The Impact of Noise on Memorability in Minds and Machines
تُظهر هذه الورقة البحثية أنه في حين تفشل الشبكات العصبية العميقة التقليدية في مضاهاة المتانة البشرية في تقدير قابلية تذكر الصور تحت تأثير الضجيج بسبب اعتمادها على سمات الصور الفردية، فإن نموذج GraphMem المقترح حديثاً ينجح في التوافق مع الأداء البشري من خلال الاستفادة من البنية العلاقاتية بين الصور.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
نحن لا نعيش في عالم بصري مثالي. فغالباً ما ترى أعيننا من خلال زجاج سيارات مغطى بقطرات المطر، أو لقطات أمنية محببة، أو ضوء المساء الخافت. ومع ذلك، وعلى الرغم من هذه العيوب، تظل الذاكرة البشرية متسقة بشكل ملحوظ. إذا عرضت على مجموعة كبيرة من الناس صورة لطفل يطفئ شموع عيد ميلاده وصورة أخرى لموقف سيارات فارغ، فسيذكر معظمهم مشهد الحفلة وينسون موقف السيارات. هذه الظاهرة، المعروفة باسم "قابلية تذكر الصور"، تشير إلى أن بعض الصور ببساطة أسهل على أدمغتنا للاحتفاظ بها من غيرها. لقد اعتقد العلماء لفترة طويلة أن الصور التي يسهل تذكرها تُعالج بكفاءة أكبر من قبل الدماغ، مما يسمح بالتعرف عليها وتخزينها بسرعة. ولدراسة هذا الأمر، اتجه الباحثون بشكل متزايد إلى الذكاء الاصطناعي، باستخدام الشبكات العصبية العميقة — وهي أنظمة حاسوبية مصممة لمحاكاة الدماغ البشري — للتنبؤ بالصور التي سيتذكرها الناس. تُستخدم هذه النماذج الآن لتسجيل وتقييم الصور لكل شيء، من الإعلانات إلى الأبحاث العلمية، وغالباً ما تحل محل المراقبين البشر. لكن يبقى سؤال جوهري: هل تفهم هذه الآلات الذاكرة بنفس الطريقة التي نفهمها نحن، خاصة عندما تكون الصور التي تراها مشوهة بالضجيج أو الضبابية؟
قام فريق من الباحثين في جامعة جورج ميسون بوضع خطة لاختبار ذلك عبر مقارنة كيفية تعامل كل من البشر والذكاء الاصطناعي مع الضوضاء البصرية. بدأوا بمجموعة قياسية من الصور المعروفة بتفاوت مستويات قابلية تذكرها، بدءاً من المشاهد ذات القابلية العالية للتذكر وصولاً إلى تلك التي يسهل نسيانها. ثم قاموا بتشويه هذه الصور بشكل منهجي عن طريق إضافة كميات مختلفة من التشويش البصري، يشبه الحبيبات التي تظهر على شاشات التلفزيون القديمة، وكذلك عن طريق جعلها ضبابية. أولاً، مرروا هذه الصور المشوشة عبر عدة نماذج حاسوبية متطورة تُعتبر حالياً الأفضل في التنبؤ بالذاكرة البشرية. كانت النتائج مفاجئة؛ فقد تصرفت النماذج الحاسوبية بطريقة تشبه ظاهرة تسمى "الرنين العشوائي"، حيث يمكن لإضافة القليل من الضوضاء أن تجعل الإشارة الضعيفة أسهل في الكشف. في النماذج، جعلت الضوضاء الصور الأقل قابلية للتذكر تبدو أكثر قابلية للتذكر، بينما جعلت الصور الأكثر قابلية للتذكر تبدو أقل ذلك. كان الأمر كما لو أن الضوضاء قد أربكت تركيز الحاسوب، مما تسبب في سوء تقديره لأهمية الصورة.
