Auditable AI Assisted Semantic Completion Supports Metadata Enhancement in Digital Cultural Heritage Collections

ملخص تقني: الإكمال الدلالي المدعوم بالذكاء الاصطناعي والقابل للتدقيق لبيانات التراث الثقافي الرقمي الوصفية

بيان المشكلة
تتوفر مجموعات التراث الثقافي الرقمي بشكل متزايد كبيانات حوسبية، إلا أن إمكانية اكتشافها تعوقها البيانات الوصفية (metadata) التي غالبًا ما تكون غير مكتملة، أو غير منظمة بشكل متساوٍ، وتفتقر إلى الثراء الدلالي. وبينما يُقترح الذكاء الاصطناعي كثيرًا كحل لتوليد البيانات الوصفية، فإن اعتماده في سياقات التراث الثقافي يثير مخاوف كبيرة تتعلق بالسلطة التفسيرية، والتحيز الثقافي، وطبيعة "الصندوق الأسود" للنماذج التوليدية. إن التحدي الجوهري لا يكمن فقط في قدرة الذكاء الاصطناعي على توليد تسميات، بل في كيفية إنشاء سير عمل لتعزيز البيانات الوصفية يكون شفافًا، وقابلاً لإعادة الإنتاج، وقابلاً للتدقيق من قبل الموثقين المحترفين. تحتوي السجلات الحالية غالبًا على معلومات كثيفة في بعض الجوانب (مثل نوع الكائن، المادة) ولكنها تكون شحيحة في جوانب أخرى (مثل الموضوع، التصنيف)، مما يخلق حاجة لنظام يمكنه التوصية بمصطلحات المفردات المحكومة المفقودة دون اختراع مصطلحات جديدة أو طمس أصل المصدر.

المنهجية
تعيد هذه الدراسة صياغة تعزيز البيانات الوصفية كـ مهمة إكمال دلالي مقيدة بدلاً من كونها مهمة توليدية. فبدلاً من مطالبة النموذج بإنتاج أوصاف بليغة، يستخدم النظام تسميات المفردات المحكومة المرصودة داخل سجل ما للتوصية بتسميات مرشحة للجوانب المفقودة.

• مجموعة البيانات: يستخدم البحث معيار EUFCC-340K، وهو مجموعة بيانات هرمية متعددة الأوجه مستمدة من "Europeana" وتضم أكثر من 340,000 سجل. وتستخدم الدراسة مجموعة فرعية ثابتة للتدريب مكونة من 25,000 سجل لضمان إمكانية إعادة الإنتاج على الأجهزة العادية.
• التصميم التجريبي: تم استخدام بروتوكول تقييم التسمية المقنعة (masked-label evaluation). لكل سجل مؤهل، يتم إخفاء تسمية واحدة موجودة من جانب مستهدف (نوع الكائن، المادة، الموضوع، أو التصنيف). ويجب على النموذج ترتيب التسميات المرشحة لهذا الجانب باستخدام التسميات المرصودة الأخرى كـسياق. ويُقاس النجاح بما إذا كانت التسمية المخفية تظهر ضمن أفضل k من المرشحين (Recall@k).
• النماذج التي تم تقييمها:
  1. الأساس التكراري (Frequency Baseline): يقوم بترتيب المرشحين بناءً على التكرار العالمي ضمن الجانب المستهدف في بيانات التدريب.
  2. التواجد المشترك المباشر (Direct Co-occurrence): يبني مصفوفة تواجد مشترك بين التسميات من سجلات التدريب. وتُشتق الدرجات من متوسط احتمالية ظهور مرشح ما في ظل السياق الملاحظ من التسميات.
  3. انتشار الرسم البياني عبر خطوتين (Two-Hop Graph Propagation): يوسع الأدلة المباشرة عبر نشر الدرجات من خلال رسم بياني للتسميات (على سبيل المثال: كائن $\leftarrow$ مادة $\leftarrow$ تصنيف) لالتقاط العلاقات غير المباشرة.
  4. الترتيب الهجين (Hybrid Ranking): مزيج مرجح من الدرجة المباشرة، ودرجة الخطوتين، والأولوية التكرارية.
• القيود: تم تحديد المفردات بـ 600 تسمية ورقية (التي تظهر $\ge$ 10 مرات في التدريب) لضمان القابلية للتدقيق والكفاءة. ويعطي سير العمل الأولوية للترتيب الحتمي القابل لإعادة الإنتاج على الجدة التوليدية.

