في عالم الذكاء الاصطناعي، يعتبر التعرف على المشاعر (Emotion Recognition) واحداً من التحديات البارزة التي تكتسب أهمية متزايدة، خاصة في المحادثات. ومع تزايد الاعتماد على نماذج اللغة الضخمة (Large Language Models)، اكتشف الباحثون أن استخدام هذه النماذج يمكن أن يكون غير مستقر ومكلف، خصوصاً عند تعديلها لتكون متناسبة مع تاريخ المحادثات الطويل.

هنا يأتي دور إيمو لاسبي (EmoLASP)، الإطار الثوري الذي يدمج بين نماذج اللغة والتفكير الاستدلالي عبر برمجة مجموعات الإجابة (Answer Set Programming) لتوقع درجات الفالنس-أرول-الهيمنة (Valence-Arousal-Dominance) في المحادثات.

أجريت التجارب على مجموعة بيانات شهيرة تسمى IEMOCAP، والتي استخدمت عبر ستة نماذج مفتوحة المصدر (LLMs) تتراوح بين 3B و120B من المعلمات، بالإضافة إلى نموذجين من نماذج البرمجة اللغوية العصبية (PLMs) مثل بERT وRoBERTa. وقد أظهرت النتائج أن إيمو لاسبي تحسن الأداء بشكل كبير مقارنة بالاستخدام التقليدي لنموذج اللغة فقط، حتى عندما لا تُعطى نماذج اللغة أي تاريخ للمحادثة في المدخلات.

كان التحسن ملحوظًا خاصةً مع نماذج اللغة القائمة على التعليمات فقط، والتي استخدمت إيمو لاسبي دون الحاجة إلى أي تعديل. ومع ذلك، في حالة نماذج PLMs المعدلة، أضاف المنطق الاستدلالي فوائد بسيطة بعد توفر تاريخ المحادثة.

إطار عمل إيمو لاسبي يُبرز الإمكانيات الكبيرة لاستخدام أسلوب التفكير الاستدلالي لضمان اتساق توقعات المشاعر وتقليل تكاليف التهيئة والتكاليف المرتبطة بإدخال تاريخ محادثات طويل.

هل تعتقد أن إيمو لاسبي سيكون لها تأثير إيجابي في تحسين تفاعلات الذكاء الاصطناعي مع البشر؟ شاركونا آراءكم في التعليقات!