" و"كيف" نادرة جدًا لدرجة أنها ضاعت في ضجيج دليل "هل هو مستقطب".

لذا، قرروا تقسيم العمل:

قاموا بتدريب نماذج منفصلة لكل سؤال محدد.
بالنسبة للأدلة النادرة (مثل أنواع معينة من خطاب الكراهية)، استخدموا خدعة خاصة تسمى "الاعتراض الموزون" (Weighted Cross-Entropy). تخيل معلمًا يصحح اختبارًا؛ إذا أجاب الطالب على سؤال صعب ونادر بشكل صحيح، يمنحه المعلم نقاطًا إضافية. إذا أجاب على سؤال شائع بشكل صحيح، يمنحه نقاطًا عادية. هذا أجبر الذكاء الاصطناعي على إعطاء اهتمام إضافي للحالات النادرة والمهمة التي يتجاهلها عادةً.

4. ماذا وجدوا

التقسيم فعال: محاولة القيام بكل شيء في وقت واحد (التعلم متعدد المهام) جعلت النظام أسوأ في الواقع لأن الأدلة النادرة أربكت الأدلة الشائعة. كان الحفاظ على المهام منفصلة هو الخطوة الرابحة.
فخ "الترجمة": حاولوا ترجمة المنشورات إلى لغات أخرى لإنشاء المزيد من بيانات التدريب (تعزيز البيانات)، لكن ذلك لم يساعد كثيرًا. الأمر يشبه ترجمة نكتة؛ قد تكون الكلمات صحيحة، لكن الفكاهة الثقافية والفروق الدقيقة تضيع، مما يجعل الذكاء الاصطناعي مرتبكًا.
النتائج: كان نظامهم جيدًا جدًا في رصد "الرخام الأحمر" (المحتوى المستقطب) عبر جميع اللغات الـ 22. في العديد من اللغات، أنهوا ضمن أفضل 10 فرق متنافسة. ومع ذلك، ظلوا يعانون قليًا مع أكثر أنواع الإهانات تحديدًا وندرة (المظاهر)، مما يظهر أن حتى أفضل أنظمة الذكاء الاصطناعي تجد صعوبة في رصد أشكال الكراهية الأكثر دقة عندما توجد أمثلة قليلة جدًا للتعلم منها.

باختصار

يتحدث البحث عن بناء نظام أمني ذكي متعدد اللغات لوسائل التواصل الاجتماعي. بدلاً من استخدام عقل واحد ضخم ومشتت، استخدموا فريقًا من نموذجين من الذكاء الاصطناعي المتخصصين يعملان معًا. لقد علموا هذه النماذج أن تهتم بالمنشورات النادرة والخطيرة أكثر من المنشورات المملة. وبينما لم يحلوا كل مشكلة (خاصة الأنواع النادرة جدًا من خطاب الكراهية)، فقد أثبتوا أن تقسيم المهام ودمج أنواع مختلفة من عقول الذكاء الاصطناعي هو أفضل طريقة للتعامل مع عالم فوضوي ومتعدد اللغات.

ملخص تقني: نظام YEZE في مهمة SemEval-2026 التاسعة

تعريف المشكلة
تقدم هذه الورقة نظام "YEZE" الذي تم تطويره لمهمة SemEval-2026 التاسعة، والتي تركز على كشف الاستقطاب عبر الإنترنت متعدد اللغات، والثقافات، والأحداث. تتضمن المهمة تحليل منشورات وسائل التواصل الاجتماعي عبر 22 لغة (بما في ذلك الأمهرية، والعربية، والصينية، والإنجليزية، والهندية، وغيرها) لتحديد المحتوى المستقطب. تنقسم التحديات إلى ثلاث مهام فرعية:

الكشف الثنائي: تحديد ما إذا كان المنشور مستقطباً أم لا (المهمة الفرعية 1).
تصنيف الهدف: تحديد أهداف الاستقطاب المحددة (مثل: سياسية، أو عرقية/إثنية، أو دينية) عبر التصنيف متعدد الملصقات (المهمة الفرعية 2).
تحديد المظاهر: تحديد المظاهر اللغوية المحددة للاستقطاب (مثل: الصور النمطية، أو التشهير، أو تجريد الآخر من الإنسانية) عبر التصنيف متعدد الملصقات (المهمة الفرعية 3).

يواجه النظام تحديات كبيرة، بما في ذلك عدم التوازن الشديد في الملصقات، والتباين عبر اللغات في توزيع الملصقات (التحول المسبق)، والندرة الشديدة في الملصقات دقيقة التفاصيل للمهام الفرعية 2 و3.

المنهجية
يقترح المؤلفون نظاماً يعتمد على التجميع غير المتجانس (heterogeneous ensembling) لنماذج مسبقة التدريب متعددة اللغات، حيث يتم التعامل مع كل مهمة فرعية كمشكلة مستقلة بدلاً من هدف تعلم متعدد المهام (MTL) مشترك.

