تخيل الإنترنت كأنه ساحة مدينة رقمية ضخمة وفوضوية، حيث يصرخ الجميع، ويهمسون، ويرسمون الصور على الجدران. في هذه المدينة، تُعد "الميمز" (Memes) هي الطريقة الأكثر شعبية للتواصل؛ فهي تشبه النكات الداخلية التي تمزج بين صورة مضحكة وتعليق ذكي. لكن أحياناً، تتحول هذه النكات إلى أسلحة، حيث تخفي خطاب الكراهية أو التنمر داخل ضحكة. الجزء الصعب هو أن الصورة قد تبدو بريئة، لكن النص يجعل معناها سيئاً، أو العكس صحيح. لإيقاف ذلك، تحتاج الحواسيب إلى تعلم كيفية "قراءة" كل من الصورة والكلمات في آن واحد، وفهم القصة بأكملها، وليس مجرد الأجزاء. هذا تحدٍ هائل للحواسيب، خاصة عندما تُقال النكات بلغات لا تعرفها جيداً، مثل اللغة النيبالية، حيث يُرسم نظام الكتابة (الذي يسمى ديفاناغاري) مباشرة فوق الصور.

لقد حاول العلماء بناء "محققين رقميين" أفضل لرصد الميمز الضارة. عادةً، يحاولون بناء خط تجميع طويل: أولاً، تقرأ آلة النص من الصورة (مثل الماسح الضوئي)، ثم تقوم آلة أخرى بالترجمة، وأخيراً، تقرر آلة ثالثة ما إذا كان المحتوى سيئاً. لكن هذا يشبه محاولة حل لغز عبر تفكيكه قطعة قطعة؛ قد تفقد صورة الشيء ككل. يقدم هذا البحث فريقاً جديداً من المحققين لا يحتاج إلى خط التجميع هذا. بدلاً من ذلك، يستخدمون "دماغاً" فائق الذكاء وشاملاً يمكنه النظر إلى الصورة وقراءة النص في وقت واحد، تماماً كما يفعل البشر.

قصة الورقة البحثية: تدريب المحقق على مرحلتين

دخل الباحثون، نيتيز خانال وفريقه، مسابقة تسمى CHiPSAL 2026، حيث كان الهدف هو بناء أفضل نظام لرصد الكراهية وتحليل المشاعر في الميمز النيبالية. لم يكتفوا بمجرد إلقاء حاسوب أمام المشكلة، بل صمموا معسكراً تدريبياً ذكياً من مرحلتتين لنموذج الذكاء الاصطناعي الخاص بهم.

النجم الرئيسي: Qwen3-VL
في قلب نظامهم، يوجد نموذج ذكاء اصطناعي ضخم ومدرب مسبقاً يسمى Qwen3-VL-8B-Instruct. فكر في هذا النموذج كطالب عبقري قرأ بالفعل ملايين الكتب ورأى ملايين الصور من جميع أنحاء العالم. والأهم من ذلك، أن هذا الطالب يعرف بالفعل كيفية قراءة خط "ديفاناغاري" المستخدم في نيبال، لذا لم يحتج الباحثون لتعليمه كيفية القراءة من الصفر أو استخدام أداة منفصلة لمسح النص؛ إذ يمكنه النظر إلى "الميم" و"رؤية" الكلمات المكتوبة على الصورة فوراً.

المرحلة الأولى: الكاتب المبدع
في المرحلة الأولى من التدريب، علم الفريق الذكاء الاصطناعي كيف يعمل ككاتب مبدع. عرضوا عليه آلاف الميمز وطلبوا منه كتابة الإجابة: "كراهية" أو "آمن"، أو "سلبي"، "محايد"، أو "إيجابي". وللقيام بذلك دون استهلاك موارد الحاسوب بشكل مفرط، استخدموا تقنية تسمى LoRA (التكيف منخفض الرتبة). تخيل أن الذكاء الاصطناٍ هو مكتبة ضخمة بها ملايين الكتب؛ بدلاً من إعادة كتابة كل كتاب لتعليمه عن الميمز النيبالية، أضاف الباحثون فقط بعض الملاحظات اللاصقة (طبقات صغيرة قابلة للتدريب) على الرفوف. سمح هذا للذكاء الاصطناعي بالتعلم بسرعة وكفاءة.

ومع ذلك، كانت البيانات التي لديهم غير متوازنة؛ حيث كان هناك عدد أكبر بكثير من الميمز "الآمنة" مقارنة بميمز "الكراهية"، وأعداد أكبر من الميمز "المحايدة" مقارنة بـ "الإيجابية" أو "السلبية". الأمر يشبه محاولة تعلم تحديد الحيوانات النادرة عندما لا تملك سوى صورة واحدة لنمر بينما تملك ألف صورة لقطط. ولحل هذه المشكلة، استخدم الفريق تقنية Oversampling (زيادة العينات عبر عمل نسخ إضافية للميمز النادرة) و Image Augmentation (تغيير وضعية الصور وتدويرها وتغيير سطوعها) حتى لا يقوم الذكاء الاصطناعي بمجرد حفظ الصور، بل يتعلم الأنماط فعلياً. وبالنسبة لمهمة المشاعر ذات الفئات الثلاث، استخدموا أيضاً خدعة رياضية خاصة تسمى Focal Loss، والتي أخبرت الذكاء الاصطناعي بأن يولي اهتماماً إضافياً للأمثلة الصعبة التي يستمر في الخطأ فيها.

