An Expert-independent Artificial Intelligence Method for Extracting and Prioritizing Decision Factors From Large-scale Textual Corpora
يقدم هذا البحث FEDRA، وهو إطار عمل ذاتي التشغيل يستفيد من التضمينات القائمة على المحولات (transformer-based embeddings)، والتجميع (clustering)، وتحليل الرسوم البيانية لاستخراج وتحديد أولويات عوامل اتخاذ القرار من النصوص العلمية واسعة النطاق دون تدخل من الخبراء، مما أظهر دقة عالية واتساقاً دلالياً في دراسة حالة تتعلق باختيار موقع لمعالجة مياه الصرف الصحي.
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
يواجه العلماء والمهندسون وصناع السياسات يومياً جبلاً من المعلومات المكتوبة. تُنشر آلاف الأوراق البحثية والتقارير الفنية ووثائق السياسات باستمرار، وكل منها يحتوي على قطع من الأحجية اللازمة لاتخاذ قرارات صعبة. ولعقود من الزمن، كانت الطريقة القياسية لتحويل هذا الجبل من النصوص إلى قائمة واضحة من الأولويات هي سؤال الخبراء البشريين. حيث كانت مجموعات من المتخصصين تجتمع، وتقرأ الأدبيات، وتصوت على ما هو أكثر أهمية، وغالباً ما تستخدم استطلاعات منظمة أو مناقشات مطولة للوصول إلى إجماع. وبينما نجح هذا النهج في خدمتنا، إلا أنه بطيء ومكلف ويعتمد كلياً على الأشخاص المحددين للمشاركة. وإذا تغير الخبراء، فإن النتائج تتغير أيضاً في كثير من الأحيان. علاوة على ذلك، ومع نمو حجم المعلومات المتاحة بشكل أسرع مما يمكن لأي فريق من البشر قراءته، بدأ هذا الأسلوب التقليدي يصطدم بحائط مسدود.
هناك نهج جديد يظهر يحاول تجاوز "عنق الزجاجة" البشري تماماً. فبدلاً من مطالبة الناس بتقرير ما هو مهم، يطلب هذا النهج من الحاسوب قراءة الوثائق وإيجاد الأنماط بنفسه. وتعتمد الفكرة الجوهرية على قدرتين حديثتين؛ أولاً، يمكن للحواسيب الآن فهم معنى الجمل، وليس فقط الكلمات التي تحتوي عليها، وذلك عن طريق تحويل النص إلى تمثيلات رياضية للسياق. ثانياً، يمكنها رسم خرائط لكيفية ظهور الأفكار المختلفة معاً، مما يكشف عن الروابط الطبيعية بين المفاهيم في عقول الباحثين. ومن خلال الجمع بين هاتين الأداتين، أصبح من الممكن الآن بناء نظام يستخرج العوامل الأكثر حرجاً لاتخاذ قرار ما مباشرة من النص، دون الحاجة إلى خبير بشري واحد للإدلاء بصوت أو ملء استمارة.
قام إيمان مصدق، وهو باحث مستقل في مجال الذكاء الاصطناعي، بتطوير إطار عمل يسمى (FEDRA) لاختبار هذه الفكرة. كان الهدف هو إنشاء نظام يمكنه القراءة التلقائية لمجموعة كبيرة من الأدبيات العلمية، وتحديد العوامل الرئيسية التي تؤثر على قرار معين، وترتيبها حسب الأهمية، وكل ذلك دون تدخل بشري. وللتأكد مما إذا كان هذا ممكناً، طبق الباحث النظام على مشكلة واقعية معقدة: اختيار الموقع الأفضل لمحطة معالجة مياه الصرف الصحي. وهذا قرار يتضمن الموازنة بين العديد من الشواغل المتعارضة، بدءاً من المسافة إلى الأنهار والطرق وصولاً إلى تكلفة الأرض واحتياجات المجتمعات المحلية. جمع الباحث خمسة وعشرين وثيقة علمية نُشرت بين عامي 2012 و2026، بإجمالي يتجاوز 121,000 كلمة. وقد كانت هذه المجموعة بمثابة المادة الخام التي حللها الحاسوب.
