💻 علوم الحاسوب

CarbonCrediBERT: Expert-Guided Few-Shot and Selective Classification of Carbon Credit Disclosures

تقترح الورقة البحثية CarbonCrediBERT، وهو إطار عمل لمعالجة اللغات الطبيعية بتوجيه من الخبراء يجمع بين تصنيف متخصص، وأمثلة سلبية صعبة، ونماذج مخصصة للمهام سواء عبر التعلم من أمثلة قليلة أو الضبط الدقيق، وذلك لتصنيف صلة أرصدة الكربون والمشاعر المتعلقة بها واستخدامها في الإفصاحات المؤسسية بدقة، مع تحديد الحالات غير المؤكدة بشكل انتقائي للمراجعة البشرية.

المؤلفون الأصليون: Hang Thanh Bui, Eric Lee, Megan C Evans

نُشر 2026-11-11

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Hang Thanh Bui, Eric Lee, Megan C Evans

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

أصبحت التقارير المؤسسية مزدحمة بشكل متزايد بالوعود المتعلقة بالمناخ. ومع مطالبة الحكومات والمستثمرين بمزيد من الشفافية، تكتب الشركات باستفاضة عن أهدافها للوصول إلى "صافي انبعاثات صفري" وخططها للتحول بعيداً عن الوقود الأحفوري. وضمن هذه الوثائق الطويلة، يظهر نوع معين من الأدوات المالية بشكل متكرر: ائتمان الكربون. هذه الائتمانات هي شهادات قابلة للتداول تمثل طنًا واحدًا من ثاني أكسيد الكربون الذي تمت إزالته من الغلاف الجوي أو مُنع من دخوله. تشتري الشركات هذه الشهادات وتلغيها لتعويض تلوثها الخاص، زاعمة أنه مقابل كل طن تنبعث منه، فقد دفعت مقابل طن آخر ليتم تنظيفه في مكان آخر. ومع ذلك، فإن اللغة المستخدمة لوصف هذه الائتمانات مخادعة؛ فالكلمات نفسها التي تشير إلى شراء ائتمان كربوني — مثل "ائتمان" (credit)، أو "تعويض" (offset)، أو "صافي" (net) — تظهر أيضًا في سياقات مختلفة تمامًا، مثل الخدمات المصرفية، أو المحاسبة، أو استراتيجية المناخ العامة. فجملة تتحدث عن "مخاطر الائتمان" لا علاقة لها بالبيئة، تمامًا كما أن ذكر "صافي الفائدة" هو أمر مالي بحت. هذا الغموض يجعل من المستحيل تقريبًا على المستثمرين أو المنظمين مسح آلاف التقارير بسرعة لمعرفة ما تفعله الشركة فعليًا بائتمانات الكربون، أو ما إذا كانت تستخدمها على الإطلاق.

قام باحثون من جامعة نيو ساوث ويلز وفيرسينترا بتطوير أداة جديدة لقطع هذا الارتباك، تهدف إلى تعليم الحواسيب كيفية قراءة التقارير المؤسسية بنفس العين الدقيقة التي يستخدمها الخبير البشري. وقد أطلقوا على نظامهم اسم "CarbonCrediBERT". وبدلاً من مجرد البحث عن الكلمات المفتاحية، الذي غالبًا ما يؤدي إلى إنذارات خاطئة، صُمم هذا النظام لفهم السياق الكامل للفقرة. فهو يطرح ثلاثة أسئلة محددة حول أي نص يقرأه: هل تتحدث هذه الفقرة بالفعل عن ائتمانات الكربون؟ وإذا كان الأمر كذلك، هل النبرة إيجابية أم سلبية أم محايدة؟ وأخيرًا، هل تقول الشركة إنها تستخدم هذه الائتمانات بالفعل، أم أنها تتحدث عنها فحسب؟ وللإجابة على هذه الأسئلة، لم يعتمد الفريق على كميات هائلة من البيانات الموجودة مسبقًا، والتي غالبًا ما تكون غير متوفرة لمثل هذا الموضوع المحدد، بل استخدموا طريقة تسمى "التعلم بتوجيه الخبراء"، حيث قام متخصصون بشريون بتصنيف مجموعة صغيرة من الأمثلة لتعليم الكمبيوتر ما يبحث عنه. كما تضمنوا "سلبيات صعبة" (hard negatives) — وهي أمثلة تبدو وكأنها مناقشات حول ائتمان الكربون ولكنها تتعلق بشيء آخر، مثل الضرائب أو الأهداف المناخية العامة — لتدريب النظام على تمييز الفرق.

