Different representation learning objectives recover distinct latent structures from the same psychometric data

في الزوايا الهادئة داخل الفصول الدراسية، تتشابك التجربة اليومية للمعلم وسلوك الطفل بعمق. نحن نعلم أن شعور المعلم بالرفاهية، وثقته في مهاراته، والمناخ العاطفي الذي يخلقه، يمكن أن يشكل كيفية تصرف الأطفال وتعلمهم. لعقود من الزمن، درس العلماء هذا الارتباط من خلال طلب ملء قوائم طويلة من الأسئلة من المعلمين والأطفال حول مشاعرهم وأفعالهم. تقليديًا، كان الباحثون يأخذون هذه المئات من الإجابات الفردية، ويجمعونها في بضع درجات ملخصة، ثم يبحثون عن أنماط بين تلك الدرجات. تعمل هذه الطريقة، لكنها تفترض أن القصة الأكثر أهمية تكم-ن في المتوسطات. إنها تعامل الواقع التفصيلي والمعقد لسؤال واحد عن مزاج طفل أو توتر معلم على أنه أقل أهمية من الرقم النهائي الذي يساهم في إنشائه.

مؤخرًا، ظهر نهج جديد في دراسة السلوك البشري، يستخدم أنظمة حاسوبية قوية للنظر مباشرة في الإجابات الفردية الخام. هذه الأنظمة، التي تُسمى غالبًا "تعلم التمثيل" (representation learning)، تحاول إيجاد أنماط خفية في البيانات عالية الأبعاد دون أن تُخبر بما يجب البحث عنه أولاً. يمكنها أخذ آلاف التفاصيل المحددة وضغطها في خريطة أبسط حيث تقع الأشياء المتشابهة بالقرب من بعضها البعض. ويبرز سؤال طبيعي للعلماء الذين يستخدمون هذه الأدوات: إذا قمت بتغذية نفس مجموعة من إجابات الاستبيان في أنظمة حاسوبية مختلفة، فهل ستجد جميعها نفس الخريطة الخفية؟ أم أن الهدف المحدد للحاسوب يغير الخريطة التي يرسمها؟ هذا السؤال مهم لأنه إذا كان هدف الحاسوب يغير الخريطة، فإن "الحقيقة" التي نجدها في البيانات قد تعتمد على الأداة التي نستخدمها أكثر من اعتمادها على البشر الذين ندرسهم.

وضع فريق من الباحثين هدفًا للإجابة على هذا السؤال باستخدام بيانات من دراسة واسعة النطاق لمرحلة ما قبل المدرسة في قبرص. كان لديهم إمكانية الوصول إلى 757 زوجًا متطابقًا من المعلمين والأطفال، حيث ملأ كل معلم 139 سؤالًا عن رفاهيته وعمله، وتم تقييم كل طفل بناءً على 82 سؤالًا حول سلوكه. أراد الباحثون معرفة ما إذا كان بإمكانهم استخدام هذه الاستبيانات المترابطة لبناء خريطة مشتركة حيث يظهر المعلم وطفله المحدد بالقرب من بعضهما البعض. وفي الوقت نفسه، أرادوا معرفة ما إذا كانت هذه الخريطة ستجمع أيضًا الأطفال الذين لديهم ملفات تعريف سلوكية متشابهة، مثل أولئك الذين يتميزون بقدرة عالية على التكيف مقابل أولئك الذين يعانون من صعوبات.

للبدء، حدد الباحثون أولاً كيف تبدو "الخريطة السلوكية" باستخدام طريقة قياسية ومعروفة جيدًا. أخذوا الأسئلة السلوكية الـ 82 من الأطفال واستخدموا تقنية تسمى "تحليل المكونات الرئيسية" (principal component analysis) لإيجاد الأنماط الرئيسية. كشفت هذه العملية عن أربع مجموعات متميزة من الأطفال. أظهرت مجموعة واحدة مستويات عالية من الأداء التكيفي، مما يعني أنها تتعامل مع المواقف الاجتماعية بشكل جيد. وكانت هناك مجموعة ثانية متوسطة التكيف، وثالثة أظهرت بعض الهشاشة، ورابعة واجهت مخاطر سلوكية عالية. كانت هذه المجموعات واضحة ومتميزة؛ حيث سجلت المجموعة ذات المخاطر العالية درجات مختلفة تمامًا عن المجموعة ذات الأداء العالي. أكد هذا أن البيانات تحتوي على بنية قوية وطبيعية فيما يتعلق بكيفية سلوك الأطفال.

