التواجد المشترك: كيف تكشف البيانات خبايا العقل؟

مدرس الدكتور محمد لوتي

المحتويات:

التواجد المشترك (Co-occurrence)

Primary Disciplinary Field(s): الإحصاء، اللسانيات الحاسوبية، استرجاع المعلومات، تنقيب البيانات، تحليل الشبكات.

1. التعريف الجوهري

يمثل مفهوم التواجد المشترك (Co-occurrence) أحد الركائز الأساسية في تحليل البيانات الكمية والنصوص، ويُعرّف على أنه الظهور المتزامن أو المتتابع لكيانين أو أكثر (مثل الكلمات، الأحداث، الكيانات) ضمن نطاق محدد سلفاً يُعرف باسم “النافذة السياقية” أو “مجال الملاحظة”. هذا المفهوم لا يقيس مجرد التكرار الفردي للكيانات، بل يقيس العلاقة الارتباطية بينها؛ فكلما زاد معدل تواجد كيانين معاً في سياقات مختلفة، زادت احتمالية وجود علاقة دلالية أو وظيفية قوية تربط بينهما. يعتبر التواجد المشترك أداة قوية لاستنتاج الارتباطات الخفية وتحديد الأنماط الهيكلية في مجموعات البيانات الضخمة، سواء كانت هذه البيانات نصوصاً طبيعية، سجلات معاملات تجارية، أو بيانات بيولوجية.

في أبسط صوره الإحصائية، يمكن النظر إلى التواجد المشترك كقياس للاحتمال المشترك (Joint Probability) لحدثين. فإذا كنا نحلل نصاً، فإن تواجد الكلمتين ‘سيارة’ و ‘سائق’ في جملة واحدة أو فقرة واحدة بمعدل عالٍ يشير إلى تقارب دلالي أو موضوعي بينهما، مما يتيح للأنظمة الآلية فهم السياق وتصنيف المحتوى بشكل أكثر دقة. إن القوة التحليلية للتواجد المشترك تكمن في قدرته على تحويل العلاقات النوعية (مثل المعنى والسياق) إلى قيم كمية قابلة للحساب، مما يفتح الباب أمام تقنيات معقدة مثل الدلالات التوزيعية (Distributional Semantics) وبناء نماذج تمثيل الكلمات المتجهة (Word Embeddings).

تعتمد دقة قياس التواجد المشترك بشكل حاسم على تحديد النافذة السياقية. ففي بعض التطبيقات، قد تكون هذه النافذة هي الجملة بأكملها، وفي تطبيقات أخرى قد تكون مدى محدوداً من الكلمات قبل وبعد الكيان المركزي (مثلاً، كلمتان على اليسار وكلمتان على اليمين). إن اختيار النافذة المناسبة يؤثر مباشرة على نوع العلاقة التي يتم التقاطها؛ حيث تميل النوافذ الصغيرة إلى التقاط العلاقات التركيبية (النحوية) والتشابه الدلالي المباشر (مثل المرادفات)، بينما تميل النوافذ الأكبر إلى التقاط العلاقات الموضوعية والارتباطات المفاهيمية العامة. ولذلك، فإن التعريف الجوهري للتواجد المشترك يجب أن يتضمن دائماً الإشارة إلى الحدود المنهجية التي يتم ضمنها قياس هذا التزامن.

2. السياق التاريخي والتطور الإحصائي

تعود الجذور الفكرية لمفهوم التواجد المشترك إلى أوائل القرن العشرين، وتحديداً في مجال الإحصاء واللغويات. إحصائياً، كان المفهوم يندرج تحت دراسة الارتباطات والاقتران بين المتغيرات. لكن التحول الأهم حدث في اللغويات مع أعمال جون روبرت فيرث (J. R. Firth) في خمسينيات القرن الماضي، الذي صاغ مقولته الشهيرة: “ستعرف الكلمة من خلال الشركة التي تصاحبها” (You shall know a word by the company it keeps). هذه المقولة رسخت الأساس النظري للدلالات التوزيعية، حيث افترضت أن معنى الكلمة لا يمكن عزله، بل يتشكل من خلال مجموع السياقات التي تتواجد فيها، وأن الكلمات ذات المعاني المتشابهة تميل إلى التواجد المشترك مع نفس مجموعة الكلمات الأخرى.

