أصبحت منصات التواصل الاجتماعي الوسيلة الرئيسة للاتصال وتبادل المعلومات، بما تتيحه من تفاعلات متبادلة بين المستخدمين، غير أن هذه المنصات تشهد في المقابل انتشار محتوى غير لائق وسام يشمل خطاب الكراهية والإهانات، وقد بذلت جهود كبيرة لتصنيف المحتوى السام باللغة الإنجليزية، بينما لم تحظ النصوص العربية بالمستوى نفسه من الاهتمام، وتعالج هذه الدراسة هذه الفجوة ببناء مجموعة بيانات عربية موحدة مصممة خصيصًا لتصنيف التغريدات السامة، وبمقارنة أداء سبعة نماذج للتعلم العميق ونماذج المحولات في هذه المهمة، في خطوة متقدمة نحو كشف السمية في المحتوى العربي على منصات التواصل
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى بناء مجموعة بيانات عربية موحدة لتصنيف التغريدات السامة وتقويم أداء نماذج متعددة في تصنيفها، وقد وُسمت مجموعة البيانات آليًا باستخدام واجهة برمجة التطبيقات الخاصة بمنظور قوقل، وبخبرة ثلاثة متحدثين أصليين بالعربية ولغويين، بما جمع بين الوسم الآلي والتحقق البشري المتخصص، وأجرى الباحثون سلسلة من التجارب باستخدام سبعة نماذج هي الذاكرة الطويلة قصيرة الأجل، والذاكرة الطويلة قصيرة الأجل ثنائية الاتجاه، والشبكة العصبية الالتفافية، والوحدة المتكررة ذات البوابات، والوحدة المتكررة ذات البوابات ثنائية الاتجاه، ونموذج تمثيلات المشفر ثنائي الاتجاه متعدد اللغات، ونموذج أرابيرت، كما وظفت الدراسة تقنيات تضمين الكلمات في تمثيل النصوص، وضبطت النماذج ضبطًا دقيقًا لقياس قدرتها على التمييز بين التغريدات السامة وغير السامة في المحتوى العربي
ثانيًا: أبرز النتائج
أظهرت النتائج التجريبية أن نموذج أرابيرت المضبوط ضبطًا دقيقًا تفوق على أداء النماذج الأخرى جميعًا، محققًا دقة لافتة بلغت 0.9960، وقد تجاوزت قيمة الدقة هذه المناهج المشابهة المبلغ عنها في الأدبيات الحديثة، ما يدل على أن النماذج اللغوية المدربة مسبقًا على النصوص العربية والمتخصصة في خصائصها أقدر على التقاط دلالات السمية وسياقاتها في التغريدات العربية من النماذج المتكررة والالتفافية التقليدية ومن النماذج متعددة اللغات العامة، كما أثبتت مجموعة البيانات المبنية في الدراسة صلاحيتها أساسًا موحدًا لتقويم نماذج تصنيف السمية العربية ومقارنتها مقارنة عادلة، وهي خطوة كانت مفقودة في هذا الحقل الذي اعتمد طويلًا على مجموعات بيانات متفرقة غير موحدة
ثالثًا: دلالات الدراسة وتطبيقاتها
تمثل هذه الدراسة تقدمًا ملموسًا في تصنيف التغريدات السامة العربية، وتسلط الضوء على أهمية معالجة السمية في منصات التواصل الاجتماعي مع مراعاة تنوع اللغات والثقافات، إذ إن أدوات الإشراف على المحتوى التي تعمل بكفاءة في الإنجليزية قد تخفق في العربية لاختلاف البنى اللغوية والسياقات الثقافية وأساليب التعبير عن الإساءة، وتفيد النتائج مطوري أنظمة الإشراف الآلي على المحتوى في المنصات التي تستقبل محتوى عربيًا واسعًا، كما تفيد الباحثين في معالجة اللغة العربية الطبيعية بوصفها مرجعًا لأداء النماذج على مهمة تصنيف السمية، وتدعم في الوقت نفسه جهود بناء بيئات رقمية أكثر أمانًا للمستخدمين الناطقين بالعربية عبر كشف خطاب الكراهية والإهانات كشفًا آليًا عالي الدقة
وتبرز قيمة توحيد مجموعة البيانات في أن بحوث تصنيف السمية العربية عانت طويلًا غياب مرجع قياسي مشترك تقاس عليه النماذج، فتعددت مجموعات البيانات الخاصة بكل دراسة وصعب الحكم على أي نموذج هو الأفضل فعلًا، أما وقد بنيت مجموعة موحدة موسومة بمزيج من الوسم الآلي وخبرة ثلاثة لغويين ناطقين بالعربية، فقد أصبح لدى الحقل أساس مشترك للمقارنة العادلة ولتتبع التقدم عبر الدراسات اللاحقة، كما أن اعتماد تضمين الكلمات في تمثيل النصوص منح النماذج قدرة على التقاط العلاقات الدلالية بين المفردات المسيئة ومرادفاتها وصيغها المتنوعة في التغريدات، وتتسع دلالة النتائج لتشمل حماية فئات أكثر تعرضًا للمحتوى السام على المنصات، إذ إن كشف خطاب الكراهية والإهانات بدقة تقارب الكمال في بيئة الاختبار يقلل زمن بقاء المحتوى المؤذي أمام المستخدمين ويخفف العبء عن فرق الإشراف البشري، ويؤكد في الوقت نفسه أن الاستثمار في الموارد اللغوية الخاصة بكل لغة أجدى من الاعتماد على نماذج عامة متعددة اللغات صممت لعشرات اللغات دفعة واحدة
وخلاصة القول إن بناء مجموعة بيانات عربية موحدة موسومة بخبرة لغوية بشرية ومدعومة بالوسم الآلي، ثم تقويم سبعة نماذج عليها، أظهر تفوق نموذج أرابيرت المضبوط دقيقًا بدقة بلغت 0.9960 على سائر النماذج وعلى مناهج حديثة مشابهة، وهو ما يؤكد أن الاستثمار في موارد لغوية عربية متخصصة ونماذج مدربة على العربية شرط لتطوير أنظمة فعالة لكشف المحتوى السام وحماية فضاءات التواصل العربية
