CHiPS: Character Histograms and Positional Signals for Lightweight Authorship Attribution in Romanian Texts
تقدم هذه الورقة البحثية CHiPS، وهي طريقة خفيفة الوزن وشفافة لنسب التأليف على مستوى الحروف للنصوص الرومانية، تستخدم المخططات التكرارية للحروف وإشارات الطيف الموضعية لتحقيق دقة عالية دون الاعتماد على التجزئة، أو التحليل النحوي، أو النماذج اللغوية الكبيرة، مع إثبات فعالية مجموعات الميزات المقيدة تحت رقابة صارمة على تسرب البيانات.
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 محقق يحاول حل لغز، ولكن بدلاً من البحث عن بصمات الأصابع أو آثار الأقدام، أنت تبحث عن "خط اليد" غير المرئي للكمبيوتر. هذا المجال، المسمى نسب التأليف (authorship attribution)، يدور حول معرفة من كتب نصاً معيناً عندما يكون الاسم مفقوداً أو متنازعاً عليه. الأمر يشبه محاولة تخمين أي صديق كتب ملاحظة مجهولة في مذكرات مدرسية بمجرد النظر إلى كيفية استخدامهم للفواصل، وأين يضعون المسافات، وأي الحروف يبدو أنهم يحبونها أو يكرهونها. وبينما تتفوق الحواسيب الحديثة في قراءة معنى الكلمات (مثل فهم نكتة أو قصة حزينة)، فإن هذه الورقة تسأل سؤالاً أبسط وأكثر جوهرية: هل يمكننا تحديد المؤلف بمجرد عاداتهم الصغيرة واللاواعية مع الحروف والرموز نفسها؟ فكر في الأمر كأنك تستمع إلى إيقاع أغنية بدلاً من كلماتها؛ حتى لو غيرت الكلمات، فقد يكشف الإيقاع عن المغني. هذا أمر مهم لأننا أحياناً نحتاج لمعرفة من كتب شيئاً ما دون الاعتماد على عقول حاسوبية معقدة وضخمة قد تكون صعبة الفحص أو الفهم.
قرر الباحثون وراء هذه الدراسة، ساندا ماريا أفرام وجورج سي. توركاش، بناء أداة تحقيق جديدة تسمى CHiPS (والتي ترمز إلى Character Histograms and Positional Signals - المدرجات التكرارية للحروف والإشارات الموضعية) لحل هذا اللغز للنصوص المكتوبة باللغة الرومانية. لم يكن هدفهم بناء أقوى ذكاء اصطناعي ممكن أو الأكثر تعقيداً، بل أرادوا إنشاء طريقة "خفيفة الوزن" وشفافة يمكن لأي شخص فحصها. لقد أرادوا معرفة مقدار ما هو مخفي من هوية المؤلف في التوزيع البسيط للحروف وإيقاع ظهور تلك الحروف، دون استخدام أدوات تقسيم كلمات معقدة أو نماذج لغوية ضخمة مدربة مسبقاً.
إليك كيف تعمل طريقتهم، باستخدام تشبيه ممتع: تخيل أن لكل مؤلف "بصمة أسلوب" فريدة. تنظر CHiPS إلى هذه البصمة بطريقتين مختلفتين.
أولاً، هناك جزء CH-SVM، الذي يعمل مثل عداد الترددات. فهو ببساً يقوم بعد كم مرة يستخدم المؤلف حروفاً معينة، مثل حرف 'a'، أو فاصلة، أو مسافة. لا يهتم بترتيب الكلمات أو حتى ما إذا كانت الحروف متجاورة، بل ينظر فقط إلى المزيج الإجمالي. الأمر يشبه خبازاً يمكنه التعرف على طاهٍ معين بمجرد معرفة النسبة الدقيقة للدقيق والسكر والملح التي يستخدمها دائماً، بغض النظر عن نوع الكعكة التي يصنعها.