في البدايات، كانت حسابات التواجد المشترك تتم يدوياً أو باستخدام تقنيات إحصائية بسيطة، مركزة على تحليل المتون اللغوية الصغيرة. ومع ظهور الحوسبة وتطور تقنيات لسانيات المتون (Corpus Linguistics) في السبعينيات والثمانينيات، أصبح بالإمكان بناء مصفوفات تواجد مشترك ضخمة (Co-occurrence Matrices) تسجل ترددات التزامن بين آلاف الكلمات. هذه المصفوفات شكلت الأساس الذي بنيت عليه أولى نماذج معالجة اللغة الطبيعية (NLP) التي تهدف إلى فهم العلاقات الدلالية بشكل آلي.

شهد التطور الإحصائي للمفهوم نقلة نوعية مع الحاجة إلى تجاوز مجرد الترددات الخام. فالتواجد المشترك الخام يعاني من مشكلة التحيز لصالح الكلمات عالية التردد (مثل أدوات الربط وحروف الجر)، والتي قد تتواجد مع أي كلمة أخرى دون أن يكون لذلك دلالة قوية. لمعالجة هذا القصور، ظهرت مقاييس متقدمة مثل معلومات التبادل المشترك (Mutual Information) ومشتقاته، والتي تقيس مدى قوة الارتباط بين الكيانين مقارنة باحتمالية ظهورهما بشكل مستقل أو عشوائي. وقد كان لهذا التطور الرياضي دور محوري في تمكين النماذج الحاسوبية الحديثة من استخلاص دلالات أكثر عمقاً ودقة.

3. المبادئ الرياضية والإحصائية

يعتمد التحليل الفعال للتواجد المشترك على مجموعة من المقاييس الرياضية التي تهدف إلى تكميم قوة العلاقة بين الكيانات. لنفترض أن لدينا كيانين A و B، ونسعى لقياس مدى ارتباطهما ضمن مجموعة بيانات معينة. المبدأ الأساسي هو بناء مصفوفة التواجد المشترك (X)، حيث يمثل كل مدخل X(A, B) عدد المرات التي ظهر فيها A و B معاً.

من أبرز المقاييس المستخدمة:

التردد المشترك الخام (Raw Co-occurrence Frequency): وهو العدد البسيط لمرات ظهور A و B معاً. على الرغم من سهولته، إلا أنه غير فعال في تحديد العلاقات القوية لأنه يتأثر بشدة بالتردد العام للكلمات.
احتمال التواجد المشترك (Joint Probability): يُحسب بقسمة التردد المشترك على الحجم الكلي للمتن. P(A, B) = Count(A, B) / N. هذا المقياس يعطي مؤشراً على مدى شيوع هذا الاقتران، ولكنه لا يزال لا يزيل تأثير الترددات العالية.
معلومات التبادل المشترك (Mutual Information – MI): يُعتبر هذا المقياس الأكثر شيوعاً لتحديد قوة الارتباط. يقارن MI احتمال التواجد المشترك P(A, B) باحتمال ضرب ظهورهما بشكل مستقل P(A) * P(B). إذا كانت القيمة عالية، فهذا يعني أن ظهورهما معاً ليس عشوائياً، بل هناك ارتباط قوي يدفعهما للظهور سوية. رياضياً، تُحسب MI بواسطة اللوغاريتم: MI(A, B) = log [ P(A, B) / (P(A) * P(B)) ].
معلومات التبادل المشترك النقطية (Pointwise Mutual Information – PMI): هي نسخة من MI تُستخدم عادةً في نماذج اللغة. تركز PMI على قياس ارتباط زوج محدد من الكلمات، وتُستخدم بشكل واسع في بناء المتجهات الدلالية. يتم استخدام PMI الإيجابي (PPMI) غالباً للتخلص من الارتباطات السلبية غير المفسرة دلالياً.

تتطلب جميع هذه المقاييس خطوة حاسمة تُعرف باسم التطبيع (Normalization)، حيث يتم تعديل الترددات المشتركة لتقليل تأثير عوامل مثل طول المستند أو حجم المتن الكلي. يضمن التطبيع أن العلاقات المستخلصة تعكس القوة الدلالية الحقيقية بدلاً من مجرد الاختلافات في حجم البيانات أو تكرار العناصر الفردية. هذه الدقة الرياضية هي ما يمكّن التواجد المشترك من أن يكون أساساً لبناء نماذج تعلم الآلة المعقدة.

4. التطبيقات في اللسانيات الحاسوبية

يُعد التواجد المشترك حجر الزاوية في مجال اللسانيات الحاسوبية (Computational Linguistics) ومعالجة اللغة الطبيعية (NLP). إن الفكرة الأساسية وراء النماذج الدلالية الحديثة، مثل نماذج الفضاء المتجهي (Vector Space Models)، هي أن كل كلمة يمكن تمثيلها كمتجه رقمي (قائمة من الأرقام) يعكس سياقاتها التوزيعية، وهذه السياقات تُستمد مباشرة من مصفوفات التواجد المشترك.

