← أحدث الأبحاث
💻 علوم الحاسوب

Structured Semantic Prototype-Guided Multi-Source Multimodal Sentiment Analysis with Fine-Grained Gating and Disagreement Decomposition

تقترح الورقة البحثية إطار عمل SPG-MSA، وهو إطار جديد لتحليل المشاعر متعدد الوسائط يستفيد من النماذج الدلالية الهيكلية، وآلية بوابات مدركة للجودة، وفروع محددة العلاقات لنمذجة الأدلة المتوافقة والمكملة والمتعارضة بفعالية عبر الوسائط النصية والبصرية والتعرف الضوئي على الحروف (OCR)، محققاً أداءً هو الأفضل في فئته على مجموعات البيانات المرجعية.

المؤلفون الأصليون: Linxuan Song

نُشر 2026-10-20
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Linxuan Song

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

نادرًا ما تكون منشورات وسائل التواصل الاجتماعي مجرد كلمات أو مجرد صور؛ بل هي مزيج معقد من كليهما، غالبًا ما يكون مغلفًا بنصوص مخفية داخل الصور، أو لقطات شاشة لمحادثات أخرى، ومشاهد بصرية تروي قصة لا يذكرها الوصف المكتوب. فعندما ينشر شخص ما صورة لمنتج مع جملة محايدة، أو صورة سعيدة مع تعليق ساخر، فإن الشعور الحقيقي وراء المنشور يكون مشتتًا عبر هذه الأجزاء المختلفة. ولكي تفهم الحواسيب ذلك، يجب عليها أن تفعل أكثر من مجرد النظر إلى الصورة وقراءة النص بشكل منفصل؛ إذ يتعين عليها اكتشاف أي جزء محدد من الصورة أو أي كلمة معينة تحمل العاطة الحقيقية، وكيف تتناسب تلك القطع مع بعضها البعض عندما تتفق أو عندما تتعارض. هذا هو تحدي تحليل المشاعر متعدد الوسائط: تعليم الآلات قراءة السياق الكامل للمنشور الرقمي، وليس مجرد سماته السطحية.

لقد طور أحد الباحثين طريقة جديدة لمعالجة هذه المشكلة، حيث ابتكر نظامًا يعمل كـ "محرر دقيق" بدلاً من كونه أداة فظة. فبدلاً من معاملة كل كلمة في التعليق وكل بكسل في الصورة كأجزاء متساوية في الأهمية، يتعلم أسلوبهم، المسمى SPG-MSA، كيفية اختيار القرائن الأكثر صلة. ويقوم بذلك باستخدام مجموعة من ثمانية مفاهيم توجيهية، أو "نماذج أولية"، تمثل أسبابًا شائعة تجعل الناس يشعرون بقوة تجاه الأشياء، مثل الثقة، أو جودة الحرفية، أو الشعور بالحنين إلى الماضي. تعمل هذه المفاهيم كمرشح (فلتر)، مما يساعد الحاسوب على تحديد الأجزاء ذات الصلقة الفعلية بالشعور الذي يتم التعبير عنه. فعلى سبيل المثال، إذا كان المنشور حول قطعة مصنوعة يدويًا، فإن النظام يعرف كيف يبحث عن دليل على "الحرفية" في الصورة والنص، متجاهلًا التفاصيل الخلفية غير المتعلقة بها.

كما أدرك الباحث أن ليست كل المعلومات موثوقة بنفس القدر. فمنشورات وسائل التواصل الاجتماعي غالبًا ما تتضمن نصوصًا تمت قراءتها آليًا من صورة أو أوصافًا تم إنشاؤها بواسطة برامج حاسوبية أخرى. وأحيانًا تكون هذه المصادر الإضافية مفيدة، ولكنها أحيانًا تكون خاطئة أو غير ذات صلة. وللتعامل مع هذا، يتضمن النظام الجديد فحصًا للجودة يزن مدى موثوقية كل قطعة من المعلومات قبل استخدامها. إذ يمكنه اختيار الاعتماد بشدة على علامة واضحة وسهلة القراءة في صورة ما، بينما يتجاهل علامة أخرى ضبابية ومربكة. علاوة على ذلك، تم تصميم النظام لملاحظة الحالات التي يبدو فيها النص والصورة كأنهما يقولان أشياء مختلفة. فإذا كتب مستخدم جملة حزينة ونشر صورة لاحتفال، فإن النظام لا يجبرهما على الاتفاق؛ بل يقوم بإنشاء تمثيل خاص لهذا التناقض، مما يسمح للحكم النهائي بأن يعكس هذا التوتر بدلاً من تسويته وتنعيمه.

ولاختبار ما إذا كان هذا النهج قد نجح بالفعل، طبق الباحث أسلوبه على مجموعتين كبيرتين من منشورات وسائل التواصل الاجتماعي الواقعية. وقارن نظامه بعدة طرق متقدمة أخرى تم تطويرها مؤخرًا. وأظهرت النتائج أن طريقته الجديدة كانت أكثر دقة في تخمين العاطفة أو الشعور الصحيح. ففي إحدى مجموعات البيانات، حقق دقة تبلغ حوالي 82.5 بالمائة، وفي مجموعة أخرى، وصل إلى ما يقرب من 73 بالمائة. والأهم من ذلك، أثبت الباحث أن هذا التحسن لم يأتِ ببساطة لأن الحاسوب كان لديه المزيد من البيانات للنظر إليها أو لأنه كان أكبر حجمًا وأكثر تعقيدًا؛ فقد أجروا اختبارات محددة حيث أعطوا الأنظمة الأخرى نفس المعلومات الإضافية تمامًا ولكن بدون أدوات التصفية ومعالجة التناقض الخاصة بهم. ولم تحقق تلك الأنظمة الأخرى أداءً جيدًا، مما يشير إلى أن الطريقة التي نظم بها الأسلوب الجديد المعلومات واختارها كانت هي مفتاح نجاحه.

كما بحثت الدراسة عن كثب في كيفية تعامل النظام مع الأخطاء والحالات الصعبة. فعندما قام الباحث عمدًا بخلط الصور والنصوص لخلق منشورات مربكة، ظل النظام الجديد أكثر استقرارًا من غيره، مما أظهر قدرته على التعامل بشكل أفضل مع المواقف التي لا تتطابق فيها القرائن البصرية والمكتوبة. ومع ذلك، فقد كان الباحث حريصًا على ملاحظة أن هذا التطور يأتي بتكلفة؛ إذ يتطلب النظام قوة حوسبة أكبر ويستغرق وقتًا أطول لمعالجة كل منشور مقارنة بالنماذج الأبسط. فهو ليس مصممًا لاتخاذ قرارات فورية في أجزاء من الثانية، بل هو أفضل حالًا للمواقف التي تتطلب تحليلًا أعمق وأكثر موثوقية للمنشور.

في الختام، يشير هذا العمل إلى أن مستقبل فهم العاطفة عبر الإنترنت يكمن في الهيكلية والدقة. فمن خلال تعليم الحواسيب البحث عن أنواع محددة من المعنى، والتحقق من موثوقية مصادرها، واحترام الحالات التي تتعارض فيها أجزاء المنشور، يحقق النظام فهمًا أكثر شبهاً بالبشر للتعبير الرقمي. وتشير النتالئج إلى أنه بينما لا يمكننا بعد فك رموز كل تفاصيل المشاعر البشرية بدقة مثالية، فإن إضافة طبقة من الاستدلال المنظم تساعد الآلات على التنقل في واقع وسائل التواصل الاجتماعي الفوضوي والمتناقض والغني بمهارة أكبر بكثير.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →