Multilingual Artificial Intelligence for Classifying Ethiopian FinTech User Reviews
تقدم هذه الدراسة إطار عمل لغويًا متعدد اللغات وقابلًا للتكرار في مجال معالجة اللغات الطبيعية، بالإضافة إلى مجموعة بيانات منسقة تضم 7,148 مراجعة من قطاع التكنولوجيا المالية الإثيوبي لتصنيف آراء المستخدمين إلى خمس فئات خدمية، مما يثبت أن نموذج AfroXLMR يتفوق على البنيات الأخرى في التعامل مع النصوص الإنجليزية والأمهرية والنصوص المختلطة (code-switched)، مع تسليط الضوء على التحديات المستمرة المتعلقة باختلال توازن البيانات والتباين اللغوي.
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
في الأسواق الرقمية الصاخبة في إثيوبيا، تحدث ثورة هادئة. يستخدم الملايين من الناس الهواتف المحمولة لإرسال الأموال، ودفع الفواتى، وإدارة مدخراتهم من خلال تطبيقات تُعرف باسم التكنولوجيا المالية (FinTech). لقد أوصلت هذه الأدوات الخدمات المصرفية إلى أماكن لم تصل إليها فروع البنوك التقليدية قط، ولكن مع هذا النمو السريع يأتي فيض من التعليقات. ففي كل يوم، يكتب المستخدمون مراجعات على هواتفهم، مشاركين قصص نجاح أو يشكون من أعطال تقنية. وهذه الرسائل لا تُكتب دائمًا بلغة رسمية واحدة؛ بل هي مزيج حيوي من الإنجليزية والأمهرية (اللغة الأكثر انتشارًا في إثيوبيا)، ومزيج فريد من الاثنين معًا، حيث قد تبدأ الجملة بلغة وتنتهي بالأخرى. هذا الإبداع اللغوي يجعل النص غنيًا وبشريًا، ولكنه يجعله أيضًا صعب الفهم للغاية بالنسبة للحواسيب. لسنوات، كان التحدي يتمثل في تعليم الآلات كيفية قراءة هذه الملاحظات المتعددة اللغات والمبعثرة وفهم ما يتحدث عنه المستخدم بالضبط. هل المستخدم سعيد بتصميم التطبيق؟ هل هو غاضب بسبب فشل عملية دفع؟ هل يحتاج إلى مساعدة لتسجيل الدخول؟ بدون إجابة واضحة على هذه الأسئلة، تظل البنوك ومطورو التطبيقات في حالة تخمين، غير قادرين على إصلاح المشكلات المحددة التي تحبط عملاءهم.
لقد شرع فريق من الباحثين في حل هذا اللغز من خلال بناء نظام يمكنه تصنيف هذه المراجعات تلقائيًا إلى خمس فئات متميزة من الخدمات. جمعوا آلاف التعليقات الحقيقية للمستخدمين من سبعة وعشرين تطبيقًا ماليًا إثيوبيًا مختلفًا. كانت المجموعة ضخمة، بدأت بأكثر من ثمانية آلاف مدخل، لكن الباحثين توجب عليهم توخي الحذر؛ فقد قاموا بتنظيف البيانات، وإزالة المكررات والرسائل المزعجة (Spam) والرسائل الفارغة، حتى استقروا على مجموعة صلبة تضم أكثر من سبعة آلاف مراجعة. كانت هذه المراجعات انعكاسًا حقيقيًا لكيفية تحدث الناس: بعضها كُتب بالكامل بالإنجليزية، وبعضها بالأمهرية، والعديد منها كان مزيجًا انسيابيًا من كليهما. ثم علم الباحثون مجموعة من الحواسيب قراءة هذه النصوص وتصنيفها. كانت الفئات محددة: الثناء العام أو الاقتراحات، المشكلات المتعلقة بتصميم التطبيق أو تجربة المستخدم، حالات فشل المعاملات أو المدفوعات، مشكلات تسجيل الدخول أو التحقق من الهوية، والشكاوى المتعلقة بدعم العملاء.
