تحليل المشاعر متعدد الوسائط القائم على الجوانب بشبكة تحفيز ذاكرة واعية بالجودة في التعلم قليل الأمثلة

يتنبأ تحليل المشاعر متعدد الوسائط القائم على الجوانب بقطبية المشاعر المرتبطة بجانب محدد من الموضوع، باستغلال مشترك للمعلومات النصية والبصرية المرافقة، وهو أدق من تحليل المشاعر العام لأنه يربط الحكم بعنصر بعينه داخل المحتوى، غير أن النماذج القائمة قد تتأثر بمحدودية أمثلة التحفيز المتاحة، وبالضوضاء العابرة بين الوسائط، وبالسياق المولد غير الموثوق، وهي مشكلات تتفاقم في إعدادات التعلم قليل الأمثلة حيث تندر البيانات المعلمة الجاهزة لبناء أداء مستقر

ويهم هذا الموضوع الباحثين العرب وطلاب الدراسات العليا في معالجة اللغة الطبيعية والتعلم العميق، إذ تعاني اللغات واللهجات الأقل تمثيلًا في البيانات من ندرة مزمنة في الأمثلة المعلمة، ومن ثم فإن أساليب تستثمر أمثلة قليلة بكفاءة وتتحكم في جودة السياق المولد تحمل قيمة تطبيقية مباشرة لأبحاث تحليل المشاعر العربية

أولًا: أهداف الدراسة ومنهجيتها

اقترحت الدراسة شبكة تحفيز ذاكرة واعية بالجودة تخزن محفزات خاصة بكل عينة مستمدة من مجموعة دعم صغيرة، وتسترجع أدلة تحفيز ذات صلة لكل استعلام وارد، وتستخدم المحفزات المسترجعة لتوجيه توليد سياق واع بالجانب المستهدف، وتضبط بوابة جودة موجهة بالمهمة، تتعلم بصورة غير مباشرة عبر هدف تصنيف المشاعر، إسهام السياق المولد في التنبؤ النهائي، واستخدمت الشبكة وفق البروتوكول الثابت المعتمد في الدراسة 50 مثال دعم معلمًا لبناء ذاكرة المحفزات

ثانيًا: أبرز النتائج

1، حققت الشبكة دقة قدرها 78.6 في المئة ومتوسط إف واحد كلي قدره 74.8 في المئة على مقياس تويتر لعام 2015، ودقة قدرها 72.0 في المئة ومتوسط إف واحد كلي قدره 70.5 في المئة على مقياس تويتر لعام 2017

2، قياسًا إلى صيغة النموذج الخالية من توليد السياق، حسّن النموذج الكامل الدقة ومتوسط إف واحد بمقدار 3.31 و2.83 نقطة مئوية على الترتيب في مقياس عام 2015، وبمقدار 3.84 و3.22 نقطة مئوية في مقياس عام 2017

3، أظهرت تحليلات الاستبعاد وتحاليل المعالم إسهامات كل من استرجاع الذاكرة والاختيار التكيفي للمحفزات وتوليد السياق والدمج الواعي بالجودة في الأداء المتحقق

ثالثًا: دلالات الدراسة وتطبيقاتها

تبين هذه النتائج أن جودة ما يستدعى من الذاكرة وما يولد من سياق لا تقل أهمية عن كميته، وأن بوابة جودة متعلمة عبر هدف المهمة تستطيع حماية التنبؤ من سياق مولد ضعيف الصلة، غير أن المؤلفين ينبهون إلى أن تقويمهم اقتصر على مقياسين تاريخيين من بيانات تويتر وبذرة ثابتة واحدة، فينبغي تفسير النتائج ضمن هذا النطاق التجريبي لا بوصفها دليلًا على تعميم شامل عبر المجالات، وهو ما يدعو إلى دراسات لاحقة تتوسع إلى مجالات ومنصات ولغات أخرى وتختبر الاستقرار عبر بذرات متعددة

ويستمد تحليل المشاعر القائم على الجوانب أهميته من تطبيقات رصد الرأي العام والتجاري، إذ لا تكتفي المؤسسات بمعرفة أن التقييم العام إيجابي أو سلبي بل تحتاج إلى معرفة أي عناصر الخدمة أو المنتج يقود هذا الانطباع، وتزداد هذه الحاجة مع انفجار المحتوى متعدد الوسائط على المنصات الاجتماعية حيث ترافق الصورة النص وتعدل معناه أحيانًا، وفي الوقت نفسه يمثل التعلم قليل الأمثلة اتجاهًا بحثيًا صاعدًا فرضته كلفة التعليق البشري وندرته في لغات ومجالات كثيرة، وقد فتحت النماذج اللغوية الكبيرة وهندسة المحفزات آفاقًا جديدة لهذا الاتجاه، إذ بات ممكنًا توجيه النماذج بأمثلة قليلة مختارة بعناية بدلًا من تدريبها من الصفر، وتقع الشبكة المقترحة في هذه الدراسة عند تقاطع هذين الاتجاهين، مستثمرة الذاكرة والاسترجاع الانتقائي لتعويض ندرة البيانات المعلمة

وترتبط قضية جودة السياق المولد باتجاه أوسع في بحوث توليد النصوص المضبوط بالاسترجاع، حيث يتزايد الاعتراف بأن النماذج المولدة تحتاج إلى مراسي خارجية تقلل انحرافها عن المعطيات الفعلية، وتنسحب هذه الفكرة على تحليل المشاعر إذ يمكن لسياق مولد غير منضبط أن يدخل معلومات مختلقة عن الجانب المستهدف فيشوه الحكم بدلًا من دعمه، ولهذا تبدو بوابات الجودة المتعلمة من هدف المهمة ذاته آلية واعدة للتحكم في هذا الخطر، وتستحق أن تختبر مستقبلًا في مهام قائمة على الجوانب بلغات ووسائط أخرى للتحقق من عمومية فائدتها

وخلاصة القول إن تحفيز الذاكرة الواعي بالجودة يمثل مسارًا فعالًا لتحسين تحليل المشاعر متعدد الوسائط القائم على الجوانب في ظل ندرة الأمثلة، بفضل جمعه بين الاسترجاع الانتقائي وتوليد السياق الموجه والدمج المضبوط ببوابة جودة، مع بقاء تعميم نتائجه خارج مقاييسه المقومة بحاجة إلى تحقق أوسع