في عالم يتطور سريعًا نحو الابتكارات التقنية، يبقى التعرف على المشاعر عبر الأجهزة القابلة للارتداء والهواتف الذكية (Wearable and Smartphone-based Emotion Recognition) أحد التحديات الكبيرة في مجال الحوسبة الانفعالية (Affective Computing). يعود ذلك إلى الصعوبات المعروفة والانحيازات المرتبطة بجمع البيانات في بيئات الحياة اليومية، والاختلافات الكبيرة بين الأفراد في التعبير عن المشاعر.

من هنا، يأتي الابتكار من خلال نموذج تعلم تمثيل الرسوم البيانية الذاتي (Self-Supervised Graph Representation Learning) الذي يقدم رؤية جديدة في مجال التعرف على المشاعر. باعتماد أساليب التعلم الذاتي، يتمكن هذا النموذج من تحسين عملية تصنيف المشاعر من خلال مهام تعزيز الرسوم البيانية، مما يقلل من الحاجة إلى كميات ضخمة من البيانات بعلامات.

تقوم الطريقة المستخدمة على تدريب نموذج الشبكات العصبية الرسومية (Graph Neural Network) المشروطة ببيانات محدودة، مما يساعد في معالجة التنوع المثير للدهشة في المشاعر واتخاذ قرارات أكثر دقة. وعبر الاعتماد على مجموعة فرعية من البيانات المعنونة وغير المعنونة، استطاع الباحثون إجراء تقييمات على مجموعة بيانات K-EmoPhone بإجراء تقييمات حول المهمتين الرئيسيتين وهما الاستثارة (Arousal) والحرارة العاطفية (Valence).

أظهرت النتائج زيادة متوسطة في الدقة بلغت 4.3% و7.8% على التوالي، مقارنةً بالإعدادات التقليدية التي تعتمد على الموارد الكاملة. هذا يعكس أهمية الأساليب المبتكرة مثل التعلم الذاتي في تحسين أداء الأنظمة التي تتعامل مع بيانات في بيئات غير مسيطر عليها.

إن نموذج التعلم الذاتي المُستخدم لا يكتفي بفهم العلاقة بين تحسين الرسوم البيانية والاستجابة الانفعالية، بل يسمح أيضًا بصقل النماذج المستخدمة في التعرف على المشاعر في سياقات حقيقية.

فهل تتوقع أن تصبح هذه التقنيات جديدة الاستخدامات في عالم الأجهزة الذكية يوماً ما؟ شاركونا آراءكم في التعليقات!