من أهم تطبيقاته:

الدلالات التوزيعية (Distributional Semantics): حيث يتم تمثيل الكلمات بمتجهات تحتوي على مقاييس التواجد المشترك مع آلاف الكلمات الأخرى في المتن. يؤدي هذا إلى إنشاء فضاء دلالي؛ وكلما كان المتجهان متقاربين (حسب مقياس التشابه مثل تشابه جيب التمام)، كانت الكلمتان أكثر ارتباطاً دلالياً (مثل ‘طبيب’ و ‘ممرض’).
نماذج النوايا المتجهة (Word Embeddings): على الرغم من أن نماذج مثل Word2Vec وGloVe تستخدم آليات تعلم عميق، إلا أنها في جوهرها تهدف إلى تحسين وتكثيف المعلومات المستخلصة من مصفوفات التواجد المشترك الضخمة. نموذج GloVe، على سبيل المثال، مصمم صراحة لترميز المعلومات التوزيعية العالمية المستمدة من مصفوفة التواجد المشترك في متجهات منخفضة الأبعاد.
التعرف على الكيانات المسماة (Named Entity Recognition): يساعد تحليل التواجد المشترك في تحديد السياقات النمطية التي تظهر فيها أسماء الأشخاص أو المواقع أو المنظمات، مما يعزز دقة أنظمة استخراج المعلومات.
تصنيف النصوص وتجميعها (Text Classification and Clustering): تُستخدم مصفوفات تواجد الكلمات/الوثائق (Term-Document Co-occurrence) لتحديد الموضوعات الرئيسية في مجموعة من المستندات. المستندات التي تشترك في معدلات تواجد مشتركة عالية لنفس المصطلحات الأساسية يتم تجميعها في مجموعات موضوعية واحدة.

لقد سمح اعتماد التواجد المشترك في اللسانيات الحاسوبية بتطوير أنظمة ترجمة آلية أكثر سلاسة، ومحركات بحث أكثر فهماً للسياق، وأدوات تحليل مشاعر قادرة على فهم الفروق الدقيقة في اللغة البشرية بناءً على كيفية اقتران الكلمات ببعضها البعض.

5. دور التواجد المشترك في استرجاع المعلومات

في مجال استرجاع المعلومات (Information Retrieval)، يلعب التواجد المشترك دوراً حيوياً يتجاوز مجرد مطابقة الكلمات المفتاحية. فمحركات البحث الحديثة تستخدم آليات قائمة على التواجد المشترك لفهم نية المستخدم وتحسين جودة النتائج.

إحدى الآليات الرئيسية هي توسيع الاستعلام (Query Expansion). إذا بحث المستخدم عن “علاج السكري”، فإن نظام البحث قد يستخدم مصفوفات التواجد المشترك لتحديد مصطلحات وثيقة الصلة تظهر بشكل متزامن مع هذه الكلمات في الوثائق المرجعية (مثل: ‘الأنسولين’، ‘حمية’، ‘جلوكوز’). ثم يقوم النظام بتوسيع الاستعلام الأصلي ليشمل هذه الكلمات المرتبطة، مما يزيد من فرصة العثور على وثائق ذات صلة حتى لو لم تحتوي على الكلمات الأصلية بالضبط. هذا يضمن تغطية أوسع للموضوع.

بالإضافة إلى ذلك، يُستخدم التواجد المشترك في بناء خرائط الموضوعات (Topic Maps) ونماذج الموضوعات (Topic Modeling)، مثل نموذج تخصيص ديريشلت الكامن (LDA). تعتمد هذه النماذج على فرضية أن المستندات تتكون من مزيج من الموضوعات، وأن كل موضوع يتميز بمجموعة من الكلمات التي تميل إلى التواجد المشترك بشكل متكرر داخله. تحليل هذه الأنماط المتزامنة يسمح للنظام باستخراج الهياكل الموضوعية الكامنة في مجموعات البيانات النصية الضخمة، وهو أمر ضروري لتصنيف الوثائق وترتيبها.

كما يساهم التواجد المشترك في تقييم مدى جودة الوثائق. فالوثيقة التي تحتوي على تواجد مشترك قوي ومتسق بين مصطلحات متخصصة تشير إلى أنها وثيقة متماسكة وموضوعية. على النقيض، إذا كانت الكلمات تظهر عشوائياً أو كان التواجد المشترك ضعيفاً، قد يشير ذلك إلى تدني جودة المحتوى أو تشتت الموضوع.

