💻 computer science

Machine Learning versus Deep Learning for Public Financial Report Classification and Popularity Prediction: A Feasibility Study on Ghana's Controller and Accountant-General's Department

تُقيّم هذه الدراسة الجدوى أداء نماذج تعلم الآلة التقليدية والتعلم العميق على التقارير المالية لإدارة المراقب والمحاسب العام في غانا، حيث كشفت أنه بينما حقق نموذج XGBoost المضبوط بدقة تصنيفاً مثالياً للفئات، إلا أن دراسة الاستئصال اللاحقة أظهرت أن ميزات الكلمات المفتاحية قد ضخمت هذه النتائج بشكل كبير، مما يؤكد الحاجة الماسة إلى التحقق الصارم من الميزات قبل نشر مثل هذه الأدوات في سياقات القطاع العام.

المؤلفون الأصليون: Emmanuel Osei-Dwomoh, Gabriel Osei Forkuo

نُشر 2026-08-27

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Emmanuel Osei-Dwomoh, Gabriel Osei Forkuo

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

تقوم الحكومات حول العالم بوضع سجلاتها المالية عبر الإنترنت بشكل متزايد. يهدف هذا التحول إلى تحقيق الشفافية، مما يسمح للمواطنين والمراجعين برؤية كيفية إنفاق المال العام دون الحاجة إلى زيارة مكتب فعلي. ومع ذلك، مع نمو هذه الأرشيفات الرقمية، تصبح إدارتها صعبة. فقد تنشر دائرة حكومية واحدة مئات الوثائق خلال بضع سنوات، تتراوح من بيانات الميزانية السنوية إلى تعميمات الرواتب. إن فرز هذه الملفات يدويًا عملية بطيئة وعرضة للخطأ، بينما يعد معرفة التقارير التي يرغب الناس في قراءتها أمرًا أكثر صعوبة. ولحل هذه المشكلة، تتطلع الوكالات إلى استخدام الحواسيب للقيام بعمليات الفرز والتنبؤ نيابة عنها. وهنا يأتي دور تعلم الآلة؛ وهي برامج حاسوبية تتعلم التعرف على الأنماط في البيانات، مثل الكلمات الموجودة في عنوان المستند، لاتخاذ قرارات مثل "هذا تقرير رواتب" أو "هذا التقرير سيتم تحميله كثيرًا". ولكن هناك عقبة: فهذه البرامج عادة ما تحتاج إلى آلاف الأمثلة لتتعلم جيدًا. وعندما تمتلك دائرة حكومية بضع مئات من الوثائق فقط، فمن غير الواضح ما إذا كانت هذه الأدوات الذكية قادرة على العمل حقًا، أم أنها مجرد تخمينات بناءً على اختصارات محظوظة.

في غانا، تمتلك إدارة مراقب عام الحسابات والمدير العام للحسابات مجموعة واسعة من التقارير المالية العامة. وقد قرر باحثان، إيمانويل أوسي دو مـوه وغابرييل أوسي فوركو، اختبار ما إذا كانت الأدوات المؤتمتة يمكنها تنظيم هذه المجموعة المحددة والتنبؤ بشعبيتها. لقد جمعا 131 تقريرًا رسميًا نُشرت بين عامي 2019 و2024. وشملت هذه الوثائق كل شيء من نسخ دليل الحسابات إلى مواد معايير المحاسبة الدولية. وعمل الباحثان على بناء نوعين مختلفين من النماذج الحاسوبية للقيام بهذه المهمة. اعتمد النوع الأول على تعلم الآلة "التقليدي"، حيث يقوم محلل بشري بعناية بإنشاء قائمة من الدلائل المحددة، مثل حساب عدد مرات ظهور كلمة "ميزانية" أو ملاحظة طول الملف. أما النوع الثاني فقد استخدم "التعلم العميق"، وهو نهج أكثر تعقيدًا حيث يقرأ الحاسوب النص الخام للعناوين والأوصاف حرفًا بحرف، محاولًا إيجاد أنماط بنفسه دون مساعدة بشرية. واختبر الباحثان هذه النماذج في ثلاث مهام محددة: فرز التقارب في الفئة الصحيحة، وتخمين ما إذا كان سيتم تحميل التقرير أكثر من المتوسط، والتنبؤ بالعدد الدقيق للتحميلات.

