The methodology of Constructing the Large-Scale Dataset for Detecting Presuicidal and Anti-Suicidal Signals in Social Media Texts in Russian

تخيل الإنترنت كأنه ساحة مدينة رقمية صاخبة وكبيرة، حيث يتشارك الملايين من الناس أفكارهم، ونكاتهم، وأعمق أسرارهم في كل ثانية. في هذا الزحام الصاخب، يصرخ بعض الناس بهدوء طلباً للمساعدة، تاركين تلميحات خفية عن شعورهم باليأس أو التفكير في إنهاء حياتهم. لسنوات، حاول العلماء بناء "محققين رقميين" — برامج حاسوبية يمكنها قراءة منشورات وسائل التواصل الاجتماعي ورصد علامات الخطر قبل فوات الأوان. هذا المجال، المعروف باسم معالجة اللغات الطبيعية (NLP)، يشبه تعليم الروبوت فهم المشاعر الإنسانية من خلال قراءة كلماتهم. لكن الجزء الصعب هنا هو أن الحواسيب سيئة جداً في تخمين المشاعر ما لم يتم تدريبها على مكتبة ضخمة من الأمثلة التي صنفها البشر مسبقاً كـ "حزين"، أو "غاضب"، أو "في خطر". وبدون هذه المكتبات المنسقة بعناقة، سيكون الحاسوب مجرد مخمن يتخبط في الظلام.

هذا هو التحدي الذي واجهه فريق من الباحثين من روسيا الذين قرروا بناء مكتبة ضخمة ومتخصصة لمهمة جدية للغاية: إيجاد إشارات خطر الانتحار في وسائل التواصل الاجتماعي الروسية. لم يرغبوا فقط في العثด على الأشخاص الحزانى؛ بل أرادوا التمييز بين أولئك الذين ينحدرون نحو إيذاء النفس (إشارات ما قبل الانتحار) وأولئك الذين يجدون أسباباً للاستمرار (إشارات مناهضة للانتحار). فكر في الأمر كفرز كومة ضخمة من البريد المختلط: بعض الرسائل هي نداءات استغاثة عاجلة، وبعضها ملاحظات مفعمة بالأمل حول المستقبل، ومعظمها مجرد رسائل عشوائية غير مهمة. أمضى الباحثون سنوات في وضع كتاب قواعد صارم، وتدريب فريق من "الفرّازين" البشر، وبناء مجموعة بيانات تضم أكثر من 57,000 مثال نصي لتعليم الحواسيب كيفية التمييز بينها. ويشير عملهم إلى أنه بينما تكون المهمة صعبة للغاية وتخضع للتقدير الشخصي، فإن مجموعة بيانات جيدة الهيكلة يمكن أن تساعد الحواسيب على أن تصبح أفضل بكما في رصد هذه الإشارات المنقذة للحياة.

المهمة: البحث عن الإبرة في كومة القش

بدأ الباحثون بواقع بسيط ولكنه مرعب: الانتحار مشكلة رئيسية، والعديد من الأشخاص الذين يعانون يكتبون عن ذلك عبر الإنترنت قبل أن يقوموا به. ومع ذلك، فإن صرخات الاستغاثة هذه مدفونة تحت جبال من المنشورات غير ذات الصلة — مثل "الميمز"، والشكاوى من الطقس، والأفكار العشوائية. ولمساعدة البشر في العثور على هؤلاء الأشخاص بشكل أسرع، احتاج الفريق إلى طريقة لتدريب الحواسيب على تصفية الضجيج.

لقد شرعوا في إنشاء "حجر رشيد" للنصوص الانتحارية باللغة الروسية. لم يكن هدفهم مجرد قول "هذا الشخص حزين"، بل تصنيف الأسباب المحددة لذلك. هل يشعر الشخص باليأس؟ هل يتعرض للتنمر؟ هل لديه خطة؟ أو على العكس، هل يتحدث عن حبه لعائلته أو خططه للغد؟ هذه هي "الإشارات المناهضة للانتحار" — أي الأسباب للبقاء.

بناء كتاب القواعد: دليل التعليمات

قبل أن يتمكنوا من تدريب الحاسوب، كان عليهم تعليم البشر الذين سيقومون بتصنيف البيانات. كان هذا الجزء الأكثر دقة في المشروع. أدرك الباحثون أن طلب قراءة آلاف المنشورات الكئيبة من الناس قد يكون مرهقاً عاطفياً، لذا بنوا شبكة أمان. لقد أنشأوا دليلاً تعليمياً مفصلاً يعمل كخريطة للمدققين (الأشخاص الذين يقومون بالتصنيف).

تضمن هذا الدليل:

• "لوحة مزاج" للفئات: بدلاً من مجرد "حزين" أو "ليس حزيناً"، أنشأوا 33 فئة محددة لإشارات الخطر (مثل "الأفكال عن الموت"، أو "مشاكل الكحول"، أو "انهيار الأسرة") و12 فئة لإشارات الأمل (مثل "التعبير عن الحب" أو "تقدير الذات الإيجابي").
• قاعدة "ضمير المتكلم": كانت هناك قاعدة حاسمة وهي أن النص يجب أن يكون عن الكاتب. إذا كتب شخص ما: "صديقي يريد الموت"، فهذا غير ذي صلة. أما إذا كتب: "أنا أريد الموت"، فهذه إشارة. كانت هذه القاعدة صارمة لتجنب الإنذارات الكاذبة.
• التحقق من الحالة النفسية: قبل وبعد كل دفعة عمل، كان على المدققين إجراء اختبارات للتحقق من صحتهم النفسية. وإذا شعروا بالإرهاق الشديد، كان يُطلب منهم التوقف فوراً.

