الإستراتيجيات المبتكرة في تحليل المشاعر العربية: مقارنة بين الرسوم البيانية المعرفية الفردية والمتعددة اللغات

في مجال تحليل المشاعر على أساس الجوانب (ABSA) باللغة العربية، تتطلب عملية الاسترجاع اهتمامًا خاصًا بالجانبين المذكورين صراحة والجانبين الضمنيين الذين قد لا يتم ذكرهم في النص. يعتمد التعرف الضمني عادةً على مصدر معرفي مساعد، مثل الرسم البياني المعرفي (Knowledge Graph - KG)، الذي يربط بين مؤشرات الرأي وفئات الجوانب.ومع ذلك، يواجه المتخصصون في اللغات ذات الموارد المحدودة اختيار تصميم أساسي: إعادة استخدام KG متقدم باللغة الإنجليزية من خلال استخدام نماذج متعددة اللغات، أو بناء KG أصغر مخصص للعربية.

تشير الدراسة الحالية إلى مقارنة مضبوطة بين هاتين الاستراتيجيتين ضمن خط أنابيب هجين واحد، تم تقييمه على ثلاثة معايير عربية (M-ABSA، SemEval-2016 بالعربية، وHAAD).

بالإضافة إلى ذلك، تم مقارنة استراتيجيتين للتكيف بالنسبة لمستخرج الجوانب التوليدية الذي يغذي KG، إحداهما تعتمد على الإرشادات الصفرية (zero-shot prompting) والأخرى تعتمد على تحسين محدد للمهام لنموذج لغوي ضخم يحتوي على 8 مليارات معلمة (Large Language Model - LLM). ومن المثير للدهشة أن KG العربي الأصلي (استراتيجية 2) قد تفوق على KG الإنجليزي متعدد اللغات (استراتيجية 1) بفارق +0.199 في معدل الميكرو-F1 على M-ABSA و+0.251 على SemEval-2016، مع تحسينات في كلا من الدقة والاستخراج.

كما وساهم تحسين المهام المحددة في رفع المعدل من <= 0.13 (الإرشاد الصفري) إلى 0.66-0.76 على M-ABSA وSemEval-2016 (0.45 على HAAD الأصغر)، مما يثبت أن التكيف مع المهام، وليس حجم النموذج، هو العامل الحاسم في لغة غنية بالاشتقاق مثل العربية.