Stance Detection in Prediction Markets: Addressing Imbalanced Trader Commentary via Counterfactual Augmentation and Market Context
تقدم هذه الورقة أول إطار عمل للكشف عن الموقف تجاه تعليقات أسواق التوقعات، حيث تُظهر أن دمج سياق السوق يحسن بشكل كبير من استدعاء الفئة الأقلية مع تحديد معدل تعزيز مضاد للواقع بنسبة 50% كنسبة مثالية للموازنة بين الأداء عبر تكوينات النماذج المختلفة.
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 أسواق التوقعات مثل "Polymarket" كأنها كازينو ضخم فائق السرعة حيث يراهن الناس على أحداث مستقبلية (مثل "من سيفوز في الانتخابات؟" أو "هل سيرتفع سعر السهم؟"). سعر الرهان يخبرك بمدى ثقة الجمهور الإجمالية، ولكن التعليقات التي يكتبها الناس تحت الرهان هي التي تخبرك لماذا يشعرون بهذا الشعور. بعض الناس يهتفون تشجيعاً (مؤيد)، وبعضهم يستمر في التذمر (معارض)، والعديد منهم يكتفي بالمراقبة بصمت (محايد).
هذه الورقة البحثية تشبه المحقق الذي يحاول تعليم الكمبيوتر قراءة تلك التعليقات ومعرفة من يهتف ومن يتذمر. ومع ذلك، يواجه المحقق ثلاثة مشاكل ضخمة:
- التعليقات قصيرة جداً: يكتب الناس أشياء مثل "cooked" (انتهى أمره)، "rip" (وداعاً)، أو "free money" (مال مجاني). الأمر يشبه محاولة تخمين حبكة فيلم من خلال رمز تعبيري (إيموجي) واحد فقط.
- اللغة غريبة: يستخدم المتداولون لغتهم الخاصة (Slang) التي لا تفهمها الحواسيب العادية.
- التذمر نادر: من بين كل 100 تعليق، ربما 9 أشخاص فقط هم من يقولون فعلياً "لا، هذا سيفشل". الـ 91 الآخرون إما يقولون "نعم" أو لا يقولون شيئاً على الإطلاق. وهذا يجعل من الصعب جداً على الكمبيوتر أن يتعلم كيف يبدو شكل الـ "لا".
إليك كيف حل الباحثون هذه المشاكل، مشروحة بتشبيهات بسيطة:
1. خدعة "السياق" (الإصلاح الأهم)
المشكلة: إذا رأيت تعليقاً يقول "هذا يتحرك"، فليس لديك أدنى فكرة ما إذا كان هذا جيداً أم سيئاً. هل السعر يتحرك للأعلى (جيد للمشترين) أم للأسفل (سيء للمشترين)؟ بدون معرفة الرهان المحدد، يكون الكمبيوتر في حالة تخمين في الظلام.
الحل: أعطى الباحثون الكمبيوتر "السؤال" قبل كل تعليق.
- قبل: "هذا يتحرك." (الكمبيوتر: "ليس لدي أدنى فكرة.")
- بعد: "السؤال: هل سيرتفع السعر؟ التعليق: هذا يتحرك." (الكمبيوتر: "آه! إذا كان السعر يتحرك، فهذا أمر جيد!")
النتيجة: كانت هذه هي العصا السحرية الأكبر. لم تكلف شيئاً إضافياً، لكنها جعلت قدرة الكمبيوتر على رصد "المعارضين" (المتذمرين) النادرين تقفز من الصفر تقريباً إلى كونها مفيدة حقاً. الأمر يشبه إعطاء المترجم قاموساً خاصاً بالموضوع قبل أن تطلب منه ترجمة جملة.
2. استراتيجية "الطالب المزيف" (التعزيز عبر الواقع المضاد)
المشكلة: نظرًا لقلة التعليقات "المعارضة" (9 فقط من أصل 100)، لا يحصل الكمبيوتر على تدريب كافٍ ليتعلم كيفية رصدها. الأمر يشبه محاولة تعلم تحديد نوع نادر من الطيور بينما لم ترَ سوى ثلاث صور له فقط.
الحل: استخدم الباحثون ذكاءً اصطناعياً فائق الذكاء (LLM) لكتابة تعليقات "معارضة" مزيفة بناءً على تعليقات "مؤيدة" حقيقية.
- مؤيد حقيقي: "هذا سيفوز بالتأكيد!"
- معارض مزيف (من صنع الذكاء الاصطناعي): "هذا سيخسر بالتأكيد!" (ولكن مكتوب بنفس الأسلوب القصير والمختصر المستخدم في لغة الشارع/Slang).
قاموا بإضافة هذه التعليقات المزيفة إلى بيانات التدريب لمنح الكمبيوتر فرصة أكبر للتدريب.
النتيجة: نجح هذا الأمر، ولكن فقط إذا لم يبالغوا فيه.
- النقطة المثالية (50%): إضافة كمية معتدلة من التعليقات المزيفة ساعدت الكمبيوتر على التعلم بشكل أفضل.
- الإفراط (100%): إذا أضافوا الكثير جداً من التعليقات المزيفة، سيصاب الكمبيوتر بالارتباك. التعليقات المزيفة بدت مثالية جداً وصحيحة لغوياً، على عكس المتداولين الحقيقيين الذين يكتبون بلغة عامية غير مرتبة وقصيرة. بدأ الكمبيوتر يتعلم "الأسلوب المزيف" بدلاً من "الأسلوب الحقيقي"، وتراجعت قدرته على الأداء فعلياً.
3. معضلة "الفئتين مقابل الثلاث فئات"
جرب الباحثون طريقتين لتعليم الكمبيوتر:
- ثلاث فئات: تعليمه رصد "المؤيد"، "المعارض"، و"المحايد".
- فئتان: إخباره بتجاهل "المحايد" والتركيز فقط على "المؤيد" مقابل "المعارض".
النتيجة: عندما أزالوا "الجمهور المحايد"، أصبح الكمبيوتر أفضل بكثير في رصد "الجمهور المعارض". الأمر يشبه قولك لرجل أمن: "لا تقلق بشأن الأشخاص الذين يمرون فحسب؛ ركز فقط على رصد اللصوص". سيصبح الحارس أكثر حدة في العثور على اللصوص.
النتائج الرئيسية الكبرى
- السياق هو الملك: أخبر الكمبيوتر دائماً عن موضوع الرهان قبل عرض التعليق عليه. هذه هي أقوى أداة وجدوها.
- القليل دائمًا أفضل مع الذكاء الاصطناعي: استخدام الذكاء الاصطناعي لتوليد بيانات تدريب مزيفة يساعد، ولكن قليلاً فقط. إذا أغرقت النظام بالكثير من البيانات المزيفة، فستدمر قدرة النموذج على فهم لغة البشر الحقيقية.
- تجاهل الصمت: إذا كنت تريد العثور على النقاد، فمن المفيد تجاهل الأشخاص الذين يكتفون بالمراقبة فقط.
باختصار، تظهر الورقة البحثية أنه لتعليم الكمبيوتر فهم مزاج سوق التوقعات، عليك أن تعطيه القصة الكاملة (السؤال)، وتتجاهل الأغلبية الصامتة، وتكون حذراً جداً من تغذيته بالكثير من الأمثلة "المزيفة"، وإلا سيبدأ في التحدث بلغة لا يستخدمها أي متداول حقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.