بنية النموذج: يستخدم النظام مشفرين متكاملين متعددي اللغات:
- XLM-RoBERTa-large: تم اختياره لتغطيته الواسعة عبر اللغات وأدائه المستقر في نقل التعلم.
- mDeBERTa-v3-base: تم اختياره لاستخدامه الانتباه المنفصل (disentangled attention) لترميز المحتوى والموقع النسبي بشكل منفصل.
استراتيجية التدريب:
- النمذجة المستقلة: على عكس مناهج التعلم متعدد المهام التقليدية التي تشترك في مشفر واحد عبر المهام، قام المؤلفون بتدريب نماذج منفصلة لكل مهمة فرعية. وقد أشارت التجارب إلى أن تدريب MTL المشترك أدى إلى "نقل سلبي" (negative transfer)، حيث تنافست الملصقات دقيقة التفاصيل والنادرة مع الهدف الثنائي المهيمن، مما أدى إلى زعزعة استقرار التنبؤات دقيقة التفاصيل.
- التحسين المدرك لعدم التوازن: لمعالجة عدم التوازن الشديد في الفئات، وخاصة في المهام الفرعية متعددة الملصقات، يستخدم النظام طريقة الارتباط الثنائي (Binary Relevance - BR)، التي تفكك المشكلات متعددة الملصقات إلى مهام ثنائية مستقلة. كما يستخدم دالة خسارة التقاطع الثنائي الموزون (Weighted Binary Cross-Entropy - WBCE)، حيث تتناسب أوزان الفئات عكسياً مع تكرار الملصقات. وقد أثبت هذا النهج فاعلية أكبر من "خسارة التركيز" (Focal Loss) في حالات الموارد المنخفضة.
- تعزيز البيانات: استقصى الفريق تعزيز البيانات القائم على الترجمة (باستخدام الترجمة الآلية لتوليد عينات اصطناعية للغات مثل الهوسا)، لكنهم وجدوا أن ذلك لم يحقق مكاسب ملحوظة في الأداء، ويرجع ذلك على الأرجوات إلى التحولات البراغماتية وطمس الاصطلاحات الخاصة بكل منطقة.
التجميع (Ensembling): يجمع النموذج النهائي بين تنبؤات XLM-R وmDeBERTa باستخدام متوسط الاحتمالات الموزون. تم تحسين وزن التجميع ( $\alpha$ ) على مجموعة التطوير لتعظيم مقياس Macro-F1، مما نتج عنه وزن قدره 0.7 لـ XLM-R و0.3 لـ mDeBERTa. تم تطبيق عتبة عالمية $\tau = 0.5$ لجميع التنبؤات.

النتائج الرئيسية
في التقييم الرسمي، حقق النظام نتائج تنافسية، حيث احتل المراكز العشرة الأولى في غالبية اللغات عبر جميع المهام الفرعية:

المهمة الفرعية 1: ضمن أفضل 10 في 11/22 لغة.
المهمة الفرعية 2: ضمن أفضل 10 في 16/22 لغة (بما في ذلك أفضل 5 في الأمهرية، والأردية، والأوديا، والبولندية).
المهمة الفرعية 3: ضمن أفضل 10 في 17/18 لغة (بما في ذلك أفضل 5 في الأمهرية، والعربية، والإنجليزية، والخمير، والإسبانية، والأردية).

كشفت دراسات الاستئصال (Ablation studies) أن:

تفوقت طريقة WBCE بشكل كبير على طرق BCE القياسية وFocal Loss في سيناريوهات الموارد المنخفضة (على سبيل المثال، زيادة قدرها +0.212 في مقياس Macro-F1 للغة التيلوجو).
كانت النمذجة المستقلة متفوقة على MTL، حيث أدت التمثيلات المشتركة غالباً إلى نقل سلبي للملصقات النادرة.
فشل تعزيز البيانات بالترجمة في تحسين الأداء، مما يشير إلى أن البيانات الاصطناعية قد لا تلتقط السياق الاجتماعي والسياسي الدقيق المطلوب لكشف الاستقطاب.

الأهمية والادعاءات
تدعي الورقة أن العقبات الرئيسية في كشف الاستقطاب متعدد اللغات ليست مجرد التباين عبر اللغات، بل هي تحديداً ندرة الملصقات دقيقة التفاصيل، عدم استقرار المعايرة، وعدم الاتساق بين المهام.

ويجادل المؤلفون بأن نتائجهم تثبت أن النمذجة المستقلة لكل مهمة فرعية مقترنة بالتحسين المدرك لعدم التوازن تعد بديلاً عملياً أكثر قوة للتعلم متعدد المهام المشترك، لا سيما عند التعامل مع الندرة الشديدة في الملصقات. ويسلطون الضوء على أنه بينما يمكن تعلم الملصقات ذات التغطية العالية (مثل الأهداف "السياسية" أو "التشهير")، فإن ملصقات المظاهر النادرة تظل هشة وعرضة لعدم دقة المعايرة (استدعاء عالٍ ولكن دقة منخفضة).

يؤكد العمل على صعوبة تحليل الاستقطاب دقيق التفاصيل في بيئات الموارد المنخفضة وعدم التوازن، مما يشير إلى أن التحسينات المستقبلية قد تتطلب معايرة هرمية خفيفة أو توليد بيانات متجذر ثقافياً بدلاً من مجرد زيادة حجم النماذج أو الاعتماد على بيانات الترجمة الاصطناعية.

1. المشكلة: حشد صاخب وغير متوازن

2. الحل: "فريق تحقيق مكون من شخصين"

3. الاستراتيجية: التعامل مع كل دليل على حدة

4. ماذا وجدوا

باختصار

أبحاث مشابهة