نموذج StanceMoE يحقق دقة 94.26% في تحديد "من يقف مع من" في رواية النكبة

نموذج ذكاء اصطناعي جديد يُدعى "StanceMoE"، مبني على بنية خليط الخبراء (Mixture-of-Experts) بستة رؤوس متخصصة، سجّل نتيجة لافتة بلغت 94.26% في مقياس دقة (F1) الكلي، في واحد من أصعب اختبارات كشف الموقف الحاسوبي (Computational Stance Detection). المهمة هنا ليست مجرد فهم ما يقوله نص عن حدث تاريخي مثير للجدل، بل تحديد من يقول ذلك، وما هو موقفه الفعلي.

الاختبار المعني هو "StanceNakba 2026 Subtask A"، وهو مجموعة بيانات (Dataset) تضم 1,401 نصًا باللغة الإنجليزية، موسومة يدويًا (Annotated) بعناية لدراسة كشف الموقف على مستوى الفاعل (Actor-Level Stance Detection) حول النكبة، أي تهجير الفلسطينيين عام 1948. وهذه المهمة تختلف جوهريًا عن تصنيف المشاعر أو المواضيع التقليدي، لأنها لا تكتفي بوضع علامة "إيجابي" أو "سلبي" أو "محايد" على نص، بل تتطلب من النموذج أن يربط الموقف بمتحدث أو مصدر محدد. هذا الفرق بالغ الأهمية لكل من يبني أدوات لتتبع كيف تُصوّر أطراف مختلفة، من وسائل إعلام إلى شخصيات سياسية، الأحداث التاريخية والجيوسياسية المتنازع عليها.

بنية تجعله مختلفًا

ما يميز StanceMoE عن المحاولات السابقة هو تصميمه الداخلي. فالنموذج مبني فوق مُرمِّز BERT مضبوط دقيقًا (Fine-tuned BERT Encoder)، لكنه لا يعتمد على مصنّف واحد ضخم يقوم بكل العمل. بدلًا من ذلك، يوجّه كل نص مُدخل عبر ستة وحدات خبيرة متخصصة (Expert Modules)، كل واحدة منها مصممة لرصد إشارة لغوية مختلفة: التوجه الدلالي العام للنص، الإشارات اللفظية البارزة، التركيز على مستوى الجملة الفرعية (Clause-level)، الأنماط على مستوى العبارات، مؤشرات التصوير أو التأطير (Framing)، وأخيرًا التحولات الخطابية القائمة على التضاد، وهي تلك الصياغات التي تبدأ بكلمات مثل "لكن" أو "مع ذلك" أو "بالرغم من"، والتي غالبًا ما تنبئ بانقلاب في الموقف الرقيق للنص.

ثم تأتي آلية بوابية واعية بالسياق (Context-aware Gating Mechanism) لتقرر، لكل نص على حدة، أي الخبراء يجب أن يُعطى وزنًا أكبر في القرار النهائي. بهذا الشكل، يستطيع النموذج تكييف استراتيجيته التحليلية حسب خصائص النص الذي يعالجه، بدلًا من معالجة كل النصوص بالطريقة نفسها.

هذا التوجيه التكيفي (Adaptive Routing) هو ما بدا حاسمًا في تفوق النموذج على البدائل التي قورن بها. وبحسب مؤلفي الورقة البحثية، تجاوز StanceMoE أداء المصنفات التقليدية الأساسية (Baseline Classifiers)، وأيضًا نماذج أخرى قائمة على BERT لكنها تفتقر إلى طبقة توجيه خليط الخبراء. والاستنتاج هنا مهم: كشف الموقف، خصوصًا عند الحاجة لتحديد "من يعتقد ماذا"، يستفيد أكثر من الجمع بين خبراء متخصصين صغار، أكثر مما يستفيد من تكبير مُرمِّز عام واحد.

لماذا يهم التصوير الإعلامي هنا

رصد التصوير اللغوي (Linguistic Framing) حول أحداث كالنكبة يُعد من أعقد مشكلات معالجة اللغة الطبيعية (NLP)، لأن الادعاء الواقعي نفسه قد يحمل دلالات مختلفة تمامًا بحسب اختيار الكلمات، وبنية الجملة، وأدوات الربط الخطابية. نموذج قادر على فصل هذه الإشارات بعضها عن بعض، بدلًا من دمجها في تمثيل واحد غير متمايز، يكون أقدر أيضًا على تفسير قراره، لأن نمط تفعيل كل خبير يقدّم جزءًا من تفسير سبب اختيار موقف معين.

قُبل هذا البحث ضمن أعمال ورش العمل التابعة للمؤتمر الدولي الخامس عشر لموارد اللغة وتقييمها (LREC 2026)، ما يضعه في سياق أوسع من الدفعة الأكاديمية نحو بناء معايير قياس أكثر دقة وواعية بالفاعل لتحليل الموقف والتصوير الإعلامي. ونظرًا لحساسية الموضوع المطروح، فإن القيمة العملية لـ StanceMoE لن تُقاس فقط بنتيجة الدقة التي حققها، بل بمدى قدرة بنيته القائمة على الخبراء على التعميم خارج بيانات النكبة التي دُرّب واختُبر عليها، لتشمل قضايا مستقطبة أخرى.