نموذج هجين جديد: دقة عالية في الكشف عن المشاعر في النصوص باستخدام تقنيات LSTM و RoBERTa

تخيل أنك تتصفح وسائل التواصل الاجتماعي، وتقرأ تعليقًا أو منشورًا، وتحاول أن تفهم ما إذا كان الشخص الذي كتبه سعيدًا، حزينًا، غاضبًا، أم ماذا. غالبًا ما نعتمد على الإشارات الدقيقة في اللغة، والسياق، وحتى علامات الترقيم لفهم المشاعر. لكن هل يمكن لآلة أن تفعل الشيء نفسه؟ هذا هو التحدي الذي يواجهه الباحثون في مجال معالجة اللغة الطبيعية (NLP)، وهو مجال يهدف إلى تمكين أجهزة الكمبيوتر من فهم اللغة البشرية.

النقاط الرئيسية

• تم تطوير نموذج هجين جديد، يُسمى LER (LSTM Enhanced RoBERTa)، لتحسين دقة اكتشاف المشاعر في النصوص.
• يجمع النموذج بين قدرة شبكات الذاكرة طويلة المدى (LSTM) على معالجة التسلسل اللغوي والمعرفة السياقية العميقة التي يوفرها نموذج RoBERTa القائم على المحولات (Transformers).
• أظهر النموذج دقة ملحوظة بلغت 88% على مجموعة بيانات ISEAR، متفوقًا على العديد من النماذج الأساسية الأخرى.
• يمكن أن يكون لهذا النموذج تطبيقات عملية في مجالات مثل أتمتة دعم العملاء، وتشخيص الصحة النفسية، وتحليل وسائل التواصل الاجتماعي.

المنهجية

اكتشاف المشاعر في النصوص مهمة معقدة، لأن المشاعر الإنسانية دقيقة، وغامضة، وتعتمد على السياق. النماذج الحالية غالبًا ما تفشل في فهم هذه الدقائق. للتعامل مع هذه القيود، اقترح الباحثون في هذه الدراسة نموذجًا هجينًا جديدًا، هو LER. يعتمد هذا النموذج على دمج قوتين رئيسيتين في مجال معالجة اللغة الطبيعية: شبكات الذاكرة طويلة المدى (LSTM) ونموذج RoBERTa.

شبكات LSTM هي نوع من الشبكات العصبية المتكررة (RNNs) مصممة خصيصًا للتعامل مع البيانات التسلسلية، مثل النصوص. إنها قادرة على تذكر المعلومات من الخطوات السابقة في التسلسل، مما يسمح لها بفهم السياق بشكل أفضل. RoBERTa، من ناحية أخرى، هو نموذج لغوي كبير يعتمد على بنية المحولات (Transformer). تتميز المحولات بقدرتها على معالجة الكلمات في النص بشكل متوازٍ، مما يسمح لها بالتقاط العلاقات المعقدة بين الكلمات بشكل أكثر فعالية. RoBERTa مدرب مسبقًا على كمية هائلة من البيانات النصية، مما يمنحه فهمًا عميقًا للغة.

قام الباحثون بدمج هاتين التقنيتين من خلال استخدام RoBERTa لاستخراج تمثيلات سياقية للكلمات في النص، ثم تغذية هذه التمثيلات إلى شبكة LSTM. بهذه الطريقة، يمكن لـ LSTM الاستفادة من المعرفة السياقية التي يوفرها RoBERTa، مع الاستمرار في معالجة النص بشكل تسلسلي. تم اختبار النموذج على مجموعة بيانات ISEAR، وهي مجموعة بيانات شائعة الاستخدام في أبحاث اكتشاف المشاعر. تحتوي مجموعة البيانات على نصوص مصنفة حسب المشاعر المختلفة، مثل الغضب، والخوف، والحزن، والفرح.

النتائج

أظهر نموذج LER أداءً مثيرًا للإعجاب على مجموعة بيانات ISEAR، حيث حقق دقة بلغت 88%. هذه النتيجة تتجاوز أداء العديد من النماذج الأساسية الأخرى التي تم اختبارها على نفس مجموعة البيانات. بالإضافة إلى الدقة، قام الباحثون بتقييم أداء النموذج باستخدام مقاييس أخرى، مثل الدقة (Precision)، والاسترجاع (Recall)، ودرجة F1 (F1-score). أظهرت النتائج أن نموذج LER يتفوق على النماذج الأخرى في جميع هذه المقاييس، مما يشير إلى أنه قادر على اكتشاف الإشارات العاطفية المعقدة بشكل فعال.

أظهرت التحليلات أن الجمع بين LSTM و RoBERTa يسمح للنموذج بالتقاط الفروق الدقيقة في اللغة التي قد تفوتها النماذج الأخرى. على سبيل المثال، يمكن للنموذج أن يميز بين الجمل التي تعبر عن السخرية والجمل التي تعبر عن المشاعر الحقيقية. كما أنه قادر على فهم السياق الذي يتم فيه استخدام الكلمات، مما يساعده على تحديد المشاعر بشكل أكثر دقة.

التداعيات

إن تطوير نموذج LER يمثل خطوة مهمة إلى الأمام في مجال اكتشاف المشاعر في النصوص. يمكن أن يكون لهذا النموذج تطبيقات عملية في مجموعة واسعة من المجالات. على سبيل المثال، يمكن استخدامه لأتمتة دعم العملاء من خلال تحليل رسائل البريد الإلكتروني أو الدردشات لتحديد المشاعر التي يعبر عنها العملاء، وبالتالي توجيههم إلى الموارد المناسبة. كما يمكن استخدامه في تشخيص الصحة النفسية من خلال تحليل النصوص التي يكتبها المرضى لتحديد علامات الاكتئاب أو القلق. بالإضافة إلى ذلك، يمكن استخدامه لتحليل وسائل التواصل الاجتماعي لفهم الرأي العام حول موضوع معين، أو لتحديد حالات التنمر الإلكتروني.

يؤكد الباحثون أن هذا النموذج يفتح الباب أمام المزيد من الأبحاث في مجال معالجة اللغة الطبيعية، ويمكن أن يؤدي إلى تطوير نماذج أكثر دقة وفعالية في المستقبل. إن القدرة على فهم المشاعر في النصوص لها إمكانات هائلة لتحسين الطريقة التي نتفاعل بها مع التكنولوجيا، ولجعلها أكثر فائدة وذكاءً.

Reference

Khan B. (2026). A novel hybrid model for emotion detection in text through sequential and transformer-based approaches: LSTM enhanced RoBERTa (LER). Scientific Reports.

DOI: 10.1038/s41598-025-31984-1