النتائج الرئيسية

• عدم تماثل البيانات الوصفية: يكشف تحليل مجموعة بيانات EUFCC-340K عن عدم تماثل كبير في تغطية البيانات الوصفية. فحقول نوع الكائن والمادة كثيفة (تغطية تقارب 77-93%)، بينما حقول الموضوع والتصنيف شحيحة (6.7% و12.9% على التوالي في عينة التدريب).
• أداء التواجد المشترك: في مجموعة الاختبار الداخلية، تفوق نموذج التواجد المشترك المباشر بشكل كبير على الأساس التكراري عبر جميع الجوانب.
  • أنواع الكائنات: تحسن Recall@5 من 0.190 (التكرار) إلى 0.732 (التواجد المشترك).
  • المواد: تحسن Recall@5 من 0.379 إلى 0.790.
  • التصنيفات: تحسن Recall@5 من 0.450 إلى 0.986.
  • الموضوعات: بينما كانت مجموعة الاختبار للموضوعات صغيرة (228 حالة)، حقق الأساس التكراري Recall@5 بنسبة 1.000، وهو ما طابقه نموذج التواجد المشترك (أيضًا 1.000). ومع ذلك، تفوق التواجد المشترك بشكل كبير على الأساس التكراري في Recall@1 (0.934 مقابل 0.272) وفي Recall@3 (1.000 مقابل 0.781)، مما أظهر دقة فائقة في ترتيب التسمية الصحيحة في أعلى القائمة.
• تعقيد النموذج: لم يتفوق النموذج الهجين باستمرار على نموذج التواجد المشترك المباشر الأبسط. ووجدت الدراسة أن أبسط طريقة شفافة كانت غالبًا هي الأقوى، مما يشير إلى أن انتشار الرسم البياني المعقد أو الأولويات الهجينة قد لا تكون ضرورية عندما تكون العلاقات المباشرة بين التسميات قوية.
• انزياح التوزيع: أظهرت مجموعة الاختبار الخارجية (التي تمثل تركيبات مجموعات مختلفة) أن الأسس التكرارية يمكن أن تبدو قوية بشكل مضلل في التوزيعات منخفضة الإنتروبيا، بينما يظل التواجد المشترك المباشر حساسًا للانزياحات العلاقاتية. وهذا يسلط الضال على الحاجة إلى تقييم خاص بكل تقسيم بدلاً من الدرجات الإجمالية.

الأهمية والادعاءات
تزعم الورقة أن مساهمتها الأساسية هي سير عمل قابل لإعادة إنتاج تنظيم المعلومات الذي يعامل تعزيز البيانات الوصفية المدعوم بالذكاء الاصطناعي كـ مشكلة ترتيب قابلة للتدقيق.

• القابلية للتدقيق والحوكمة: تجادل الدراسة بأن الذكاء الاصطناعي عالي القيمة في التراث الثقافي يجب أن يُحكم من خلال القابلية لإعادة الإنتاج، والتفسير، والحفاظ على أصل المصدر، وليس فقط دقة التنبؤ. ومن خلال استخدام التواجد المشترك المرصود، يمكن تتبع كل توصية إلى علاقات محددة في بيانات التدريب، مما يسمح للموثقين المحترفين بفحص الاقتراحات أو التحقق منها أو رفضها.
• تصميم "الإنسان في الحلقة" (Human-in-the-Loop): يضع سير العمل الذكاء الاصطناعي ليس كبديل للموثقين، بل كطبقة دعم للقرار. فهو يوفر مرشحين مرتبين للتحقق البشري، مما يقلل من تكلفة المراجعة مع الحفاظ على الحكم المهني.
• التنفيذ العملي: يتطلب هذا النهج موارد تقنية متواضعة (لا توجد شبكات عصبية ضخمة، أو معالجة صور، أو واجهات برمجة تطبيقات مملوكة)، مما يجعله متاحًا للمؤسسات الأصغر. وهو يدعم مسار تنفيذ مرحلي: توصيف البيانات الوصفية، تطبيع المفردات، بناء الرسم البياني، اقتراح المرشحين، وتسجيل أصل المصدر.
• القصور: تقر المؤلفة صراحةً بأن الطريقة ترث تحيزات مجموعة البيانات (مما يضخم عدم التوازن الحالي في التوثيق) ولا تقيم الملاءمة الثقافية أو ضرورة إضافة تسميات مفقودة في سيناريوهات العالم الحقيقي. تركز الدراسة على استعادة التسميات الموجودة ضمن مفردات محكومة، وليس توليد تفسيرات ثقافية جديدة.

في الختام، تثبت الورقة أن الترتيب الشفاف القائم على التواجد المشترك يمكن أن يدعم بفعالية إثراء البيانات الوصفية للتراث الثقافي الرقمي، مما يقدم بديلاً محافظًا ولكنه قابل للتوسع لنماذج الذكاء الاصطناعي التوليدية الغامضة.