في عالمنا الرقمي المتسارع، تظل مشكلة الكشف عن السخرية والتنمر من أبرز التحديات التي تواجه الباحثين. فمع تزايد التعليقات العامّة والمحتوى المزدوج، يتطلب فهم المعاني الدقيقة رصد التناقضات بين المعلومات النصية والمرئية. وفي هذا السياق، أصدرت إحدى الأبحاث الهامة نموذج HCIG (Hierarchical Cross-modal Incongruity Graph Network) والذي يمثل قفزة نوعية في هذا المجال.

يسعى النموذج الجديد للتغلب على النقص في النماذج الحالية التي عادة ما تعتمد على دمج الميزات أو الانتباه عبر الوسائط، وهو الأمر الذي قد لا يلتقط التناقضات الدلالية بشكل فعال. ولكن مع HCIG، يتم نمذجة التناقضات عبر عدة مستويات، بدءًا من الكلمات إلى العبارات وصولاً إلى التمثيلات العامة، باستخدام شبكات الانتباه الرسومية (Graph Attention Networks) وآلية انتباه هرمية متعلمة.

كذلك، تم تقديم نموذج تكميلي يُدعى GCCN (Graph-based Cross-modal Contradiction Network)، الذي يعتمد على التجميع القائم على التناقض لتعليم التفاعلات متعددة الوسائط بكفاءة.

تم تقييم هذه النماذج على معيار MMSD للسخرية وبيانات MultiBully للتنمر، حيث حقق HCIG دقة مذهلة بلغت 85.74% ودرجة F1 ماكرو 85.29%، بينما سجل GCCN أعلى درجة F1 ماكرو بلغت 68.66% على MultiBully. كما أظهرت النتائج أن نمذجة التناقض الهيراركي تعزز من الفعالية في التفكير متعدد الوسائط، مما يقدّم إطاراً قوياً لرصد السخرية والتنمر عبر وسائل التواصل الاجتماعي.

إذاً، هل تعتقد أن هذه الابتكارات ستحدث فرقاً حقيقياً في مواجهة التنمر والسخرية على الإنترنت؟ شاركونا آرائكم في التعليقات!