🤖 machine learning

Early Prediction of Future Behavioral Strategy from Process Traces

تقدم هذه الورقة نموذج المتغير الكامن على مستوى العملية (PLVM) الذي يدمج آثار العمليات الجزئية من المهام المصدرية في تمثيل مشترك على مستوى الشخص لتمكين التنبؤ المبكر بالاستراتيجيات السلوكية المستقبلية في مهمة مستهدفة، مما يثبت فعاليته في مجموعة بيانات لعبة PowerWash Simulator حيث نجح في التمييز بين أنواع الاستراتيجيات المستمرة والمتكررة.

المؤلفون الأصليون: Robert Kasumba, Dennis Barbour, Chien-Ju Ho

نُشر 2026-06-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Robert Kasumba, Dennis Barbour, Chien-Ju Ho

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 أنك تحاول تخمين كيف سيتعامل صديقك مع لغز جديد وصعب. لم تره يلعب هذا اللغز تحديداً من قبل، لكنك شاهدته وهو يحل لغزين مختلفين في وقت سابق من هذا اليوم.

تطرح ورقة بحثية لروبرت كسامبا وفريقه سؤالاً بسيطاً: هل يمكننا التنبؤ بكيفية تصرف شخص ما في موقف جديد من خلال مراقبة "كيفية" حله للمواقف السابقة، بدلاً من مجرد النظر إلى درجاته النهائية؟

إليك تفصيل أفكارهم، باستخدام تشبيهات من الحياة اليومية:

المشكلة: "الدرجة" مقابل "القصة"

عادةً، عندما نحاول فهم عادات شخص ما، فإننا ننظر إلى النتيجة.

تشبيه: تخيل أن طالبين حصلا كلاهما على درجة "امتياز" في اختبار الرياضيات.
- الطالب (أ): حل المسائل بسرعة، وخمن بعض الإجابات، وكان محظوظاً.
- الطالب (ب): استغرق وقته، وراجع كل خطوة بدقة، وحل المسائل بطريقة منهجية.
- الخلل: إذا نظرت فقط إلى الدرجة (الامتياز)، فلن تستطيع التمييز بينهما. قد تعتقد أن كلاهما سيتعامل مع الاختبار القادم بنفس الطريقة. لكنهما لن يفعلوا ذلك؛ أحدهما قد يتسرع، والآخر قد يكون حذراً.

يجادل المؤلفون بأن النظر إلى الدرجات فقط (معدلات الإكمال، النقاط، الوقت) يشبه الحكم على فيلم من خلال أرقام شباك التذاكر فقط. أنت تفوت "القصة" التي تطورت بها الأحداث.

الحل: مراقبة "العملية"

بدلاً من مجرد النظر إلى النتيجة النهائية، نظر الباحثون إلى آثار العملية (process traces).

تشبيه: هذا يشبه مشاهدة برنامج طبخ. أنت لا ترى الكعكة الجاهزة فحسب؛ بل ترى ما إذا كان الطاهي يقطع الخضروات بدقة، أو إذا كان يتذوق الصلصة ثلاث مرات، أو إذا كان يحرق الخبز أثناء تعدد المهام. هذه الأفعال الصغيرة تخبرك عن "أسلوب" الطاهي.

ومع ذلك، هناك عقبة. قد يقطع الطاهي بدقة في مطبخ ذي منضدة صغيرة (المهمة 1)، ولكنه يقطع بعشوائية في مطبخ ضخم وفوضوي (المهمة 2). إذا شاهدت مطبخاً واحداً فقط، فقد يصيبك الارتباك بشأن أسلوبه الحقيقي.

الأداة الجديدة: PLVM (المترجم الأسلوبي)

بنى الفريق نموذجاً حاسوبياً يسمى PLVM (نموذج المتغير الكامن على مستوى العملية). فكر في هذا النموذج كـ محقق يربط النقاط بين القصص المختلفة.

الإعداد: يراقب النموذج شخصاً يلعب مستويين مختلفين من لعبة فيديو تسمى PowerWash Simulator (تنظيف غرف افتراضية).
الملاحظة: لا يكتفي النموذج بعدّ المربعات التي قام بتنظيفها، بل يراقب أين تحرك. هل بقي في زاوية واحدة ونظفها بدقة قبل الانتقال، أم أنه كان ينتقل ذهاباً وإياباً بين الغرف باستمرار؟
الدمج: يأخذ النموذج "أسلوب التنظيف" من الغرفة الأولى و"أسلوب التنظيف" من الغرفة الثانية ويقوم بـ دمجهما. إنه ينشئ "ملف تعريف شخصية" واحداً لكيفية تفكير ذلك اللاعب.
التنبؤ: باستخدام هذا الملف الشخصي المدمج، يحاول النموذج تخمين كيف سيتصرف اللاعب في غرفة ثالثة جديدة لم يرها من قبل.