العنصر البشري: فرز الفوضى

استعان الفريق بمجموعة من المدققين، بما في ذلك خبراء تعلم الآلة وأشخاص عاديين، لتصنيف أكثر من 57,000 مثال نصي. لم يلقوا بالبيانات إليهم فحسب؛ بل استخدموا استراتيجية عينة ذكية. قاموا بتقسيم البيانات إلى أجزاء واستخدموا نماذج حاسوبية أولية لتخمين النصوص التي قد تكون مثيرة للاهتمام، مما ضمن الحصول على مزيج جيد من أنواع المنشورات المختلفة.

كانت العملية فوضوية وبشرية. وجد الباحثون أنه حتى مع وجود كتاب قواعد صارم، اختلف الناس. قد يرى شخص ما استعارة ما كصرخة استغاثة، بينما يراها آخر مجرد تعبير مجازي. وللتعامل مع ذلك، استخدموا نظام "التصويت بالأغلبية المرنة". إذا قام ثلاثة أشخاص بتصنيف منشور ما، واتفق اثنان منهم على إشارة خطر محددة، يتم اعتماد ذلك التصنيف. سمح هذا النهج بالحفاظ على غنى وتنوع البيانات دون التوقف عند كل خلاف.

اكتشفوا أيضاً أن المنشورات "غير ذات الصلة" كانت الأصعب في التعامل معها. أحياناً، يبدو المنشور خطيراً ولكنه في الواقع مجرد قصة عن شخصية في كتاب أو اقتباس من فيلم. اضطر الفريق للعودة وإعادة تصنيف آلاف الأمثلة "غير المؤكدة" هذه، وتدقيق قواعدهم لضمان عدم ارتباك الحاسوب بسبب قصص الطرف الثالث.

النتائج: تعليم الحاسوب

بمجرد تنظيف البيانات وتصنيفها، درب الفريق نموذجاً حاسوبياً (تحديداً نموذجاً يسمى RuBERT) لقراءة النصوص. اختبروا النموذج بطرق مختلفة:

• اختبار "الصورة الكبيرة": هل يمكن للنموذج التمييز بين "الخطر"، و"الأمل"، و"لا شيء"؟ نعم، وكان جيداً جداً في ذلك، حيث حقق درجة تقارب 0.71.
• اختبار "التفاصيل الدقيقة": هل يمكن للنموذج التمييز بين "الشعور بالذنب" و"الشعور باليأس"؟ كان هذا أصعب. واجه النموذج صعوبة أكبر عندما طُلب منه أن يكون شديد التحديد، مما يشير إلى أنه من الأسهل للحواسيب رصد المزاج العام بدلاً من التفاصيل الدقيقة.

أظهرت التجارب أنه كلما كانت الفئات أكثر تحديداً، زادت صعوبة تعلم النموذج لها. ومع ذلك، كان أداء النموذج في أفضل حالاته عندما سُمح له بتجميع المشاعر المتشابهة معاً. يشير هذا إلى أنه بينما يمكن للحواسيب تعلم رصد العلامات العامة للخطر، فإن التفاصيل الدقيقة للمشاعر الإنسانية لا تزال لغزاً بالنسبة لها.

ماذا يعني هذا؟

لا تدعي الورقة البحثية أنها حلت مشكلة اكتشاف الانتحار. بدلاً من ذلك، فهي تقدم أداة قوية: مجموعة بيانات ضخمة ومعدة بعناية ومنهجية مثبتة لإنشائها. وجد الباحثون أن أكبر العقبات كانت "المناطق الرمادية" — النصوص الغامضة، أو المجازية، أو التي تتحدث عن أشخاص آخرين. كما سلطوا الضوء على أن "الإشارات المناهضة للانتحار" (أسباب البقاء) كانت أصعب في التعلم بالنسبة للنموذج، ربما لأن فئات الأمل كانت مجردة بعض الشيء.

في النهاية، هذا العمل هو حجر أساس. إنه مكتبة مفتوحة وضخمة لمنشورات وسائل التواصل الاجتماعي الروسية يمكن لأي شخص استخدامها لبناء أدوات أفضل. يقترح المؤلفون أن العمل المستقبلي يمكن أن يستخدم ذكاءً اصطناعياً أكثر ذكاءً للمساعدة في التصنيف، وأنهم بحاجة إلى مواصلة تحسين القواعد للتعامل مع الأجزاء المعقدة والذاتية من اللغة البشرية. لقد جعلوا بياناتهم، وأكوادهم، وتعليماتهم عامة، داعين الآخرين للانضمام إلى الجهود لبناء شبكة أمان رقمية أكثر دقة، وأكثر تعاطفاً، وفي نهاية المطاف، أكثر فائدة.