اختبر الباحثون نظامهم على تقارير أفضل 100 شركة مدرجة في بورصة أستراليا، مغطيةً التقارير السنوية والمناخية وتقارير الاستدامة المنشورة في عامي 2024 و2025. بدأوا باستخراج آلاف الجمل التي تحتوي على كلمات مفتاحية ذات صلة، ثم حصروا ذلك في مجموعة متوازنة تضم أكثر من 15,000 فقرة. ومن هذه المجموعة، قام خبراء بشريون بتصنيف 100 فقرة بدقة لكل مهمة من المهام الثلاث لتكون بمثابة مجموعة تدريب. ثم قارن الفريق بين نماذج حاسوبية مختلفة لمعرفة أي منها يتعلم بشكل أفضل من هذا القدر الصغير من توجيه الخبراء. ووجدوا أنه لا يوجد نموذج واحد مثالي لكل مهمة. فبالنسبة للمهمة الأولى — تحديد ما إذا كانت الفقرة ذات صلة بائتمانات الكربون — كان النموذج الذي تم تدريبه مسبقًا على قدر هائل من النصوص المتعلقة بالمناخ هو الأفضل أداءً، حيث حدد الفقرات ذات الصلة بدقة عالية. ومع ذلك، بالنسبة للمهام الأكثر دقة مثل تحديد النبرة (المشاعر) وتحديد ما إذا كانت الشركة تستخدم الائتمانات بالفعل، نجح نهج مختلف بشكل أفضل. هذا النهج الثاني، المعروف باسم "التعلم القليل العينات" (few-shot learning)، سمح للنموذج بالتعلم من خلال مقارنة أزواج من الأمثلة بدلاً من حفظ كميات هائلة من النصوص، وقد ثبتت فاعليته في فهم الفروق الدقيقة في كيفية وصف الشركات لأفعالها.

على الرغم من هذه النجاحات، كشفت الدراسة أيضًا عن حدود كبيرة لما يمكن للحاسوب القيام به بمفرده. فعندما حاول الباحثون جعل النظام يقرر متى يكون واثقًا بما يكفي لإعطاء إجابة دون مساعدة بشرية، كانت النتائج مختلطة. فبالنسبة لمهمة رصد الفقرات ذات الصلة، استطاع النظام قبول معظم الإجابات تلقائيًا مع معدل خطأ منخفض، لكنه لا يزال يرتكب أخطاء في الحالات الأكثر صعوبة. أما بالنسبة لمهام الحكم على المشاعر واستخدام الائتمان، فلم يتمكن النظام من إيجاد عتبة آمنة لأتمتة العملية؛ إذ خلط كثيرًا بين خطة الشركة لاستخدام الائتمانات وبين بيان يفيد بأنها قد استخدمتها بالفعل، أو واجه صعوبة في التمييز بين التقرير المحايد والتقرير السلبي. وفي الواقع، فات النظام المثال الوحيد للمشاعر السلبية في مجموعتهم الاختبارية، حيث صنفه على أنه إيجابي. وهذا يشير إلى أنه بينما يمكن للتكنولوجيا المساعدة في تصفية الضجيج، إلا أنها لا يمكنها بعد استبدال الحكم البشري، خاصة عندما يكون النص غامضًا أو عندما تكون الشركة غامضة بشأن أفعالها.

كما نظر الباحثون في كيفية تغير اللغة في هذه التقارير بين عامي 2024 و2025. ووجدوا أنه بينما تظل المصطلحات العامة مثل "صافي الانبعاثات الصفري" و"ائتمان الكربون" هي الأكثر شيوعًا، فقد كان هناك ارتفاع ملحوظ في ذكر أساليب محددة لإزالة الكربون، مثل تجديد الغابات، وإدارة التربة، والتقاط غاز مكبات النفايات. ومع ذلك، تؤكد الدراسة أن ذكر هذه الأساليب لا يعني تلقائيًا أن الشركة تستخدم ائتمانات الكربون؛ فقد تكون مجرد وصف لمشروع دون وجود معاملة مالية مرتبطة به. هذا التمييز أمر بالغ الأهمية لأن اللوائح تزداد صرامة، مما يتطلب من الشركات أن تكون أكثر تحديدًا بشأن كيفية استخدامها للائتمانات لتحقيق أهدافها المناخية. وتخلص الدراسة إلى أنه بينما يمكن لأدوات مثل "CarbonCrediBERT" تنظيم وتسليط الضوء على الأدلة داخل هذه الوثائق الضخمة، فإن المسؤولية النهائية عن تفسير الادعاءات وضمان نزاهتها لا تزال تقع على عاتق الخبراء البشريين. فالنظام يعمل كعدسة قوية لتركيز الانتباه على الفقرات الصحيحة، لكنه لا يمكنه بعد استبدال الحاجة إلى التدقيق البشري الدقيق فيما تعنيه تلك الفقرات حقًا.

CarbonCrediBERT: Expert-Guided Few-Shot and Selective Classification of Carbon Credit Disclosures

ملخص تقني: CarbonCrediBERT

بيان المشكلة

المنهجية

المساهمات الرئيسية

النتائج

الأهمية والادعاءات