AraDetox: A Multi-Dialect Arabic Detoxification Dataset
تقدم الورقة البحثية AraDetox، وهي مجموعة بيانات عربية متاحة للجمهور ومتعددة اللهجات تحتوي على 10,500 منشور ضار و84,000 إعادة صياغة غير ضارة (detoxified) تم إنشاؤها بواسطة النماذج اللغوية الكبيرة عبر العربية الفصحى، والخليجية، والشامية، والمصرية، والتي تُظهر أن إزالة السمية الفعالة تتضمن أساساً إعادة صياغة تحافظ على المعنى مع إزالة المحتوى الضار بنجاح.
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
إن الإنترنت سوق واسعة وصاخبة للفكر البشري، حيث يجتمع الناس من كل ركن من أركان العالم العربي لتبادل الأخبار، ومناقشة السياسة، والتعبير عن إحباطاتهم. في هذا الفضاء الرقمي، تحمل اللغة قوة هائلة، قادرة على بناء الجسور أو هدمها. لسنوات طويلة، ركز الباحثون على تعليم الحواسيب كيفية رصد الكلمات السيئة — الإهانات، والشتائم، والتهديدات التي تسمم هذه المحادثات. لقد بنوا أدوات لتحديد المحتوى الضار، لتعمل مثل حراس أمن رقميين يمكنهم تحديد المشكلة ولكنهم غالباً ما يفتقرون إلى القدرة على حلها. الخطوة المنطقية التالية في هذا التطور ليست مجرد اكتشاف السم، بل تحييده: أي أخذ جملة ضارة وإعادة كتابتها لتصبح آمنة، مع الحفاظ على الرسالة الأصلية، وغضب المتحدث، ووجهة نظره المحددة. هذا هو تحدي "إزالة السمية" (detoxification). إنه توازن دقيق، يتطلب من النظام إزالة السم دون إسكات الصوت، وهي مهمة تزداد تعقيداً عندما لا تكون اللغة المستخدمة شكلاً معيارياً واحداً فحسب، بل نسيجاً غنياً من اللهجات المختلفة التي يتحدث بها الملايين.
لقد اتخذ أحد الباحثين خطوة كبيرة للأمام في هذا المجال من خلال إنشاء مورد جديد يسمى "AraDetox". يعالج هذا المشروع فجوة في كيفية تعاملنا مع اللغة الضارة في اللغة العربية، منتقلاً من مجرد الكشف البسيط إلى إعادة الكتابة النشطة للمنشورات السامة. جمع الباحث 10,500 منشور حقيقي وضار من منصات التواصل الاجتماعي عبر العالم العربي. لم تكن هذه المنشورات باللغة العربية الفصحى الحديثة فحسب، وهي اللغة الرسمية المستخدمة في الأخبار والوثائق الرسمية، بل كانت أيضاً بالأنماط اليومية المتميزة للهجات الخليجية، والشامية، والمصرية. ولتحويل هذه المنشورات الـ 10,500، استخدم الباحث نظامين قويين من الذكاء الاصطناعي لتوليد 84,000 نسخة جديدة من النص. كان الهدف هو تجريد اللغة المسيئة مع ضمان أن تبدو الجمل المعاد كتابتها وكأنها صادرة عن الشخص نفسه، وباللهجة نفسها، لتقول الشيء نفسه.
كانت العملية صارمة. لم يكتفِ الباحث بقبول المخرج الأول الذي أنتجه الذكاء الاصطناعي، بل بنى نظاماً يقوم فيه الذكاء الاصطناعي بتوليد إعادة الكتابة، ثم يقوم خبراء بشريون، وهم متحدثون أصليون للأنماط اللغوية المحددة، بمراجعة العمل. تأكد هؤلاء المراجعون البشريون من أن النسخ الجديدة قد أزالت الإساءة بالفعل، وحافظت على المعنى الأصلي، ولم تضف معلومات جديدة غير ذات صلة عن طريق الخطأ. والنتيجة هي مجموعة ضخمة من النصوص المزدوجة: المنشور الضار الأصلي ونظيره الآمن المعاد كتابته. تتيح هذه المجموعة من البيانات للعلماء دراسة كيفية تغير اللغة بالضبط عندما يتم تنظيفها. وقد وجدوا أنه لجعل الجملة آمنة، كان على الذكاء الاصطناعي غالباً أن يفعل أكثر من مجرد استبدال كلمة سيئة واحدة؛ بدلاً من ذلك، كان عليه في كثير من الأحيان إعادة كتابة جمل كاملة، وتغيير البنية والمفردات بشكل كبير.
وعلى الرغم من هذه التغييرات الكبيرة في الصياغة، ظل جوهر الرسالة مستقراً بشكل ملحوظ. فعندما قارن الباحث بين معاني المنشورات الأصلية والنسخ المعاد كتابتها، وجد أن الأفكار حُفظت بدقة عالية. لم تكن النصوص المعاد كتابتها آمنة فحسب، بل كانت وفية للمقصد الأصلي. يشير هذا إلى أن إزالة السمية ليست مجرد لعبة "بحث واستبدال" بسيطة، بل هي عملية معقدة من إعادة الصياغة تتطلب فهماً عميقاً للسياق. كما درست الدراسة أيضاً كيف تغيرت نبرة النص؛ فبينما تمت إزالة اللغة المسيئة، غالباً ما احتفظت المنشورات المعاد كتابتها بنبرة سلبية أو انتقادية. وهذا اكتشاف بالغ الأهمية، لأنه يظهر أنه من الممكن التعبير عن الخلاف أو الإحباط أو النقد دون استخدام لغة مسيئة. لم يحول النظام المنشورات الغاضبة إلى منشورات سعيدة، بل جعلها مهذبة فحسب.