بعد ذلك، طلب الباحثون من المشاركين البشر أداء المهمة نفسها، حيث شاهدوا الصور المشوشة والضبابية في لعبة تعرّف مستمرة حيث كان عليهم تحديد الصور المتكررة. أخبرت النتائج البشرية قصة مختلفة تماماً. فعندما تعرضت الصور للتشويه، ظلت الذاكرة البشرية للصور عالية القابلية للتذكر قوية ومقاومة للضوضاء. ومع ذلك، انخفضت الذاكرة للصور الأقل قابلية للتذكر بشكل حاد. وخلافاً للحواسيب، لم يجد البشر أن الضوضاء ساعدتهم على تذكر الصور التي تُنسى؛ بل إن الضوضاء جعلت من الصعب تذكر أي شيء، لكن قدرة الدماغ على التمسك بالصور الأكثر لفتاً للانتباه كانت أكثر قوة بكثير. وجدت الدراسة أن هذه الفجوة بين الأداء البشري والآلي استمرت حتى عندما أعاد الباحثون تدريب النماذج الحاسوبية على الصور المشوشة، وهي تقنية تساعد الآلات عادةً على التعرف على الأجسام المشوهة بشكل أفضل. استمرت النماذج في سوء تقدير كيفية تأثير الضوضاء على الذاكرة، مما يشير إلى أن طريقتهم الداخلية في معالجة الصور تختلف جوهرياً عن كيفية تعلم البشر وتذكرهم.
ولفهم سبب فشل الحواسيب، نظر الباحثون إلى المكان الذي كانت "تنظر" إليه النماذج عند اتخاذ أحكامها. وجدوا أنه بالنسبة للصور عالية القابلية للتذكر، ركزت النماذج انتباهها على جزء مركزي محدد من الصورة. وعند إضافة الضوضاء، تشتت هذا التركيز، وانخفضت ثقة النموذج في قابلية الصورة للتذكر. أما بالنسبة للصور الأقل قابلية للتذكر، فقد كان تركيز النماذج مشتتاً في البداية، لكن الضوضاء تسببت أحياناً في جعلها تتركز على نقطة واحدة، مما رفع درجتها بالصدفة. في المقابل، لا تعتمد الذاكرة البشرية على نقطة تركيز واحدة بنفس الطريقة. اكتشف الباحثون أن الذاكرة البشرية تعتمد بشدة على كيفية ارتباط الصورة بالصور الأخرى في المجموعة، بدلاً من مجرد سمات الصورة نفسها. ولاختبار ذلك، بنوا نموذجاً جديداً يسمى "GraphMem". وبدلاً من تحليل كل صورة بشكل منعزل، ينظر هذا النموذج إلى العلاقات بين جميع الصور، ويرسم خرائط لها بناءً على مدى تشابهها مع بعضها البعض.
وعندما اختبر الباحثون هذا النهج الجديد، تغيرت النتائج بشكل كبير. فقد أدى نموذج "GraphMem"، الذي يأخذ في الاعتبار السياق والعلاقات بين الصور، أداءً يشبه أداء البشر إلى حد كبير. فقد تنبأ بشكل صحيح بأن الصور عالية القابلية للتذكر ستظل مستقرة حتى مع زيادة الضوضاء، بينما ستعاني الصور الأقل قابلية للتذكر. ولم يقع في فخ الاعتقاد بأن الضوضاء تجعل الصور السيئة أفضل. تشير الدراسة إلى أن السبب في معاناة الذكاء الاصطناعي الحالي مع الذاكرة في الظروف المشوشة هو أنه يعامل كل صورة ككائن مستقل، متجاهلاً السياق الأوسع الذي نرى فيه العالم بشكل طبيعي. البشر، الذين نشأوا وهم يرون العالم بكل عيوبه وضوحه الناقص، تعلموا تصفية الضوضاء والاعتماد على تميز الصورة بالنسبة لكل ما رأوه غيرها. وتشير النتائج إلى أنه لبناء أنظمة ذاكرة تشبه البشر حقاً، يجب على الذكاء الاصطناعي أن يتجاوز تحليل السمات الفردية ويبدأ في فهم شبكة العلاقات التي تربط صورة بأخرى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.