كانت النتائج مفاجئة وكشفت عن فخ خفي في كيفية تعلم هذه الأنظمة. فعندما أجرى الباحثون الاختبارات لأول مرة، بدا نموذج تعلم الآلة التقليدي مثاليًا؛ إذ صنف كل تقرير في مجموعة الاختبار بدقة في فئته الصحيحة، محققًا درجة كاملة. كما أدى نموذج التعلم العميق بشكل جيد جدًا في هذه المهمة. ومع ذلك، اشتبه الباحثون في أن هذه الدرجة المثالية لم تكن بسبب فهم الكمبيوتر الحقيقي لمحتوى التقارير. فقد لاحظء أن الدلائل التي قدموها للنموذج التقليدي تضمنت كلمات مفتاحية محددة تكاد تكون مطابقة لأسماء الفئات. على سبيل المثال، إذا كان عنوان التقرير "تعميم رواتب 2024"، فقد تم إعطاء النموذج علامة تفيد بأن "كلمة رواتب موجودة". وبما أن الفئة هي "الرواتب"، فقد كان النموذج يُعطى الإجابة فعليًا قبل أن يبدأ حتى.

ولإثبات ذلك، قام الباحثون بإزالة تلك الدلائل الخاصة بالكلمات المفتاحية وأعادوا تشغيل الاختبار مرة أخرى. فاختفت الدرجة المثالية، وانخفضت دقة النموذج بشكل كبير، ليستقر عند مستوى لا يزال جيدًا للغاية ولكنه بعيد عن الكمال. وقد أكد ذلك أن النجاح الأولي كان ناتجًا إلى حد كبير عن اختصار: فالتقارير غالبًا ما تحتوي على أسماء فئاتها في عناوينها. كما وجدت نماذج التعلم العميق، التي تقرأ النص مباشرة، هذا الاختصار وحققت درجات عالية مماثلة، مما أثبت أن النص الخام نفسه كان يحتوي على الإجابة، وليس بالضرورة فهمًا عميقًا لهيكل الوثيقة. وعندما نظر الباحثون في المهام الأخرى، تغيرت الصورة. فقد كان التنبؤ بالتقارير التي ستكون شائعة أصعب بكثير؛ حيث أدت النماذج التقليدية أداءً معقولًا، وصنفت التقارير الشائعة بنجاح في حوالي ثلاثة أرباع الحالات، بينما عانت نماذج التعلم العميق بشكل أكبر. كما أظهرت نماذج التعلم العميق سلوكًا غريبًا: فعندما حاول الباحثون "ضبط" النماذج عن طريق إعطائها وقتًا أطول للتدريب، ساء أداؤها في الواقع. ويشير هذا إلى أنه مع هذه المجموعة الصغيرة من الوثائق، كانت نماذج التعلم العميق المعقدة حساسة للغاية وبدأت في حفظ بيانات التدريب بدلاً من تعلم قواعد عامة.

خلصت الدراسة إلى أنه بالنسبة للأرشيفات الحكومية الصغيرة مثل هذه، فإن أدوات تعلم الآلة التقليدية البسيطة تعد نقطة انطلاق أفضل من أنظمة التعلم العميق الأكثر تعقيدًا. فهذه الأدوات الأبسط أسهل في الفهم وأقل عرضة للتعطل عندما تكون البيانات محدودة. ومع ذلك، يحذر الباحثون من أن أي شخص يستخدم هذه الأدوات يجب أن يكون حذرًا من الاعتماد على الاختصارات. فإذا تم تدريب نموذج على التعرف على فئة لأن كلمة "رواتب" تظهر في العنوان، فقد يفشل تمامًا عندما يستخدم تقرير جديد صياغة مختلفة. إن الخلاصة الأكثر صدقًا لهذا العمل هي أنه بينما يمكن للحواسيب المساعدة في تنظيم هذه السجلات المالية، إلا أنها ليست سحرية بعد. فهي تعمل بشكل أفضل عندما تكون البيانات واضحة والدلائل حقيقية، ولكن في مجموعات البيانات الصغيرة وغير المكتملة، يمكن لنتائجها المبهرة أن تخفي أحيانًا نقصًا في الفهم الحقيقي. ويقترح الباحثون أنه قبل أن تقوم أي بوابة حكومية بنشر مثل هذا النظام، يجب اختباره بصرامة لضمان أنه يتعلم الأشياء الصحيحة، وليس مجرد نسخ الملصقات.

أبحاث مشابهة