BanglaMamba: Exploring State Space Models for Bangla Fake News Detection

في العصر الرقمي، تنتقل المعلومات بسرعة أكبر من أي وقت مضى، ولكن تنتشر الأخبار المضللة بنفس السرعة أيضًا. فالقصص الزائفة، التي تُسمى غالبًا "الأخبار الكاذبة"، يمكن أن تنتشر عبر المنصات الإلكترونية ووسائل التواصل الاجتماعي بسرعة مثيرة للقلق، مما يشكل الرأي العام ويقوض الثقة في المصادر الموثوقة. ولمكافحة ذلك، توجه العلماء إلى الذكاء الاصطناعي، وتحديدًا مجال دراسي يُعرف باسم معالجة اللغات الطبيعية، والذي يعلم الحواسيب فهم النص البشري. لسنوات، كانت أقوى الأدوات لهذه المهمة تعتمد على تصميم يسمى "المحول" (Transformer). هذه النماذج ممتازة في قراءة السياق وفهم العلاقات الدقيقة بين الكلمات، تمامًا كما يفعل القارئ البشري. ومع ذلك، فإنها تأتي مع عيب كبير: فكلما زاد طول النص، زادت كمية قدرة الحاسوب والذاكرة المطلوبة لمعالجته بشكل هائل، مما يجعل تشغيلها بطيئًا ومكلفًا على الأجهزة القياسية. وقد ظهر مؤخرًا نوع جديد من بنية الذكاء الاصطناعي، يُعرف باسم "نموذج فضاء الحالة" (State Space Model)، كحل محتمل. صُممت هذه النماذج للتعامل مع تسلسلات النصوص الطويلة باستخدام موارد أكثر كفاءة، حيث تتوسع خطيًا بدلًا من الانفجار في التكلفة مع زيادة طول النص. والسؤال الذي يواجه الباحثين هو ما إذا كان هذا النهج الجديد والفعال يمكنه مضاهاة دقة نماذج "المحول" الراسخة والقوية عند تطبيقه على لغة معقدة ومحددة مثل اللغة البنغالية.

قام باحث في جامعة براك (BRAC) في دكا، بنغلاديش، بالإجابة على هذا السؤال من خلال بناء نظام جديد مخصص للكشف عن الأخبار الكاذبة باللغة البنغالية. لقد أنشأ نموذجًا أطلق عليه اسم "بنغلا مامبا" (BanglaMamba)، وهو مبني على بنية فضاء الحالة الفعالة. ولرؤية مدى جودة عمله، أخضعه لاختبار صارم ضد نظامين آخرين. كان الأول هو "بنغلا بيرت" (BanglaBERT)، وهو نموذج مدرب مسبقًا يحظى باحترام كبير، وقد تعلم بالفعل من كمية هائلة من النصوص البنغالية قبل تطبيقه على مهمة الأخبار الكاذبة. أما الثاني، فكان نموذج "محول" تم بناؤه خصيصًا وتم تدريبه من الصفر على نفس البيانات المستخدمة في النظام الجديد، وذلك لضمان مقارنة عادلة للتكنولوجيا الأساسية دون ميزة المعرفة المسبقة. قام الباحث بتغذية الأنظمة الثلاثة بآلاف المقالات الإخبارية الحقيقية والكاذبة، طالباً منها تصنيف كل منها كخبر أصيل أو كاذب.

كشفت النتائج عن مقايضة واضحة بين الأداء الخام والكفاءة. حقق نموذج "بنغلا بيرت" المدرب مسبقًا أعلى دقة، حيث حدد طبيعة المقالات الإخبارية بشكل صحيح وبدرجة 0.9260. يشير هذا إلى أن الكم الهائل من التعلم المسبق الذي تلقاه منحه ميزة متميزة في فهم دلالات اللغة. أما نموذج "بنغلا مامبا" الجديد، الذي تم تدريبه من الصفر دون أي تعرض مسبق للغة، فقد قدم أداءً تنافسيًا للغاية، حيث سجل 0.9029. وقد طابق أداء نموذج "المحول" المصمم خصيصًا، والذي سجل 0.9057، مما يثبت أن البنية الجديدة قادرة على تعلم المهمة بفعالية بمفردها. ومع ذلك، فإن الاختراق الحقيقي للدراسة يكمن في كيفية استخدام النماذج لمواردها. فبينما تطلبت نماذج "المحول" ذاكرة ووقتًا كبيرين لمعالجة النص، كان "بنغلا مامبا" رشيقًا بشكل ملحوظ؛ فقد عالج المقالات الإخبارية بسرعة تزيد عن ضعف سرعة النماذج الأخرى، واستخدم نصف ذروة الذاكرة تقريبًا على بطاقة الرسوميات أثناء التشغيل. تجعل هذه الكفاءة منه خيارًا أكثر عملية في البيئات التي تكون فيها قدرة الحوسبة محدودة أو حيث تكون السرعة أمرًا بالغ الأهمية.

اختبر الباحث أيضًا مدى قدرة هذه النماذج على التعامل مع المقالات الإخبارية ذات الأطوال المختلفة وما إذا كان بإمكانها التعميم على بيانات جديدة غير مرئية. وعندما كانت المقالات طويلة بما يكفي ليتم قطعها بسبب حدود النظام، أظهرت جميع النماذج انخفاضًا طفيفًا فقط في الأداء، مما يشير إلى أن الاقتطاع لم يضر بشدة بقدرتها على كشف الأكاذيب. ومع ذلك، عندما تم اختبار النماذج على مجموعة بيانات مختلفة تمامًا من الأخبار الكاذبة لم ترها من قبل، أثبت نموذج "بنغلا بيرت" المدرب مسبقًا تفوقه مرة أخرى، محافظًا على مستوى أعلى بكثير من الدقة مقارنة بالنماذج التي تم تدريبها من الصفر. تسلط هذه النتيجة الضوء على أنه بينما تظل البنية الجديدة والفعالة قوية، فإن فائدة التعلم من مجموعة ضخمة ومتنوعة من النصوص مسبقًا لا يمكن استبدالها بسهولة بمجرد تغيير البنية. وتخلص الدراسة إلى أنه بينما تظل نماذج "المحول" الراسخة هي الأكثر دقة لهذه المهمة المحددة، فإن نماذج "فضاء الحالة" الجديدة تقدم بديلًا مقنعًا وفعالًا من حيث الحوسبة، حيث تؤدي أداءً يقارب الأداء المعهود، خاصة عندما لا يكون التدريب واسع النطاق خيارًا متاحًا. إن المسار المستقبلي لهذه التكنولوجيا يتضمن على الأرجح تدريب النماذج الجديدة والفعالة على كميات هائلة من النصوص البنغالية للجمع بين سرعتها والفهم العميق الذي يأتي من التدريب المسبق المكثف.