تعتمد كثير من منصات الفيديو في استرجاع المقاطع على الأوصاف التي يقدمها من يرفعون هذه المقاطع، غير أن هذا الاعتماد قد يفضي إلى أوصاف غير دقيقة أو ناقصة تضعف جودة الاسترجاع وتجربة المستخدم، وعلى الرغم من قدرة توليد التعليقات الوصفية للفيديو بالتعلم العميق على معالجة هذه المشكلة، فإن له حدودًا معروفة، إذ لا تراعي تقنيات استخراج الإطارات الرئيسة التقليدية طول الفيديو ومحتواه، مما ينتج عنه دقة منخفضة ومتطلبات تخزين عالية وأزمنة معالجة طويلة، فضلًا عن أن دعم اللغة العربية في توليد تعليقات الفيديو ما يزال محدودًا مقارنة باللغات الأخرى، وهو ما دفع هذه الدراسة إلى اقتراح منهج جديد يعالج هذه الجوانب مجتمعة
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى بناء نموذج لتوليد التعليقات الوصفية للفيديو يدعم اللغتين العربية والإنجليزية ويعزز استرجاع المقاطع، مستخدمة تقنية كفؤة لاستخراج الإطارات الرئيسة تجمع بين الأسلوبين الزمني والمحتوائي لتحقيق تعليقات أعلى جودة ومتطلبات تخزين أقل ومعالجة أسرع، واعتمد النموذجان الإنجليزي والعربي إطار تسلسل إلى تسلسل توظف فيه ذاكرة طويلة قصيرة الأجل في وحدتي الترميز وفك الترميز معًا، وقُيّم النموذجان من حيث جودة التعليقات بأربعة مقاييس معروفة هي مقياس بلو، ومقياس ميتيور، ومقياس روج الطولي، ومقياس سايدر، كما قُيّما باستخدام التشابه الجيبي لتحديد ملاءمتهما لاسترجاع الفيديو، بما يوفر صورة شاملة عن الأداء اللغوي والوظيفي للنموذجين في اللغتين
ثانيًا: أبرز النتائج
أظهرت النتائج تفوق النموذج الإنجليزي على النموذج العربي من حيث جودة التعليقات واسترجاع الفيديو، ففي مقاييس بلو وميتيور وروج الطولي وسايدر سجل النموذج الإنجليزي 47.18 و30.46 و62.07 و59.98 على الترتيب، بينما سجل النموذج العربي 21.65 و36.30 و44.897 و45.52 على الترتيب، ويلاحظ أن النموذج العربي تفوق في مقياس ميتيور وحده، أما في استرجاع الفيديو فقد نجح النموذجان الإنجليزي والعربي في استرجاع 67 في المئة و40 في المئة من المقاطع على الترتيب عند مستوى تشابه قدره 20 في المئة، وبينت النتائج أن تقنية استخراج الإطارات الرئيسة المقترحة حسّنت كفاءة المعالجة وقللت متطلبات التخزين مع الحفاظ على جودة مقبولة للتعليقات المولدة في اللغتين
ثالثًا: دلالات الدراسة وتطبيقاتها
تشير هذه النتائج إلى إمكانات تطبيقية واعدة للنموذجين في مجالات مثل سرد القصص المرئي والتعليق الرياضي والمراقبة بالفيديو، إذ يمكن للتعليقات المولدة آليًا أن تدعم فهرسة المحتوى المرئي واسترجاعه بدقة أعلى من الاعتماد على أوصاف الرافعين وحدها، كما تبرز الدراسة فجوة الأداء بين العربية والإنجليزية في مهام توليد التعليقات، مما يحفز مزيدًا من البحث في تطوير موارد لغوية عربية أغنى ونماذج أقدر على التعامل مع خصائص العربية الصرفية والتركيبية، وتفيد النتائج مطوري منصات الفيديو العربية في تبني حلول توليد وصف آلي ترفع جودة البحث والاكتشاف داخل مكتبات مرئية متنامية
وتتضح أهمية المعالجة المقترحة لاستخراج الإطارات الرئيسة حين نتأمل كلفة الأساليب التقليدية، فاستخراج إطارات دون اعتبار لطول الفيديو ومحتواه يعني معالجة كم ضخم من الصور الزائدة عن الحاجة، بما يستهلك مساحات تخزين كبيرة ويطيل زمن التدريب والاستدلال ويخفض دقة التعليقات حين تغيب الإطارات الدالة أو تتكرر إطارات غير مفيدة، أما الجمع بين الأسلوبين الزمني والمحتوائي فيتيح اختيار إطارات ممثلة فعلًا لمضمون المقطع، فينعكس ذلك جودة في الوصف وكفاءة في الموارد معًا، ويمتد أثر الدراسة إلى دعم المحتوى المرئي العربي الذي يعاني شح الموارد والنماذج المتخصصة، إذ توفر الدراسة خط أساس قابلًا للقياس والمقارنة لبحوث توليد التعليقات العربية اللاحقة، بما في ذلك تطوير مجموعات بيانات عربية أكبر وأكثر تنوعًا في المجالات واللهجات والسياقات البصرية، ويمثل دعم العربية في هذا المجال خطوة تتجاوز البعد التقني إلى بعد تمكين المحتوى، إذ تتيح للمكتبات المرئية العربية فهرسة آلية لمقاطعها وتسهل على الباحثين وصناع المحتوى الوصول إلى المواد المصورة وتصنيفها ودراستها، وتفتح أمام المؤسسات الإعلامية العربية إمكانات أرشفة ذكية لمخزونها المرئي المتراكم عبر سنوات طويلة من الإنتاج والبث
وخلاصة القول إن الدراسة تقدم نموذجًا ثنائي اللغة لتوليد تعليقات الفيديو يقوم على استخراج كفؤ للإطارات الرئيسة وإطار تسلسل إلى تسلسل بذاكرة طويلة قصيرة الأجل، وقد أثبت جدواه في تحسين الاسترجاع وجودة الوصف في اللغتين مع بقاء تحديات أمام النموذج العربي تستحق مزيدًا من التطوير والبحث