النتائج: لماذا الدمج مهم؟

اختبر الباحثون هذا بطريقتين:

1. الاختبار الواقعي (PowerWash Simulator)
نظروا إلى لاعبين بشريين حقيقيين. ووجدوا أن:

الدرجات فشلت: معرفة سرعة تنظيف اللاعب لأول غرفتين لم تساعد في التنبؤ بأسلوبه في الغرفة الثالثة.
مشاهدة مهمة واحدة كانت جيدة نوعاً ما: مشاهدة غرفة واحدة فقط ساعدت قليًلا.
الدمج كان الأفضل: عندما دمج النموذج "القصص" من كلتا الغرفتين السابقتين، أصبح أفضل بكثير في التنبؤ بما إذا كان اللاعب سيكون "مخطط مناطق" (يبقى في منطقة واحدة ويتمها) أو "متنقل بين المناطق" (ينتقل من مكان لآخر باستمرار).

2. اختبار المحاكاة (المختبر المنضبط)
لإثبات لماذا يعمل هذا، أنشأوا وكلاء حاسوبيين وهميين لديهم "رقائق شخصية" سرية (سمات خفية).

أعطوا الوكلاء لعبتين مختلفتين: واحدة حيث يتعين عليهم الصيد بحثاً عن الطعام (تكشف ما إذا كانوا انتهازيين) وأخرى حيث يتعين عليهم تنظيف غرفة (تكشف ما إذا كانوا مثابرين).
الاكتشاف: لم تخبر أي لعبة منهما القصة كاملة بمفردها. "لعبة الطعام" أخفت سمة "التنظيف"، والعكس صحيح.
الفائز: فقط عندما نظر النموذج إلى كلتا اللعبتين معاً، استطاع التخمين بدقة سمة الشخصية السرية للوكيل.

الخلاصة

يزعم البحث أنه للتنبؤ بكيفية تصرف شخص ما في موقف جديد، لا ينبغي لك فقط النظر إلى نتائج الماضي (الدرجات). كما لا ينبغي لك أيضاً مجرد مشاهدة مهمة واحدة.

بدلاً من ذلك، تحتاج إلى مراقبة كيفية أدائهم لمهام مختلفة ودمج تلك الملاحظات. من خلال دمج "العملية" من تجارب مختلفة، يمكنك بناء صورة أفضل لأسلوبهم السلوكي الحقيقي، مما يسمح لك بالتنبؤ بتحركاتهم المستقبلية حتى قبل أن يبدأوا المهمة الجديدة.

باخت-صار: إذا كنت تريد معرفة كيف سيتعامل شخص ما مع تحدٍ جديد، فلا تسأل فقط، "هل فاز؟" بل اسأل، "كيف لعب اللعبة، وكيف تغير ذلك عندما تغيرت القواعد؟"

ملخص تقني: التنبؤ المبكر بالاستراتيجية السلوكية المستقبلية من آثار العمليات

صياغة المشكلة

تواجه الأنظمة التكيفية (مثل المعلمين الأذكياء، أو محركات الألعاب، أو المتعاونين بين البشر والذكاء الاصطناعي) غالبًا تحدي اتخاذ قرارات متعلقة بمهام محددة بناءً على أدلة سابقة محدودة. المشكلة الجوهرية التي يتناولها هذا البحث هي الاستدلال السلوكي عبر المهام في مرحلة مبكرة: التنبؤ بكيفية تنظيم الفرد لسلوكه في مهمة مستهدفة (لم تُجرَ بعد) باستخدام آثار عمليات جزئية من مهام مصدرية سابقة.

تواجه الأساليب الحالية عائقين رئيسيين:

ملخصات النتائج الإجمالية: تعتمد الطرق التقليدية على مقاييس مثل الدرجات، أو معدلات الإكمال، أو أوقات الاستجابة. ورغم أنها موجزة ومتاحة عبر المهام المختلفة، إلا أن هذه الملخصات غالبًا ما تدمج عمليات سلوكية متميزة (مثل التخطيط المنهجي مقابل التبديل المتكرر) في نتائج متشابهة، مما يؤدي إلى الفشل في التقاط "كيفية" السلوك.
نمذجة العمليات أحادية المهمة: بينما يمكن لنماذج التسلسل الحديثة (مثل المحولات/Transformers) نمذجة التبعيات الزمنية داخل مهمة واحدة، إلا أنها غالبًا ما تخلط بين النزعات المستقرة على مستوى الشخص وبين الهياكل والمزايا الخاصة بالمهمة. علاوة على ذلك، قد لا يتم التعبير عن النزعات الكامنة للشخص إلا بشكل جزئي في أي مهمة مصدرية واحدة.