ثاً، هناك جزء FFT12-LR، الذي يعمل مثل كاشف الإيقاع. بدلاً من مجرد العد، ينظر إلى أين تظهر حروف معينة في النص. إنه يعامل النص كأنه مقطوعة موسيقية، محولاً ظهور أشياء مثل علامات الترقيم أو الحروف الكبيرة إلى موجة إشارية. ثم يستخدم الرياضيات (تحديداً تحليل فوريه، وهو ما يشبه تفكيك الموجة الصوتية إلى نوتات موسيقية) لإيجاد الأنماط في المسافات والإيقاع. الأمر يشبه ملاحظة أن مؤلفاً معيناً يضع الفاصلة دائماً كل 15 كلمة بالضبط، أو أنه يميل إلى استخدام علامات التعجب في دفعات عند نهاية الفقرات.
قام الباحثون بدمج هذين المحققين في فريق يسمى CHiPS-F. وقد اختبروا هذا الفريق على مجموعة بيانات مغلقة من النصوص الرومانية تسمى ROST، والتي احتوت على 400 ملف كتبها 10 مؤلفين مختلفين. وللتأكد من أن الاختبار كان عادلاً وأن الكمبيوتر لم "يغش" عبر حفظ أجزاء من نفس القصة، فقد أبقوا جميع أجزاء القصة الواحدة معاً إما في مجموعة التدريب أو في مجموعة الاختبار، ولم يفصلوا بينها أبداً.
كانت النتائج مثيرة للاهتمام حقاً. فعندما تركوا طريقة حاسوبية قياسية وقوية تعتمد على سلاسل قصيرة من الحروف (مثل "th" أو "ing") تجري الاختبار، حصلت على درجة كاملة، حيث حددت مؤلف كل ملف اختبار بشكل صحيح. ومع ذلك، فإن فريق CHiPS، الذي كان مقيداً بالنظر فقط في تعداد الحروف المفردة وإشارات الإيقاع، لا يزال قد أبلى بلاءً حسناً للغاية. فقد نجح فريق CHiPS-F المدمج في تحديد المؤلف في 54 من أصل 58 ملف اختبار، محققاً دقة قدرها 0.9310 (أو 93.1%).
تذكر الورقة صراحة أن CHiPS ليست أفضل مصنف ممكن؛ إذ كانت الطريقة القياسية التي تنظر في سلاسل الحروف أقوى. بدلاً من ذلك، فإن الاكتشاف الرئيسي للورقة هو أنه حتى مع القيود الصارمة —تجاهل معاني الكلمات وتجاهل تركيبات الحروف التي تزيد عن حرف واحد— لا يزال أسلوب المؤلف مرئياً جداً في عادات الحروف وإشارات الإيقاع الخاصة به. لقد ساعد جزء "الإيقاع" في الأداة في إصلاح بعض الأخطاء التي ارتكبها جزء "العد"، مما أثبت أن أين تضع علامات الترقيم لا يقل أهمية عن عدد مرات استخدامها.
كما جربوا أداة "إعادة الترتيب" (CHiPS-R) التي تنظر في أفضل خمسة تخمينات وتحاول اختيار التخمين الصحيح إذا كان الأداة الرئيسية قريبة ولكنها مخطئة. وفي مجموعة بيانات ثانية أكبر من القصص المنقحة، ساعدت هذه الخطوة الإضافية في تحسين النتيجة لتصل إلى دقة 0.8919. ومع ذلك، في الاختبار الرئيسي المغلق، لم تؤدِ هذه الخطوة الإضافية إلى تحسين النتائج، مما يشير إلى أنه بينما قد تساعد في بعض الحالات، إلا أنها ليست حلاً سحرياً لكل شيء.
في النهاية، يخلص المؤلفون إلى أن CHiPS هي أداة قيمة وشفافة. فهي تثبت أنك لست بحاجة إلى شبكة عصبية ضخمة ومعقدة للعثور على بصمة المؤلف الرقمية؛ فأحياناً، مجرد النظر إلى العادات اللاواعية والبسيطة في كيفية كتابة الشخص ونقاط ترقيعه كافٍ لكشف هويته. إنها تقدم طريقة واضحة وقابلة للفحص لفهم نسبة التأليف دون الاعتماد على ذكاء اصطناعي "الصندوق الأسود"، مما يجعلها خط أساس مفيداً للدراسات المستقبلية، خاصة في اللغات التي قد لا تتوفر فيها أدوات معقدة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.