ValueGraph: Value-Signal Guided Graph Pre-training for Contextualized User Representation
تقترح الورقة البحثية ValueGraph، وهو إطار عمل للتدريب المسبق على الرسوم البيانية يستفيد من إشارات القيم الأخلاقية المستنتجة كقيود ناعمة لتعزيز تمثيلات المستخدم السياقية، مما يظهر تحسينات مستمرة في الأداء في مهام اكتشاف الموقف واكتشاف البوتات مقارنة بالنماذج المرجعية الحالية القائمة على النصوص، والرسوم البيانية، والنماذج اللغوية الكبيرة.
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
في المشهد الواسع والمزدحم لوسائل التواصل الاجتماعي، يمثل فهم سبب تصرف الناس بالطريقة التي يتصرفون بها تحديًا مركزيًا لأي شخص يحاول استيعاب الحياة عبر الإنترنت. لسنوات، حاول علماء الحاسوب بناء ملفات تعريف رقمية للمستخدمين من خلال مراقبة ما يقولونه ومع من يتحدثون. فإذا نشر شخصان كلمات متشابهة أو ردا على نفس المواضيع، تفترض الأنظمة التقليدية أنهما متشابهان. ومع ذلك، غالبًا ما يغفل هذا النهج طبقة حاسمة من السلوك البشري: القيم الأخلاقية الكامنة التي تحرك تلك التفاعلات. فقد يتفاعل الناس مع نفس القصة الإخبارية المثيرة للجدل لأسباب مختلفة تمامًا؛ أحدهم بدافع القلق الحقيقي، والآخر بدافع الغضب، والثالث بدافع الرغبة في نشر الارتباك. هذه الدوافع الخفية تشكل سلوك المستخدمين، ومع ذلك تعامل النماذج الحاسوبية القياسية هذه الدوافع كأنها غير مرئية. ولفهم مستخدم ما حقًا، يحتاج الباحثون إلى وسيلة لالتقاط ليس فقط سطح نشاطه، بل البوصلة الأخلاقية التي توجهه.
قام فريق من الباحثين في جامعة سنغافورة للإدارة و(A*STAR) بتطوير طريقة جديدة تسمى (ValueGraph) لحل هذه المشكلة. وبدلاً من محاولة تخمين المعتقدات الداخلية الحقيقية للشخص، وهو أمر يستحيل معرفته بيقين، يستخدم النظام أداة لاستنتاج "إشارة قيمية" من منشوراتهم العامة. وتعتمد هذه الإشارة على إطار نفسي معروف يسمى "نظرية الأسس الأخلاقية"، والتي تفكك الاستدلال الأخلاقي إلى عشرة أبعاد متميزة، مثل الرعاية، والعدالة، والولاء، والسلطة. قام الباحثون بتدريب برنامج حاسوبي لقراءة آلاف المنشورات على وسائل التواصل الاجتماعي وتخصيص درجة لكل منها بناءً على هذه الموضوعات الأخبية العشرة. ومن خلال حساب متوسط هذه الدرجات عبر جميع المنشورات التي كتبها مستخدم واحد، ينشئ النظام ملفًا تعريفيًا تقريبيًا مكونًا من عشر نقاط للتأطير الأخلاقي لهذا المستخدم. ويلاحظ الباحثون بعناية أن هذا ليس تشخيصًا نفسيًا مثاليًا؛ بل هو إشارة تجميعية مشوبة بالضجيج تلتقط النكهة العامة للغة المستخدم الأخلاقية بدلاً من روحه الدقيقة.
يكمن الابتكار الجوهري لـ (ValueGraph) في كيفية استخدام هذه الإشارات المستنتجة لتعليم الكمبيوتر التعرف على أنواع مختلفة من المستخدمين. يعمل النظام في خطوتين رئيسيتين. أولاً، يبني خريطة لكيفية تفاعل الناس، معتبرًا كل منشور ورد كصلة في شبكة ضخمة. ويتعلم فهم بنية هذه المحادثات ومعنى النص بداخلها، مما يخلق بصمة رقمية أساسية لكل مستخدم. وفي الخطوة الثانية، يُدخل إشارات القيم الأخلاقية. ينظر النظام في الملفات التعريفية للقيم المستنتجة لمستخدمين مختلفين ويجمع أولئك الذين لديهم إشارات قيمية متشابهة معًا، بينما يدفع أولئك الذين لديهم إشارات مختلفة جدًا بعيدًا. يفعل ذلك من خلال التعامل مع الإشارات الأخلاقية كمجموعة من القواعد اللينة أو الوخزات اللطيفة أثناء عملية التعلم، وليس كحقائق مطلقة. وهذا يسمح للحاسوب بتعلم تمثيل للمستخدم يجمع بين ما يقوله، ومع من يتحدث، والنبرة الأخلاقية لتعبيره.