كما بحث الباحث أيضاً فيما إذا كان بإمكان الذكاء الاصطناعي محاكاة الأنماط المحددة للغات الخليجية والشامية والمصرية بنجاح. ومن خلال مقارنة النص المولد بمجموعات كبيرة من الكتابات الواقعية في تلك الأنماط، وجد أن الذكاء الاصطناعي أنتج نسخاً تتماشى جيداً مع الأسلوب المتوقع لكل منطقة. فكانت الأنماط الخليجية تبدو كأنها من الخليج، والأنماط المصرية تبدو كأنها من مصر، حتى بعد إزالة العناصر السامة. يشير هذا إلى أن الذكاء الاصطناعي يمكنه تكييف صوته ليتناسب مع الفروق الثقافية واللغوية الدقيقة لمختلف المجتمعات، وهي قدرة حيوية للغة متنوعة مثل العربية.
وعند مقارنتها بالمحاولات السابقة لإنشاء مجموعات بيانات مماثلة، يبرز هذا المورد الجديد بفضل حجمه ونهجه. كانت الأساليب القديمة تعتمد غالباً على إجراء تغييرات صغيرة ومحافظة على النص، مع الحفاظ على الكلمات الأصلية قدر الإمكان. في المقابل، تظهر مجموعة البيانات الجديدة هذه أن إزالة السمية الفعالة تتطلب غالباً إعادة كتابة جوهرية. وجد الباحث أنه بينما بدت النصوص الجديدة مختلفة جداً عن النصوص الأصلية في الظاهر، إلا أنها حملت نفس المعنى في العمق. هذا التمييز مهم لأنه يشير إلى أنه لكي ننظف الخطاب عبر الإنترنت حقاً، قد نحتاج إلى أن نكون مستعدين للتخلي عن الصياغة الأصلية لصالح تعبير أوضح وأكثر أماناً عن الفكرة نفسها.
وقد أكدت التقييمات البشرية لمجموعة البيانات هذه النتائج. فقد راجع متحدثون أصليون عينة من المنشورات المعاد كتابتها ووافقوا على أنه تم إزالة المحتوى الضار بنجتم في الغالبية العظمى من الحالات. كما أكدوا أن المعنى الأصلي قد حُفظ، رغم أنهم لاحظوا أنه في بعض الحالات، أضاف الذكاء الاصطناعي القليل من المعلومات الإضافية لجعل الجملة تتدفق بشكل أفضل. وأكد المراجعون، الذين كانوا خبراء في أنماطهم اللغوية، أن النص المعاد كتابته نجح في إزالة الإساءة والحفاظ على المعنى؛ ومع ذلك، تشير الدراسة صراحة إلى أن أصالة اللهجة لم تُدرج كمعيار منفصل للتقييم البشري، لذا تعتمد هذه النتائج على التحليل الأسلوبي على مستوى المتن (corpus) بدلاً من التحقق البشري المباشر من الاستخدام اللغوي الأصيل.
يسلط هذا العمل الضوء على مسار للمضي قدماً نحو إنشاء مساحات رقمية أكثر أماناً في العالم العربي. فمن خلال إثبات أن إزالة السمية واسعة النطاق ومتعددة اللهجات أمر ممكن، قدم الباحث أداة للتطوير المستقبلي. يمكن استخدام مجموعة البيانات هذه لتدريب أنظمة جديدة يمكنها تنظيف المحتوى الضار تلقائياً مع احترام تنوع اللغة العربية. إنها تظهر أننا لسنا مضطرين للاختيار بين السلامة والتعبير؛ فمع الأدوات الصحيحة، يمكننا الحصول على كليهما. ويقر الباحث بأن عمله ليس مثالياً وأن مجموعة البيانات تم إنشاؤها بمساعدة الذكاء الاصطناعي، مما يعني أنها قد تحمل بعض السمات الأسلوبية الخاصة بالذكاء الاصطناعي نفسه. ومع ذلك، فإن الجمع بين التوليد الآلي والتحقق البشري يقدم أساساً قوياً للبحوث المستقبلية.
في نهاية المطاف، يغير هذا المشروع طبيعة النقاش حول كيفية تعاملنا مع اللغة الضارة عبر الإنترنت. فهو ينقل التركيز من مجرد حظر الكلمات السيئة إلى فهم كيفية تحويلها. إنه يثبت أن معنى الرسالة يمكن أن ينجو من إزالة سميتها، وأن التنوع الغني للهجات العربية يمكن الحفاظ عليه حتى في عملية تنظيف الكلام. وبينما يستمر الإنترنت في النمو، ستكون موارد مثل هذا المشروع ضرورية لبناء أنظمة تحمي المستخدمين دون خنق أصواتهم، مما يضمن أن يظل الميدان العام الرقمي مكاناً للتواصل البشري القوي، وإن كان محترماً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.