يفترض البحث وجود بنية قابلة للنقل على مستوى الشخص، ولكن استردادها يتطلب دمج أدلة العمليات عبر مهام مصدرية متعددة، خاصة عندما يكون رصد سلوك كافٍ في المهمة المستهدفة أمرًا غير عملي.

المنهجية: نموذج المتغير الكامن على مستوى العملية (PLVM)

يقترح المؤلفون نموذج المتغير الكامن على مستوى العملية (PLVM)، وهو إطار عمل مصمم لترميز آثار مهام محددة ودمجها في تمثيل كامن مشترك على مستوى الشخص للتنبؤ عبر المهام.

البنية الهيكلية

يتكون النموذج من ثلاثة مكونات متميزة (موضحة في الشكل 1 من الورقة):

مشفرات العمليات الخاصة بالمهمة: لكل مهمة مصدرية $k$ ، يقوم مشفر مخصص $f_k$ (يتم تنفيذه كمحول سببي/Causal Transformer) بمعالجة الأثر الجزئي $X^{(t)}_{i,k}$ . يتم تدريب هذه المشفرات بشكل مستقل باستخدام هدف التنبؤ بالحدث التالي ذاتي الإشراف (التنبؤ بالإجراء التالي أو تغيير الموقع) لتعلم ديناميكيات السلوك داخل المهمة. وبمجرد تدريبها، يتم تجميد هذه المشفرات.
مُدمج عبر المهام (Cross-Task Fuser): يتم دمج التضمينات (Embeddings) $h_{i,k}$ من المهام المصدرية وتمريرها عبر شبكة دمج أمامية $g_\phi$ . تعمل هذه الوحدة على تعلم كيفية الجمع بين الأدلة من مهام مصدرية مختلفة لبناء حالة كامنة مشتركة وثابتة الأبعاد على مستوى الشخص $z_i$ .
مفكك شفرة السلوك المستهدف: يقوم مفكك الشفرة $d_\psi$ برسم خريطة للحالة الكامنة المدمجة $z_i$ إلى درجات تنبؤية $\theta_i$ ، والتي تُستخدم لتصنيف الاستراتيجية السلوكية في المهمة المستهدفة (على سبيل المثال، عبر دالة Softmax للتصنيف).

بروتوكول التدريب

يتم تدريب مشفرات المهام بشكل منفصل. ثم يتم تدريب وحدة الدمج ومفكك الشفرة معًا باستخدام هدف التنبؤ عبر المهام باستخدام خسارة الإنتروبيا المتقاطعة (Cross-entropy loss). ومن الأهمية بمكان أن يتم تقييم النموذج تحت بروتوكول الملاحظة الجزئية: عند أي وقت قطع $t$ ، لا يتلقى النماذج سوى البادئة (Prefix) لآثار مهام المصدر. ولا يتم تقديم أثر المهمة المستهدفة كمدخل أثناء الاستدلال.

التقييم التجريبي

قيم المؤلفون نموذج PLVM باستخدام نهجين متكاملين: لعب بشري حقيقي ومحاكاة محكومة.

1. لعبة PowerWash Simulator (بيانات بشرية حقيقية)

مجموعة البيانات: بيانات القياس عن بُعد (Telemetry) من 11,080 لاعبًا يكملون مهام تنظيف مكانية.
الإعداد: يكمل اللاعبون مهمتي "Back Garden" و"Bungalow" (مهام مصدرية) قبل مهمة "Fire Station" (المهمة المستهدفة).
المتغير المستهدف: أسلوب التنقل، ويُعرف إجرائيًا بأنه الميل للاستمرار محليًا ضمن مناطق مكانية ("مخططون للمناطق" - Zone Planners) مقابل التبديل المتكرر عبر المناطق ("متنقلون بين المناطق" - Zone Hoppers). تُشتق التصنيفات من معدلات تبديل المناطق، ومعدلات العودة، ومسافات القفز في مستوى Fire Station.
النماذج المرجعية (Baselines):
- القائمة على النتائج: تستخدم ملخصات إجمالية (نسبة الإكمال، المهام الفرعية/الدقيقة) من المهام المصدرية.
- العمليات أحادية المهمة: تستخدم نفس مشفرات المحولات (Transformers) ولكنها تعالج مهمة مصدرية واحدة فقط في كل مرة دون دمج.