ولمعرفة أي نهج هو الأفضل، اختبر الفريق ثلاثة أنواع مختلفة من الذكاء الحاسوبي. أولاً، جربوا طرقًا أقدم وأبسط تعتمد على البحث عن كلمات وعبارات محددة. بعد ذلك، استخدموا شبكات عصبية أعمق، وهي أنظمة مصممة لتعلم الأنماط كما يفعل الدماغ البشري، ولكن دون السياق المعقد للغة. وأخيرًا، اختبروا نماذج "المحولات" (Transformers) المتقدمة. هذه أنظمة قوية تم تدريبها على كميات هائلة من النصوص من جميع أنحاء العالم، مما يسمح لها بفهم السياق والمعنى وراء الكلمات، حتى عندما تكون تلك الكلمات مختلطة بين اللغات. كان الباحثون صارمين للغاية في كيفية إجراء هذه الاختبارات؛ فقد تأكدوا من أن الحاسوب لم يرَ إجابات الاختبار أثناء عملية التعلم، وذلك لمنع عملية حفظ البيانات (Memorization). كما كان عليهم التعامل مع مشكلة رئيسية: معظم المراجعات كانت عبض عبارات ثناء إيجابية، بينما كانت المراجعات المتعلقة بالإخفاقات الخطيرة مثل فقدان الأموال أو أخطاء تسجيل الدخول قليلة جدًا. ولحل هذه المشكلة، قاموا بموازنة بيانات التدريب بعناية بحيث يولي الحاسوب اهتمامًا متساويًا للمشكلات النادرة دون أن يتسرب هذا التوازن إلى الاختبار النهائي.
أظهرت النتائج فائزًا واضحًا. فالنماذج الأكثر تقدمًا، وتحديدًا تلك المصممة مع مراعاة اللغات الأفريقية، تفوقت على كل شيء آخر. أحد النماذج، الذي تم تدريبه لفهم الفروق الدقيقة في أنماط الكلام الأفريقي، حقق أقوى أداء بنسبة دقة بلغت 96.7% ومقياس F1 كلي (macro-F1) بلغ 96.0%. وتبعه عن كثب نماذج متعددة اللغات قوية أخرى. أما الطرق الأقدم والأبسط والشبكات العصبية القياسية فقد أبلت بلاءً حسنًا، لكنها لم تستطع مضاهاة دقة الأنظمة المتقدمة، خاصة عندما يتعلق الأمر بالمراجعات الصعبة ذات اللغات المختلطة. ووجدت الدراسة أنه بينما كانت الحواسيب ممتازة في قراءة الإنجليزية النقية أو الأمهرية النقية، إلا أنها لا تزال تواجه صعوبة طفيفة في الرسائل التي تعتمد على "التبديل اللغوي" (Code-switching) حيث تُدمج اللغات معًا. وهذا عائق طبيعي، حيث يخلق مزيج اللغات أنماطًا فريدة يصعب تعلمها. كما اكتشف الباحثون أن المراجعات القصيرة جدًا، والتي غالبًا ما تفتقر إلى السياق الكافي، كانت الأكثر صعوبة في تصنيفها بشكل صحيح من قبل الحواسيب.
إن هذا العمل لا يكتفي فقط بترتيب نماذج الحاسوب؛ بل يقدم خارطة طريق واضحة لكيفية التعامل مع المشهد اللغوي الفريد في إثيوبيا. لقد أثبت الباحثون أن هذه النتائج توضح قيمة التمثيلات متعددة اللغات السياقية، بينما تظهر أيضًا أن عدم توازن البيانات، والتباين اللغوي، والمراجعات القصيرة، والقيود في الموارد تظل تحديات مهمة. وبدلاً من مجرد استخدام أدوات صُممت للمتحدثين بالإنجليزية وتوقع عملها بشكل مثالي على المراجعات الإثيوبية، تقترح الدراسة أن الأنظمة تحتاج إلى ضبط لتناسب اللغات المحلية والطريقة التي يمزج بها الناس لغاتهم فعليًا. كما سلطت الدراسة الضوء على أنه بينما يمكن للتكنولوجيا تصنيف هذه المراجعات بدقة عالية، إلا أنها ليست حلاً مثاليًا. يعمل النظام بشكل أفضل عندما يكون هناك توازن جيد في البيانات وعندما تكون المراجعات طويلة بما يكفي لتوفير السياق. وبالنسبة للبنوك ومطوري التطبيقات في إثيوبيا، يعني هذا أن لديهم الآن وسيلة موثوقة لتصنيف آلاف شكاوى واقتراحات العملاء تلقائيًا، وتحديد المستخدمين الذين يواجهون مشاكل في المدفوعات أو تسجيل الدخول بدقة لكي يتمكنوا من حلها بسرعة. وتخلص الدراسة إلى أنه بينما حقق الذكاء الاصطناعي قفزة هائلة في فهم هذه المحادثات المعقدة ومتعددة اللغات، إلا أن الرحلة لم تنتهِ بعد؛ فالتكنولوجيا جاهزة للمساعدة، لكنها لا تزال بحاجة إلى المزيد من البيانات، خاصة للمراجعات المختلطة اللغات، لتصبح خالية من العيوب تمامًا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.