Computational Personality Assessment: A Data- Driven Machine Learning Approach Using Engineered Behavioral Features
تقدم هذه الورقة مساراً للتعلم الآلي القائم على البيانات والذي يحسن دقة تصنيف الانطوائي والانبساطي بشكل كبير لتصل إلى 91.90% من خلال هندسة ثلاثة سمات سلوكية مركبة وتقييم 13 خوارزمية، مما يثبت أن خوارزمية "الجار الأقرب" (K-Nearest Neighbors) هي الأفضل ضمن إطار عمل قوي إحصائياً.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تخيل أنك تحاول تخمين ما إذا كان صديق جديد لك "انطوائياً" (شخص يستعيد طاقته بالبقاء وحيداً) أم "منبسطاً" (شخص يستمد طاقته من التواجد مع الآخرين). عادةً، قد تسأله أسئلة مثل: "هل تحب الحفلات؟" أو "هل تشعر بالتعب بعد التواجد في حشد كبير؟" لكن الناس لا يكونون صادقين دائماً، أو ربما لا يعرفون الإجابة بأنفسهم. هنا يأتي دور علم النفس الحوسبي. إنه مجال يستخدم فيه العلماء أجهزة الكمبيوتر والرياضيات لإيجاد أنماط في كيفية تصرف الناس، بدلاً من مجرد الاعتماد على ما يقولونه. إنهم ينظرون إلى تعلم الآلة، وهو ببساطة تعليم الكمبيوتر التعلم من الأمثلة، لرصد هذه الدلائل الخفية للشخصية. السؤال الكبير هو: هل يمكننا بناء برنامج كمبيوتر ينظر إلى عادات الشخص اليومية — مثل عدد المرات التي يخرج فيها أو مقدار الوقت الذي يقضيه وحيداً — ويخمن بدقة نوع شخصيته دون أن يملأ استبياناً مملاً؟
هذه الورقة البحثية تشبه قصة بوليسية حيث المحققون هم علماء كمبيوتر، والخيوط هي الآثار الرقمية. قرر الباحثان، ميرا سولجاما وزيلكومار بهافسار، بناء كاشف ذكي جداً للشخصية. لم يكتفوا بتغذية الكمبيوتر ببيانات خام؛ بل تصرفوا كطهاة مهرة، يأخذون مكونات بسيطة (مثل "الوقت الذي يقضيه وحيداً" أو "الخوف من مواجهة الجمهور") ويمزجونها معاً لإنشاء ثلاثة مكونات جديدة "مُهندسة". أطلقوا على هذه الخلطات الجديدة اسم النسبة الاجتماعية، والمشاركة الاجتماعية، والحاجة إلى الاستعادة. فكر في الأمر هكذا: بدلاً من مجرد قياس كمية السكر في الكعكة، قاموا بابتكار نكهة جديدة تسمى "توازن الحلاوة" والتي تخبرك بالضبط كيف يتفاعل السكر مع الدقيق. لقد اختبروا 13 "عقلاً" حاسوبياً (خوارزمية) لمعرفة أي منها يستطيع تذوق الفرق بين الانطوائيين والمنبسطين بشكل أفضل.
كانت النتائج مثيرة للغاية. "العقل" الحاسوبي الذي فاز بالسباق كان يسمى الجيران الأقرب (K-NN). لقد أصاب الإجابة بنسبة 91.90% من المرات. وجد الباحثون أن مكوناتهم "المُهندسة" الخاصة كانت هي السر وراء هذا النجاح. فعندما اختبروا الكمبيوتر باستخدام المكونات القديمة والبسيطة فقط، أصاب الإجابة بنسبة تقارب 79.5%. ولكن بمجرد إضافة خلطاتهم الثلاث الجديدة، قفزت الدقة بنسبة 12.4%. اتضح أن خوارزمية K-NN كانت الأفضل لأن المكونات الجديدة جعلت البيانات تبدو مثل كومتين متمايزتين ومنتظمتين من كرات الرخام — كومة للانطوائيين وكومة للمنبسطين — مما جعل من السهل على الكمبيوتر فرزها.
ومن المثير للاهتمام أن الورقة تقترح أنك لا تحتاج دائماً إلى أكثر عقول الكمبيوتر تعقيداً ومستقبلية لحل المشكلة. فبينما استخدمت دراسات أخرى شبكات عصبية عميقة (وهي تشبه شبكات ضخمة ومعقدة)، فإن نموذج K-NN الأبسط هذا عمل بشكل جيد، إن لم يكن أفضل، لأن البيانات كانت منظمة جيداً. أجرى الباحثون أيضاً اختبارات رياضية صارمة (تسمى اختبارات t المقترنة) للتأكد من أن الفرق بين النماذج المتفوقة لم يكن مجرد حظ. ووجدوا أن أفضل ثلاثة نماذج كانت متعادلة إحصائياً، مما يعني أنه إذا أردت اختيار نموذج آخر من أجل السرعة أو البساطة، فيمكنك القيام بذلك دون خسارة كبيرة في الدقة.
ومع ذلك، فإن المؤلفين حذرون من القول بأن هذا هو بلورة سحرية. فهم يشيرون إلى أن بياناتهم جاءت من إجابات ذاتية التقييم، مما يعني أن الناس قد يكونون منحازين قليلاً. كما أن الشخصية ليست مجرد مفتاح بسيط "نعم أو لا"؛ بل هي أشبه بمقياس متدرج. تقترح الورقة أنه بينما تعمل هذه الطريقة بشكل رائع لهذا النوع المحدد من البيانات، فإننا بحاجة إلى توخي الحذر عند تطبيقها على الجميع في كل مكان دون مزيد من الاختبار. ولكن بشكل عام، فقد أظهروا أنه من خلال التفكير بإبداع في كيفية دمج نقاط البيانات، يمكننا بناء أدوات تفهم السلوك البشري بشكل أفضل قليلاً مما سبق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.