6. التحليل الشبكي وعلم الاجتماع

يمتد استخدام مفهوم التواجد المشترك إلى ما هو أبعد من تحليل النصوص ليصل إلى مجال تحليل الشبكات (Network Analysis) في علم الاجتماع، وعلم البيانات بشكل عام. في هذا السياق، لا يقيس التواجد المشترك اقتران الكلمات، بل يقيس اقتران الكيانات الاجتماعية أو الأحداث أو الميزات.

شبكات التواجد المشترك للكيانات (Entity Co-occurrence Networks): تُستخدم هذه الشبكات لتحليل العلاقات بين الأفراد أو المنظمات أو المواقع الجغرافية. على سبيل المثال، في تحليل شبكات المؤتمرات، إذا ظهر اسما باحثين معاً في نفس الورقة البحثية أو نفس اللجنة، يُسجل ذلك كتواجد مشترك، ويتم بناء شبكة حيث تمثل العقد الباحثين وتمثل الحواف علاقة التواجد المشترك. قوة العلاقة تُحدد بعدد مرات التواجد المشترك.
الشبكات ثنائية الأطراف (Bipartite Networks): في هذه الشبكات، يُمثل التواجد المشترك العلاقة بين نوعين مختلفين من العقد. فمثلاً، يمكن تحليل علاقة تواجد مشترك بين المستخدمين (الطرف الأول) والأفلام التي شاهدوها (الطرف الثاني). هذا التحليل هو أساس أنظمة التوصية (Recommender Systems)، حيث يتم استنتاج أن المستخدمين الذين يتواجدون مشتركاً مع نفس مجموعة الأفلام قد تكون لديهم اهتمامات متشابهة.

في علم الاجتماع، يساعد تحليل التواجد المشترك في فهم ديناميكيات المجموعات والروابط بين الأفكار. فعلى سبيل المثال، يمكن تحليل المقالات الإخبارية لتحديد الكلمات التي تتواجد مشتركاً مع أسماء سياسيين معينين، مما يكشف عن الإطار المفاهيمي (Framing) المستخدم لوصفهم في الخطاب العام. هذا التنوع في التطبيقات يؤكد أن التواجد المشترك هو مفهوم منهجي أساسي لتحويل البيانات المتفرقة إلى هياكل علاقات قابلة للقياس والتحليل.

7. الانتقادات والقيود المنهجية

على الرغم من الأهمية الكبيرة لمفهوم التواجد المشترك، فإنه لا يخلو من القيود المنهجية والنقد الذي يجب أخذه بعين الاعتبار عند استخدامه في التحليل:

الاعتماد على حجم المتن والجودة: تتأثر دقة مصفوفات التواجد المشترك بشكل مباشر بحجم المتن أو مجموعة البيانات المستخدمة. إذا كان المتن صغيراً أو غير ممثل، فإن العلاقات المستخلصة قد تكون متحيزة أو غير موثوقة. كما أن جودة البيانات (مثل الأخطاء الإملائية أو الضوضاء) تؤدي إلى تضخيم أو تقليل الترددات المشتركة بشكل غير صحيح.

مشكلة التمييز بين أنواع العلاقات: النقد الأساسي الموجه للتواجد المشترك هو أنه يقيس الارتباط أو التقارب، ولكنه يفشل في التمييز بين أنواع العلاقات الدلالية. على سبيل المثال، قد تتواجد كلمة ‘جيد’ مع كلمة ‘سيئ’ بشكل متكرر في نفس السياقات (لأنها متضادات وغالباً ما تُناقش معاً)، وقد تتواجد كلمة ‘جيد’ مع كلمة ‘ممتاز’ (مرادفها). كلا الزوجين سيحصل على درجة تواجد مشترك عالية، ولكن العلاقة بينهما مختلفة تماماً (تضاد مقابل ترادف). لمعالجة هذه المشكلة، تتطلب النماذج المتقدمة خطوات إضافية للتحليل النحوي أو الدلالي الأعمق.

التحديات الحسابية للأبعاد العالية: عند التعامل مع لغة كاملة تحتوي على مئات الآلاف من المفردات، تصبح مصفوفة التواجد المشترك ضخمة جداً (نادرة وكثيفة الأبعاد)، مما يفرض تحديات كبيرة على الذاكرة ووقت المعالجة. وقد أدت هذه المشكلة إلى ظهور تقنيات تقليل الأبعاد (Dimensionality Reduction) مثل تحليل المكونات الرئيسية (PCA) أو استخدام نماذج الانغماس اللغوي الحديثة التي تحاول التقاط جوهر التواجد المشترك في فضاءات أصغر وأكثر كفاءة.