في عصر تتداخل فيه التقنيات الحديثة وتتفاعل بشكل عميق، تصبح الحاجة لفهم النوايا المتعددة الوسائط أكثر أهمية من أي وقت مضى.

ولتحقيق ذلك، تم تقديم MACH (Modality Agreement- and Conflict-aware prototype Hypergraph)، وهو إطار عمل جديد يتناول التعرف على النوايا من خلال تحليل كيف تتعاون الإشارات النصية، الصوتية، والمرئية وأيضًا كيف تتضارب. تعتبر الخلافات بين هذه الإشارات أحيانًا دلالة قوية على النوايا، مثل عندما يعبر موقف إيجابي بالكلمات بينما تشير نبرة الصوت أو تعبير الوجه إلى سخرية أو تحدي.

لكن معظم الطرق التقليدية لجمع المعلومات تعزز توافق البيانات أو تعتبر التناقضات كعلامات على عدم اليقين، مما يؤدي إلى فقدان معلومات مهمة.

إطار MACH يتجاوز هذه القيود، فهو يعرض الخلافات والتوافقات ككيانات كهربائية هيراركية، مما يسمح للموديل بتكوين رموز فريدة تعكس هذه العلاقات. يتكون MACH من عمليات معالجة متعددة المستويات، والتي تجمع بين التمثيلات الأحادية والثنائية والثلاثية، مما يوفر نماذج أكثر دقة.

عمليات الاتفاق والخلاف تتم من خلال مسارين مخصصين: الأول يركز على بحث التوافقات القابلة لإعادة الاستخدام، بينما الثاني يعالج التناقضات بشكل مخصص. هذه المسارات يتم دمجها عبر آلية تحكيم تعتمد على عينة النموذج، مما يمكّن النموذج من الحفاظ على المعلومات المفيدة من الخلافات، بينما يتجنب الضوضاء الناتجة عن الوسائط.

تجارب أجريت على مجموعة من البيانات المعترف بها تشير إلى فاعلية هذا الإطار، في حين أظهرت التحليلات كيف تسهم المكونات المختلفة فيه في تحسين الأداء.