2. محاكاة عالم الشبكة المحكوم (التحقق من الآلية)

الإعداد: يكمل وكلاء اصطناعيون مهمتين: مهمة "البحث عن الطعام في الخارج" (تؤكد على السعي الانتهازي للمكافآت) ومهمة "التنظيف الداخلي" (تؤكد على الثبات في البقعة).
الحقيقة الأرضية (Ground Truth): يمتلك الوكلاء أنماطًا كامنة معروفة (النوع A مقابل النوع B) بناءً على التكوين المشترك لدوافع الثبات والانتهازية.
المنطق: صُممت المهام لتقديم أدلة متكاملة. تكشف عملية البحث عن الطعام عن بُعد "الانتهازية"، بينما يكشف التنظيف عن بُعد "الثبات". لا تستطيع أي مهمة بمفردها تحديد النمط الظاهري بالكامل.

النتائج الرئيسية

PowerWash Simulator

النماذج المرجعية للنتائج: أظهرت المقاييس الإجمالية (الإكمال، الإنتاجية) فصلًا ضعيفًا بين المخططين والمتنقلين مستقبليًا (AUC $\approx$ 0.51–0.55)، مما جعل أداءها قريبًا من العشوائية.
نماذج العمليات أحادية المهمة: أظهرت آثار العمليات من المهام الفردية تحسنًا في التنبؤ مقارنة بالنتائج، مما يؤكد أن التسلسلات المرتبة تحتوي على إشارات تتجاوز الملخصات.
أداء PLVM: تفوق PLVM باستمرار على كلا النموذجين المرجعيين. عند قطع الملاحظة عند 60 دقيقة، حقق PLVM دقة بلغت 65.3%، مقارنة بـ 62.9% لأفضل نموذج مرجحي أحادي المهمة.
الفضاء الكامن: أظهر تصور التمثيل الكامن المدمج تحولًا مرئيًا بين "مخططي المناطق" و"متنقلي المناطق"، رغم وجود تداخل كبير، مما يشير إلى أن النموذج تعلم بنية تنبؤية ذات صلة بأسلوب التنقل المستقبلي.

المحاكاة المحكومة

التكامل: أظهر PLVM أكبر المكاسب عندما كانت المهام المصدرية متكاملة. في الإعداد المتكامل، وصل PLVM إلى دقة 86.6%، متفوقًا بشكل كبير على أفضل نموذج أحادي المهمة الذي حقق 68.0%.
التكرار: عندما كانت المهام مكررة (تقدم نفس المعلومات)، لم يقدم PLVM أي فائدة، حيث كشفت مهمة واحدة بالفعل عن البنية.
التحقق من الآلية: تؤكد النتائج أن دمج المهام يكون أكثر فعالية عندما تكشف المهام المختلفة جوانب متكاملة لعملية كامنة مشتركة.

الأهمية والادعاءات

يدعي البحث ثلاث مساهمات رئيسية:

صياغة المشكلة: وضع التنبؤ المبكر باستراتيجية السلوك عبر المهام كمسألة متميزة وذات صلة بالتطبيقات، متجاوزًا التقييم القائم على النتائج أو نمذجة التسلسل أحادي المهمة.
الابتكار المنهجي: قدم نموذج PLVM، وهو نموذج متغير كامن ينجح في دمج تضمينات آثار المهام في تمثيل مشترك على مستوى الشخص، مما يسمح بالتنبؤ بالسلوك في مهمة لم تُنفذ بعد.
الدليل التجريبي: من خلال كل من البيانات البشرية الحقيقية والمحاكاة المحكومة، أثبت المؤلفون أن الاستراتيجية السلوكية القابلة للنقل لا يتم التقاطها بالكامل من خلال النتائج الإجمالية أو آثار العمليات أحادية المهمة.

يخلص المؤلفون إلى أن نمذجة العمليات عبر المهام تكون ذات قيمة خاصة في "الإعدادات المتوسطة" حيث:

تشترك المهام في بنية سلوكية قابلة للنقل.
لا تكشف أي مهمة مرصودة بمفردها عن السلوك المستهدف بالكامل.
تكون النتائج الإجمالية غير كافية للتمييز.

يشير العمل إلى أن نمذجة العمليات عبر المهام مفيدة جدًا للأنظمة التكيفية التي تتطلب تدخلًا مبكرًا (قبل رصد السلوك المستهدف بالكامل)، حيث يوفر دمج آثار العمليات الجزئية عبر مجالات متعددة آلية قوية لاستنتاج النزعات المستقرة على مستوى الشخص. يظل البحث متواضعًا، مشيرًا إلى أنه بينما تم التحقق من الآلية في المحاكاة، فإن التصنيفات في العالم الحقيقي هي مقاييس تشغيلية للتبديل المكاني وليست سمات نفسية مثبتة خارجيًا، وأن النهج قد لا يقدم فائدة كبيرة إذا كانت المهام غير مرتبطة أو إذا كانت النتائج كافية بالفعل.