بدأت العملية بتغذية النص الكامل لهذه الوثائق في النظام. قام الحاسوب بتفكيك النص إلى جمل وفقرات، ثم استخدم نماذج لغوية متقدمة لفهم المعنى الكامن وراء الكلمات. وبدلاً من البحث عن كلمات مفتاحية محددة، بحث النظام عن تجمعات من الأفكار التي تظهر معاً بشكل متكرر. وقد حدد ثمانية وعشرين عاملاً متميزاً ناقشتها الأدبيات باعتبارها مهمة لاختيار الموقع. لم يتم برمجة هذه العوامل مسبقاً من قبل الباحث؛ بل ظهرت بشكل طبيعي من البيانات. ثم قام النظام بتنظيم هذه العوامل في أربع مجموعات منطقية: سهولة الوصول والطلب، والظروف البيئية والهيدرولوجية، والقيود الهندسية والبنية التحتية، والاعتبارات الاجتماعية والاقتصادية. حدث هذا التصنيف تلقائياً، بناءً على كيفية مناقشة العوامل في علاقتها مع بعضها البعض داخل النص.
بمجرد تحديد العوامل، تعين على النظام تحديد أي منها هو الأكثر أهمية. وقد فعل ذلك من خلال بناء خريطة شبكية للعوامل. في هذه الخريطة، يمثل كل عامل نقطة، وتتصل الخطوط بالعوامل التي تظهر معاً في نفس الجمل أو الفقرات. ثم قام النظام بتحليل هذه الشبكة لمعرفة العوامل الأكثر مركزية. العوامل المرتبطة بالعديد من العوامل المهمة الأخرى حصلت على مرتبة أعلى، تماماً مثل شخص مشهور في شبكة اجتماعية يكون مرتبطاً بالعديد من الأشخاص المؤثرين الآخرين. سمحت هذه الطريقة للنظام بتحديد أولويات العوامل بناءً على أهميتها الهيكلية داخل الأدبيات، بدلاً من مجرد عد عدد مرات ظهور كلمة ما. وكان العامل الأعلى تصنيفاً الذي حدده النظام هو القرب من المسطحات المائية، يليه عن كثب المسافة من الطرق والكثافة السكانية. وتوافقت هذه النتائج بشكل وثيق مع ما خلص إليه الخبراء البشريون تقليدياً، مما يشير إلى أن الحاسوب قد تعلم بنجاح الدروس ذاتها من النص.
للتحقق من النتائج، قارن الباحث قائمة الحاسوب مقابل معيار تم إنشاؤه بواسطة نموذج لغوي كبير، والذي عمل كقارئ ثانٍ مستقل لنفس الوثائق. وأظهرت المقارنة اتفاقاً قوياً بين الطريقتين؛ فقد نجح الحاسوب في تحديد ثمانية وعشرين عاملاً من أصل تسعة وعشرين عاملاً رئيسياً وجدها النموذج المرجعي، بنسبة نجاح تجاوزت ستة وتسعين بالمائة. كما تطابقت ترتيبات هذه العوامل بشكل وثيق، مع وجود ارتباط إحصائي عالٍ يشير إلى أن الحاسوب والنموذج المرجعي اتفقا على أي العوامل كانت الأكثر حرجاً. وأظهر النظام أيضاً أن العوامل التي وجدها كانت متسقة دلالياً، مما يعني أن مجموعات العوامل التي أنشأها كانت منطقية معاً. ورغم أن النظام أغفل عاملاً واحداً يتعلق بالتراث الثقافي والجماليات، إلا أن أداءه العام كان قوياً بما يكفي لإظهار قدرته على إعادة بناء فضاء قرار معنوي من نص غير مهيكل.
تشير الدراسة إلى أنه من الممكن أتمتة اكتشاف عوامل القرار، مما يوفر بديلاً قابلاً للتوسع للجان الخبراء التقليدية. لقد أثبت إطار العمل قدرته على التعامل مع مجموعة متنوعة من الوثائق واستخراج قائمة مهيكلة وقابلة للتفسير من الأولويات دون أي تقييم بشري أو فئات محددة مسبقاً. ومع ذلك، يشير الباحث إلى أن النظام ليس خالياً تماماً من التأثير البشري؛ فجودة المخرجات تعتمد على جودة الوثائق التي يتم تغذيته بها، ولا يزال الباحث مضطراً لاختيار الوثائق التي سيتم تضمينها وكيفية ضبط معايير النظام. لا يحل النظام محل الحاجة إلى الحكم البشري في عملية اتخاذ القرار النهائي، ولكنه يقدم أداة قوية لجمع وتنظيم الأدلة التي توجه تلك القرارات. ومن خلال تحويل مكتبة ضخمة من النصوص إلى قائمة واضحة ومرتبة من العوامل، يمكن لهذا النهج أن يساعد المؤسسات على اتخاذ قرارات أسرع وأكثر اتساقاً في مجالات تتراوح من الهندسة إلى السياسة العامة، شريطة توفر جسد رصين من المعرفة المكتوبة لتحليلها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.