بعد ذلك، حاول الباحثون بناء خريطة تربط المعلمين بأطفالهم المحددين. استخدموا طريقة تعلم حاسوبي حديثة تسمى "التعلم التبايني" (contrastive learning). تخيل نظامًا يُقال له: "هذا معلم وهذا طفله؛ اجعل بصماتهما الرقمية تبدو متشابهة جدًا. هذا معلم وطفل لا يعرفان بعضهما البعض؛ اجعل بصماتهما تبدو مختلفة تمامًا". تعلم الحاسوب كيفية تعديل خريطته الداخلية لتحقيق هذا الهدف. كانت النتائج مذهلة. عندما سأل الباحثون الحاسوب عن تحديد الطفل المناسب لمعلم معين، نجح في ذلك بشكل أفضل بكثير من الطريقة القياسية. مع الطريقة القياسية، استطاع الحاسوب تخمين الطفل الصحيح بنسبة 0.13% فقط من الوقت. أما مع طريقة التعلم التبايني الجديدة، فقد أصاب الطفل الصحيح من المحاولة الأولى بنسبة 7.27% من الوقت، وضمن أفضل عشرة تخمينات بنسبة 56.14% من الوقت. أثبت هذا أن الحاسوب استطاع بنجاح تعلم الارتباط الفريد بين معلم محدد وطالبه المحدد.

ومع ذلك، ظهرت مشكلة مفاجئة عندما نظر الباحثون إلى المجموعات السلوكية للأطفال داخل هذه الخريطة الجديدة. فبينما كان الحاسوب ممتازًا في مطابقة المعلمين بالأطفال، كان سيئًا للغاية في تجميع الأطفال حسب سلوكهم. المجموعات السلوكية الأربع الواضحة التي وُجدت سابقًا اختفت تقريبًا. الأطفال الذين كانوا يتمتعون بقدرة عالية على التكيف تشتتوا في كل مكان في الخريطة، واختلطوا مع أولئك الذين يواجهون مخاطر عالية. لقد تعلم الحاسوب رؤية العلاقة بين المعلم والطفل بشكل جيد لدرجة أنه محا الاختلافات بين الأنواع السلوكية للأطفال. لقد تم تحسين الخريطة من أجل العلاقات، وليس من أجل الشخصية.

ولاختبار ما إذا كان هذا مقايضة جوهرية، جرب الباحثون نهجًا ثالثًا. بنوا نظامًا له وظيفتان في آن واحد: كان عليه مطابقة المعلمين بالأطفال، وأيضًا التنبؤ بالمجموعة السلوكية للطفل. أملوا أن يجبر هذا الحاسوب على الاحتفاظ بكلتا النوعين من المعلومات. كانت النتيجة تسوية (حل وسط). أصبح النظام أفضل بكثير في الحفاظ على المجموعات السلوكية معًا مرة أخرى، حيث أصبحت المجموعات متميزة وواضحة. لكن هذا التحسن جاء على حساب آخر. انخفضت قدرة النظام على مطابقة المعلمين بأطفالهم المحددين بشكل كبير، ليعود إلى المستويات المماثلة للطريقة القياسية.

تخلص الدراسة إلى أنه لا توجد خريطة واحدة مثالية لهذه البيانات. إن البنية الخفية التي يجدها الحاسوب تعتمد كليًا على ما يُطلب منه البحث عنه. إذا كان الهدف هو إيجاد الرابط بين معلم وطفل، فإن الحاسوب يجد خريطة مليئة بتلك الاتصالات ولكنه يفقد المجموعات السلوكية. وإذا كان الهدف هو إيجاد المجموعات السلوكية، فإنه يجد تلك المجموعات ولكنه يفقد روابط المعلم والطفل المحددة. يشير الباحثون إلى أن التوافق بين المعلم والطفل والأنماط الظاهرية السلوكية هما نوعان مختلفان من التنظيم الموجودين ضمن نفس البيانات. لا يوجد أي منهما أكثر "واقعية" من الآخر، ولكن لا يمكن لنموذج حاسوبي واحد التقاط كليهما بنفس الكفاءة. وتعد هذه النتيجة تذكيرًا بأنه عند استخدام أدوات متقدمة لدراسة السلوك البشري، فإن الإجابات التي نحصل عليها تشكلها الأسئلة التي نطرحها على الآلة. البيانات لا تجلس هناك تنتظر من يقرأها فحسب؛ بل هي تكشف عن حقائق مختلفة اعتمادًا على العدسة التي نستخدمها لرؤيتها.