يعد الدماغ البشري مشهداً شاسعاً وصاخباً من النشاط الكهربائي، حيث تطلق الإشارات باستمرار لتشكل أفكارنا وأمزجتنا وردود أفعالنا. لعقود من الزمن، حاول العلماء قراءة هذه اللغة الكهربائية لفهم مشاعرنا، آملين في بناء آلات يمكنها استشعار عواطفنا بشكل مباشر. ومن أكثر الأدوات واعدة لهذه المهمة هو تخطيط كهربية الدماغ، أو ما يعرف بـ (EEG)، والذي يسجل موجات الدماغ عبر مستشعرات توضع على فروة الرأس. وبينما تبدو الإمكانات هائلة، إلا أن الواقع كان صعباً بشكل محبط؛ فغالباً ما تكون الإشارات ضعيفة وسهلة الخلط بسبب الحركة أو التوتر العضلي. والأهم من ذلك، أن دماغ كل شخص موصل بطريقة مختلفة قليلاً، مما يعني أن برنامج الكمبيوتر الذي تدرب على التعرف على السعادة لدى شخص ما غالباً ما يفشل تماماً عند اختباره على شخص آخر. علاوة على ذلك، ولأن تسمية هذه الإشارات الدماغية تتطلب تجارب مكلفة ومنضبطة، فقد كافح الباحثون لجمع بيانات كافية لتعليم الحواسيب كيفية التعميم عما تتعلمه.

لقد اقترح فريق من الباحثين الآن طريقة جديدة لسد هذه الفجوة، من خلال التعامل مع المشكلة ليس فقط كتحدٍ في معالجة الإشارات، بل كمهمة ترجمة. فقد طوروا نظاماً يسمى (EEG-LM)، والذي يعمل كنموذج تأسيسي — إطار عمل واسع وقابل للتكيف مصمم لتعلم البنية الأساسية للنشاط العاطفي للدماغ. وبدلاً من محاولة حفظ أنماط محددة من مجموعة محدودة من الأشخاص، يقوم هذا النظام بربط الإشارات الكهربائية الخام من الدماغ باللغة الوصفية الغنية التي يستخدمها البشر للتحدث عن مشاعرهم. ومن خلال مواءمة البيانات الفوضوية والصاخبة من الدماغ مع المفاهيم الدلالية الواضحة الموجودة في النصوص، أنشأ الباحثون مساحة مشتركة حيث يمكن للكمبيوتر فهم عاطفة ما حتى لو لم يرَ موجات ذلك الشخص الدماغية من قبل. ويشير هذا النهج إلى أنه إذا تمكنت الآلة من تعلم ربط إشارة دماغية بكلمة "قلق" أو "هدوء"، فيمكنها التعرف على تلك الحالات عبر مختلف الأشخاص وحتى مع وجود كمية قليلة جداً من البيانات، مما يفتح الطريق نحو واجهات أكثر موثوقية وقابلية للتفسير بين الدماغ والحاسوب.

يكمن جوهر هذا النهج الجديد في مزيج ذكي من ثلاث تقنيات متميزة تعمل معاً. أولاً، يستخدم النظام شبكة عصبية متطورة، تشبه تلك المستخدمة في الذكاء الاصطناعي الحديث، لقراءة إشارات (EEG) وتحويلها إلى تمثيل رقمي مدمج. ثانياً، يربط ذلك بنموذج لغوي كبير تم تدريبه على كميات هائلة من النصوص؛ حيث يعمل هذا النموذج اللغوي كنقطة مرجعية مستقرة، محولاً أوصاف العواطف إلى إحداثيات رياضية دقيقة. ثم يجبر الباحثون تمثيل الإشارة الدماغية والوصف النصي على الالتقاء في المنتصف، ليعلموا الكمبيوتر أن نمطاً معيناً من موجات الدماغ يتوافق مع مفهوم عاطفي محدد. ولجعل عملية التعلم هذه قوية، خاصة عندما تكون البيانات شحيحة، أضافوا مكوناً ثالثاً: أداة توليدية يمكنها إنشاء إشارات دماغية اصطناعية واقعية. تقوم هذه الأداة بملء الفجوات، مما يسمح للنظام بالتدرب على مجموعة متنوعة من الأمثلة دون الحاجة إلى تسجيل ساعات من البيانات الجديدة من متطوعين بشريين.

عندما اختبر الباحثون هذا النظام، كانت النتائج أفضل بشكل ملحوظ من الطرق السابقة. لقد قيموا النموذج على أربعة مجموعات بيانات عامة رئيسية، تضمنت تسجيلات من عشرات المشاركين باستخدام أنواع مختلفة من المعدات والإعدادات التجريبية. وفي مجموعة بيانات (DEAP)، وهي معيار قياسي للتعرف على العواطف، حقق النظام الجديد دقة بلغت 92.5% لتحديد مستويات الاستثارة و91.8% للقيم الوجدانية (valence)، والتي تقيس مدى إيجابية أو سلبية العاطفة. وتمثل هذه الأرقام قفزة نوعية، حيث تفوقت على أفضل النماذج الموجودة بفارق كبير. كما أدى النظام أداءً استثنائياً في مجموعات بيانات أخرى مثل (SEED) و(DREAMER)، والتي استخدمت أعداداً مختلفة من المستشعرات وفئات عاطفية مختلفة. وفي كل حالة، تفوق النموذج الذي ربط الإشارات الدماغية باللغة على تلك التي اعتمدت فقط على البيانات الكهربائية الخام، مما أثبت أن الاتصال اللغوي وفر دليلاً حاسماً لتعلم الكمبيوتر.

