تواجه نظم تعرف مشاعر الموسيقى (Music Emotion Recognition - MER) العديد من التحديات، لا سيما بسبب تفاوت تصنيفات المشاعر عبر مجموعات البيانات المختلفة. هذا التباين يشمل التصنيفات الفئوية، مثل "سعيد" و"حزين"، وكذلك الأبعاد الشكلية مثل "النقص الزمني" و"الإثارة". من هنا، قدم الباحثون إطار تعلم متعدد المهام موحد يمزج بين هذين النوعين من التصنيفات، مما يمكن النماذج من التدريب على مجموعات بيانات متعددة.

في إطار هذا البحث، تم استخدام تمثيل فعال للإدخال يعتمد على ميزات موسيقية مثل "المفاتيح" و"الأكوردات"، بالإضافة إلى تمثيلات خاصة بتعرف مشاعر الموسيقى (MERT embeddings). علاوة على ذلك، تم تطبيق تقنية "تقطير المعرفة" (Knowledge Distillation) لنقل المعرفة من نماذج المعلمين المدربة على مجموعات بيانات محددة إلى نموذج الطالب، مما يعزز قدرتها على التعميم عبر مهام متعددة.

وقد أظهرت النتائج التجريبية أن دمج الميزات الموسيقية، والتعلم متعدد المهام، وتقطير المعرفة ساهمت بشكل كبير في تحسين أداء النموذج. ولعل التجربة الأكثر إثارة هي أن النموذج الجديد يتفوق على أفضل النماذج في المنافسة مثل نموذج MediaEval 2021، مما يفتح آفاق جديدة في مجال تعرف مشاعر الموسيقى.

هذا الابتكار يعد خطوة شاملة نحو تعزيز تجربة المستخدم في مجال الموسيقى، مما يوفر أساسًا قويًا لتحليل المشاعر بشكل دقيق داخل هذا الفن الجميل.