← أحدث الأبحاث
🧬 الأحياء

Crosswalk Task: A naturalistic reinforcement learning paradigm for characterizing real-world risky behavior

يقدم المؤلفون "مهمة عبور الطريق" (Crosswalk Task)، وهي نموذج تعلم تعزيزي طبيعي يستخدم التعلم التعزيزي العكسي لالتقاط الفروق الفردية في تفضيلات المخاطر في العالم الحقيقي بشكل أكثر فعالية مقارنة بالمقاييس السلوكية التجميعية التقليدية.

المؤلفون الأصليون: Jinwoo Jeong, Woo-Young Ahn

نُشر 2026-10-13
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Jinwoo Jeong, Woo-Young Ahn

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

في كل يوم، يتخذ الناس خيارات في أجزاء من الثانية توازن بين السلامة والسرعة. فالمشاة الذين يلقون نظرة خاطفة على سيارة قادمة قبل النزول من على الرصيف يوازنون بين مكافأة محتملة —وهي الوصول إلى الجانب الآخر بسرعة— وبين خطر جسيم. لقد حاول علماء النفس لفترة طويلة فهم سبب اتخاذ بعض الأشخاص لهذه المخاطر بينما ينتظر آخرون، لكن أدواتهم التقليدية غالباً ما تخفق في ذلك. ففي المختبر، قد يطلب الباحثون من الناس ملء استبيان حول استعدادهم للمخاطرة أو جعلهم يلعبون لعبة حاسوبية مبسطة ذات قواعد ثابتة. ومع ذلك، فإن هذه الأساليب غالباً ما تفشل في رصد الواقع المتغير والمعقد للعالم الحقيقي، حيث تعتمد القرارات على بيئة متغيرة وعواقب فورية. ولتجسير هذه الفجوة بين المختبر والحياة، احتاج الباحثون إلى وسيلة لمراقبة كيف يتصرف الناس فعلياً عندما تبدو الرهانات حقيقية، دون القيود الاصطناعية للتجربة المعيارية.

قام فريق من الباحثين في جامعة سيول الوطنية ومعهد جورجيا للتكنولوجيا بتطوير طريقة جديدة لدراسة هذا السلوك تسمى "مهمة ممر المشاة" (Crosswalk Task). فبدلاً من سؤال الناس عما سيفعلونه، أنشأوا محاكاة رقمية حيث يقود المشاركون شخصية عبر سلسلة من الطرق المزدحمة. الهدف بسيط: الوصول إلى أعلى الخريطة بأسرع ما يمكن. لكن المسار مليء بالسيارات المتحركة، والاصطدام ينهي اللعبة فوراً. تجبر هذه المهمة اللاعبين على اتخاذ خيارات ديناميكية مستمرة؛ إذ يمكنهم الاندفاع عبر الشارع، آملين أن تكون الفجوة في حركة المرور واسعة بما يكفي، أو يمكنهم الانتظار عند ممر مشاة مخصص حيث تتوقف السيارات من أجلهم. استخدام ممر المشاة أكثر أماناً ولكنه يستغرق وقتاً أطول، مما قد يعني نفاد الوقت قبل الوصول إلى خط النهاية. أما الاندفاع فهو أسرع ولكنه يحمل خطر التصادم. ومن خلال مراقبة كيفية تنقل الناس عبر هذه الخيارات مراراً وتكراراً، استطاع الباحثون رؤية أسلوبهم الحقيقي في المخاطرة أثناء العمل.

ولتحليل آلاف الحركات والقرارات التي اتخذها 309 بالغاً لعبوا اللعبة، استخدم الباحثون طريقة متطورة تسمى "التعلم المعكوس للتعزيز" (inverse reinforcement learning). في البرنامج الحاسوبي القياسي، أنت تخبر الآلة ما هي المكافأة، وهي تتعلم كيفية الحصول عليها. في هذا النهج، فعل الباحثون العكس تماماً: فقد راقبوا البشر وهم يلعبون وعملوا بشكل عكسي لمعرفة ما كان هؤلاء البشر يقدرونه. لقد بنوا نموذجاً يستنتج "المكافأة" غير المرئية التي يطاردها كل شخص. هل كان هذا الشخص يقدر السرعة لدرجة أنه كان مستعداً لتجاهل الخطر؟ هل كان شخص آخر يقدر السلامة لدرجة أنه أضاع الوقت في انتظار ممر مشاة لم يكن ضرورياً تماماً؟ سمحت هذه الطريقة للفريق بالكشف عن التفضيلات الخفية التي تقود السلوك، بدلاً من مجرد عد النقاط النهائية.

وجدت الدراسة أن هذه التفضيلات الخفية قدمت قصة أكثر وضوحاً بكثير مما فعلت درجات اللعبة البسيطة. فعندما نظر الباحثون في الأرقام الخام —مثل عدد المرات التي اصطدم فيها اللاعب أو مدى ارتفاع إجمالي درجاته— كانت العلاقة بـشخصية المخاطرة العامة للشخص ضعيفة. ومع ذلك، عندما استخدموا النموذج لاستنتاج المكافآت المحددة التي يسعى إليها كل شخص، أصبحت الصورة حادة وواضحة. كشف النموذج أن الأشخاص الذين سجلوا درجات عالية في مقاييس المخاطرة المبلغ عنها ذاتياً هم بالفعل أولئك الذين اختاروا عبور الشارع بشكل غير قانوني باستمرار، حتى في وجود ممر مشاة آمن قريب. والأهم من ذلك، أظهر النموذج أن الاختلافات الفردية في نزعة المخاطرة تنعكس بشكل أقوى في سلوك عبور الطريق تحت ظروف عقوبات التصادم الأعلى. هذا التفصيل، حيث تصبح الصلة بين الشخصية والسلوك أكثر وضوحاً مع زيادة الرهانات، كان تفصيلاً أغفلته درجات اللعبة البسيطة تماماً.

اكتشف الباحثون أيضاً أن الجمع بين أنواع مختلفة من البيانات يعطي أفضل النتائج. فقد اختبروا ما إذا كان النظر في درجات اللعبة فقط، أو المكافآت المستنتجة فقط، أو مزيج من كليهما، سيعطي توقعاً أفضل لشخصية المخاطرة لدى الفرد. وكان المزيج من كل من البيانات السلوكية والمكافآت المستنتجة هو الأفضل، حيث قدم صورة أكثر اكتمالاً للاختلافات الفردية مما يمكن لأي مقياس منفرد توفيره. يشير هذا إلى أنه لفهم كيفية مخاطرة الناس حقاً، نحتاج إلى النظر في ما يفعلونه وفي القيم غير المرئية التي تقود تلك الأفعال. لقد أتاح الفريق برمجيات هذه المهمة مجاناً للعلماء الآخرين، مما يسمح لهم بدراسة اتخاذ القرار في بيئة ديناميكية وطبيعية. ومن خلال الانتقال لما وراء الاختبارات الثابتة وإلى عالم يتغير ويتفاعل، يقدم هذا العمل عدسة جديدة لرؤية كيف نتنقل عبر مخاطر الحياة اليومية.

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 🧬 q-bio →