المرحلة الثانية: المدرب الصارم
كانت المرحلة الأولى جيدة، لكن الباحثين أرادوا أن يكون الذكاء الاصطناعي أكثر حدة. في المرحلة الثانية، أضافوا مدرب "التعلم التبايني" (Contrastive Learning). هذا يشبه لعبة "أوجد الفروق". يعرض المدرب على الذكاء الاصطناعي ميمين كلاهما يندرج تحت "الكراهية" ويقول: "هذان ينتميان لبعضهما!". ثم يعرض ميم "كراهية" وميم "آمن" ويقول: "هذان مختلفان تماماً! ابعدهما عن بعضهما!". ساعد هذا الذكاء الاصطناعي على تعلم تجميع الأفكار المتشابهة معاً بقوة، ودفع الأفكار المختلفة بعيداً عن بعضها في عقله. لم تكن هذه المرحلة تطلب إجابة فحسب، بل أجبرت الذكاء الاصطناعي على فهم "شكل" البيانات، مما جعل قراراته أكثر متانة.

الحكم النهائي: خلط النتائج
عندما حان وقت الامتحان النهائي، لم يكتفِ الفريق باختيار الإجابة من المرحلة الأولى أو الثانية، بل أنشأوا "اجتماع فريق". أخذوا درجة الاحتمالية من "الكاتب المبدع" (المرحلة الأولى) ومن "المدرب الصارم" (المرحلة الثانية) وخلطوهما معاً باستخدام وزن خاص. اختبروا نسب خلط مختلفة على مجموعة تجريبية للعثور على التوازن المثالي الذي يعطي أعلى درجة.

ماذا وجدوا؟

كانت النتائج مبهرة. حقق فريق العمل المركز الثاني في لوحة المتصدرين الرسمية لمهمة رصد خطاب الكراهية، بدرجة (تسمى Macro F1) بلغت 0.797. وهذا يعني أن النظام كان جيداً جداً في رصد المحتوى الضار، رغم عدم توازن الفئات الصعب. أما بالنسبة لمهمة تحليل المشاعر (تحديد ما إذا كان الميم إيجابياً أم سلبياً أم محايداً)، فقد حصلوا على المركز الرابع في لوحة المتصدرين بدرجة 0.518.

وجد الباحثون أن نهج المرحلتين كان هو "السر الخفي". لو استخدموا المرحلة الأولى فقط (مجرد كتابة الإجابة)، لكانت درجتهم أقل. إن إضافة المرحلة الثانية (التعلم التبايني) عزز أداءهم بشكل كبير. كما اكتشفوا أن المهمتين تتطلبان أساليب تدريب مختلفة؛ فمهمة خطاب الكراهية كانت أكثر وضوحاً، لكن مهمة المشاعر كانت أصعب بكثير في التعلم لأن الخطوط الفاصلة بين "المحايد" و"الإيجابي" أو "السلبي" غالباً ما تكون ضبابية، خاصة مع الفكاهة. احتاج نموذج المشاعر إلى قواعد أكثر صرامة (Regularization) لمنعه من الارتباك.

لماذا يهم هذا (وما لا يهمه)

تشير هذه الورقة إلى أنه بالنسبة للغات ذات الموارد المحدودة مثل النيبالية، فإن استخدام نموذج لغوي بصري قوي وشامل يفهم النص أصلاً هو تغيير لقواعد اللعبة. إنها تثبت أنك لست بحاجة إلى سلسلة معقدة من الأدوات (مثل ماسحات النصوص المنفصلة والمترجمين) لفهم الميمز؛ بل يمكن لنموذج واحد ذكي القيام بذلك من البداية إلى النهاية.

ومع ذلك، يوضح المؤلف بحذر أن نظامه ليس مثالياً. فهو يعترف بأن الذكاء الاصطناعي يفتقر أحياناً إلى السياق الثقافي العميق. على سبيل المثال، قد تحتوي "ميم" على شخصية تاريخية أو نكتة ثقافية محددة تبدو غير ضارة للذكاء الاصطناعي، لكنها في الواقع مهينة لشخص نيبالي. الذكاء الاصطناعي ذكي، لكنه لا يمتلك التجربة المعيشة للثقافة بعد. كما أشاروا إلى أنه نظراً لأن مجموعة البيانات كانت صغيرة نسبياً (حوالي 1,000 ميم لكل مهمة)، فهناك خطر من أن يكون النموذج قد حفظ بيانات التدريب بدلاً من تعلمها حقاً، وقد تختلف النتائج إذا بدأوا من جديد بـ "بذرة عشوائية" مختلفة.

في النهاية، يظهر هذا العمل مساراً واعداً: تعليم نماذج الذكاء الاصطناعي الكبيرة والذكية فهم عالم الميمز الفوضوي والمضحك والخطير أحياناً في اللغات التي تم تهميشها تكنولوجياً. إنها خطوة نحو جعل الساحة الرقمية أكثر أماناً وشمولية للجميع.