اختبر الباحثون هذا النهج الجديد في مهمتين صعبتين: تحديد موقف المستخدم من قضية سياسية، وكشف ما إذا كان المستخدم "بوت" (حساب آلي)، أو حسابًا مؤتمتًا مصممًا لمحاكاة البشر. في الاختبار الأول، كان على النظام تحديد ما إذا كان المستخدم يدعم أو يعارض أو محايد تجاه موضوع معين. وفي الاختبار الثاني، كان عليه التمييز بين البشر الحقيقيين والحسابات الآلية (البوتات). أظهرت النتائج أن (ValueGraph) تفوق باستمرار على الأساليب الحالية. وفي مهمة تحديد الموقف، حقق دقة بنسبة 63 بالمئة على مجموعة بيانات واحدة و77 بالمئة على أخرى، متفوقًا على منافسين أقوياء اعتمدوا فقط على النص أو فقط على بنية الشبكة. أما في مهمة كشف البوتات، فقد حسن النظام القدرة على رصد الحسابات المؤتمتة، لا سيما عند دمجه مع بيانات أخرى. وفي تكوين محدد، تحسنت قدرة النظام على تحديد البوتات بشكل كبير، حيث قفز معدل "الاستدعاء" (Recall) — أي القدرة على إيجاد البوتات عندما تكون موجودة — من 62.5 بالمئة إلى 81.0 بالمئة عند استخدام الطريقة الجديدة.
ما يجعل هذه النتائج مثيرة للاهتمام بشكل خاص هو أن النظام لا يحتاج إلى إخباره أي المستخدمين هم "بوتات" أو ما هو الموقف الصحيح أثناء تدريبه الأولي. فهو يتعلم هذه الأنماط من خلال مراقبة الإشارات الأخلاقية وبنية المحادثات من تلقاء نفسه. ووجد الباحثون أن النظام يعمل بشكل أفضل عندما يجمع بين التعلم الهيكلي والتوجيه القيمي الأخلاقي. فإذا أزالوا الإشارات الأخلاقية، تنخفض كفاءة النظام. وإذا استخدموا الإشارات الأخلاقية فقط دون بنية المحادثة، فإنه يفشل أيضًا في الوصول إلى نفس المستوى من الدقة. وهذا يشير إلى أن إشارة القيمة الأخلاقية تعمل كدليل مفيد، مما يساعد الكمبيوتر على رؤية أنماط تكون غير مرئية عند النظر إلى النصوص أو الروابط وحدها. فعلى سبيل المثال، من خلال تصور البيانات، رأى الباحثون أن الطريقة الجديدة خلقت فصلاً أكثر وضوحًا بين المستخدمين البشر والبوتات مقارنة بالطرق السابقة. حيث تميل البوتات إلى التكتل مع لغة أخلاقية متكررة ومستقطبة، بينما يظهر البشر تعبيرات أكثر تنوعًا وارتباطًا بالسياق.
يؤكد الفريق أن طريقتهم لا تدعي معرفة القيم النفسية الحقيقية للمستخدم. فالدرجات الأخلاقية مشتقة من النصوص وتُعامل كبيانات غير كاملة ومشوبة بالضجيج. يستخدم النظام هذه العيوب كأداة للتعلم، حيث يجد الاختلافات النسبية بين المستخدمين بدلاً من محاولة تحديد حقيقة مطلقة. يتجنب هذا النهج الوقوع في فخ محاولة تصنيف الناس بملفات تعريف نفسية حاسمة، وهو أمر قد يكون مثيرًا للجدل أخلاقيًا وغير موثوق تقنيًا. وبدلاً من ذلك، يستخدم التأطير الأخلاقي لخطابهم العام كأداة عملية لبناء تمثيلات رقمية أفضل وأكثر دقة. إن نجاح (ValueGraph) يشير إلى أن دمج إشارات القيم المستندة إلى النظريات يوفر وسيلة قوية لتحسين قدرة الحواسيب على فهم السلوك البشري عبر الإنترنت، مما يقدم أساسًا أكثر قوة لمهام تتراوح من الإشراف على المحتوى إلى التوصيات الشخصية. ومن خلال الإقرار بأن المستخدمين لا يتشكلون فقط بما يقولونه، بل بالعدسة الأخلاقية التي يقولون به، فتح الباحثون مسارًا جديدًا لفهم العالم الاجتماعي المعقد للإنترنت.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.