ولعل الجانب الأكثر إثارة للإعجاب في هذا العمل هو مدى جودة تعامل النظام مع المواقف التي لم يرَ فيها البيانات المحددة من قبل. في اختبار تم فيه تدريب النموذج على مجموعة بيانات واحدة ثم طُلب منه التعرف على العواطف في مجموعة بيانات مختلفة تماماً دون أي إعادة تدريب، حافظ النظام على دقة بلغت 85.3%. يعد هذا إنجازاً رائعاً في القدرة على التعميم، حيث تنهار النماذج القديمة عادةً في ظل هذه الظروف، لتنخفض دقتها إلى حوالي 52%. كما استكشف الباحثون "التعلم من الصفر" (zero-shot learning)، حيث طُلب من النظام التعرف على عاطفة لم يتم تعليمه إياها صراحة، وذلك ببساطة باستخدام وصف نصي لتلك العاطفة. ورغم أن الدقة في هذه الحالات القصوى كانت أقل، إلا أن حقيقة قدرة النظام على تقديم أي تنبؤ ذي معنى دون تعرض مسبق للفئة المحددة تشير إلى مستوى جديد من المرونة. والأكثر إثارة للإعجاب هو أنه عندما مُنح النظام جزءاً ضئيلاً فقط من البيانات المصنفة — 1% فقط من الكمية المعتادة — فقد تمكن مع ذلك من تحقيق دقة بنسبة 78.5%، مما يثبت أنه لا يحتاج إلى مجموعات بيانات ضخمة ليتعلم بفعالية.

ولض้อม التأكد من أن النظام لم يكن يجد مجرد حيل إحصائية بل يتعلم شيئاً ذا معنى عن الدماغ، نظر الباحثون داخل النموذج لمعرفة ما يركز عليه. وباستخدام تقنية تسلط الضوء على أهمية المدخلات المختلفة، وجدوا أن النظام ركز بكثافة على قنوات محددة في الجبهة ومركز فروة الرأس. وهذه هي المناطق ذاتها التي يعرف علماء الأعصاب أنها مسؤولة عن الانتباه والمعالجة العاطفية، مما يؤكد أن النموذج كان يستخدم إشارات دماغية حقيقية بدلاً من الضوضاء أو الشوائب العشوائية. وأظهرت تصورات البيانات أن النظام نجح في تنظيم الإشارات الدماغية إلى مجموعات (clusters) واضحة ومنفصلة بناءً على معناها العاطفي، تماماً مثل فرز كرات ملونة مختلفة في أكوام متميزة. هذه القدرة على إنشاء خريطة مهيكلة وقابلة للتفسير للعواطف تمنح العلماء الثقة في أن النموذج يتخذ قراراته بناءً على أنماط فيزيولوجية عصبية حقيقية.

كما درست الدراسة جودة الإشارات الدماغية الاصطناعية التي أنتجتها أداة التعزيز الخاصة بالنظام. ومن خلال مقارنة هذه الإشارات الاصطناعية بالتسجيلات الحقيقية، وجد الباحثون أن الطريقة الجديدة أنتجت بيانات أكثر واقعية وتنوعاً من التقنيات السابقة. ساعدت هذه البيانات الاصطناعية عالية الجودة النموذج على التعلم بشكل أكثر فعالية، حيث عملت كمكمل قوي للتسجيلات الحقيقية المحدودة المتاحة. إن الجمع بين توليد البيانات هذا والمواءمة القائمة على اللغة خلق نظاماً ليس فقط أكثر دقة، بل أيضاً أكثر مرونة تجاه الاختلافات الموجودة في الاستخدام الواقعي. وأشار الباحثون إلى أنه بينما يعد هذا النظام خطوة مهمة، إلا أنه ليس منتجاً نهائياً؛ فهو لا يزال يتطلب المزيد من الاختبار عبر ثقافات وأجهزة وفئات سريرية مختلفة لضمان موثوقيته في البيئات الأوسع.

في النهاية، يمثل هذا العمل تحولاً في كيفية مقاربتنا لمشكلة قراءة العواطف من الدماغ. فمن خلال التعامل مع إشارات الدماغ واللغة البشرية كوجهين لعملة واحدة، أنشأ الباحثون إطار عمل يتسم بالقوة والشفافية. فالنظام لا يكتفي بإخراج تصنيف فحسب، بل يربط ذلك التصنيف بمفهوم يمكن للبشر فهمه، مما يجعل عملية اتخاذ القرار في الآلة أكثر انفتاحاً للفحص. هذه الشفافية حيوية للتطبيقات المستقبلية في مراقبة الصحة العقلية أو واجهات الدماغ والحاسوب، حيث تعد الثقة والوضوح أمراً ضرورياً. وتشير النتائج إلى أن مفتاح فك شفرة اللغة العاطفية للدماغ قد لا يكمن في بناء معالجات إشارات أكثر تعقيداً، بل في تعليم الآلات التحدث بلغة الشعور الإنساني، باستخدام الكلمات التي نعرفها بالفعل لفك رموز الإشارات التي لا نزال نتعلم سماعها.