شبكة التطور المشترك المحسّنة للرسم البياني لتحليل الشبكات الاجتماعية باستخدام خوارزمية عاطفية معدّلة بالاستيعاب

لماذا تهم العواطف في الشبكات

وسائط التواصل الاجتماعي والمجتمعات الإلكترونية ليست مجرد شبكات من الروابط؛ بل هي أنهار من العاطفة. منصات مثل فيسبوك وX أو المنتديات على الإنترنت تنبض باستمرار بالفرح والغضب والخوف وما إلى ذلك. فهم كيفية انتشار هذه المشاعر وتجمعها يمكن أن يساعد في تحسين أنظمة التوصية، وكشف المحتوى الضار، أو تتبع المزاج العام أثناء الأزمات. يقدم هذا البحث طريقة جديدة لنمذجة الأنماط العاطفية في الشبكات الاجتماعية، تهدف إلى التقاط ليس فقط من يرتبط بمن، بل كيف تتدفق العواطف المعقدة وتستقر في المجتمعات الإلكترونية.

من الوسوم البسيطة إلى ملفات عاطفية غنية

تعتمد معظم الأدوات الحالية لتحليل المجتمعات في الشبكات على ما يُسمى انتشار الوسوم: طريقة تستنتج عضوية المجموعات عبر ترك الوسوم تنتشر من عقدة إلى أخرى عبر الاتصالات. تقليديًا، يُمنح كل شخص (أو عقدة) وسمًا واحدًا، مثل «سعيد» أو «حزين»، اعتمادًا على أي عاطفة حصلت على أعلى درجة من نموذج التعلم الآلي. هذه النظرة التي تقتصر على وسم واحد لكل شخص تتجاهل فروقًا قيمة. على سبيل المثال، قد يتم تصنيف مستخدمين اثنين على أنهما «سعيدان» حتى لو كان أحدهما إيجابيًا بدرجة طفيفة والآخر في حال من النشوة تقريبًا. تحتفظ خوارزمية الاستيعاب العاطفي المعدّلة (AME) بمزيج الاحتمالات الكامل للعواطف لكل مستخدم بدلًا من دمج كل شيء في وسم واحد، محافظًة على الفروق الدقيقة في النبرة العاطفية.

السماح للعواطف بالتطور مثل مسار عشوائي

تصوّر AME التغيرات العاطفية باستخدام فكرة رياضية تُعرف بسلسلة ماركوف، التي تصف كيف يتحرك شيء ما بين حالات خطوة بخطوة وفقًا لاحتمالات. هنا، تُعد «الحالات» ملفات عاطفية. داخل كل مجتمع في الشبكة، تختار AME بعض الأعضاء المؤثرين بشكل خاص وتستخدم احتمالاتهم العاطفية لبناء نمط "انتقال" مشترك: مدى احتمالية تحول العواطف مع مرور الوقت أثناء تفاعل الناس. تحاكي هذه العملية تأثير الاستيعاب النفسي، حيث تميل مواقف الناس إلى الانجراف نحو مواقف من حولهم. بدلًا من افتراض ثبات الوسوم، تحدث AME توزيع العواطف لكل مجتمع مرارًا وتكرارًا، مما يسمح لمزاج المجموعة بالاستقرار بطريقة تعكس تأثير التأثير الاجتماعي بشكل أدق.

تصغير الشبكة وإعادة ربطها

بعد محاكاة التأثيرات العاطفية داخل كل مجتمع، تبسط AME الشبكة عبر إجراء يُسمى تكرير الرسم البياني (graph coarsening). ببساطة، يعني هذا دمج أجزاء مترابطة بإحكام من الشبكة إلى وحدات أكثر إحكامًا وتمثيلًا دون فقدان بُنيتها الأساسية. بعد هذا الضغط، تستخدم AME التنبؤ بالروابط — تقدير الأزواج من العقد التي يحتمل أن تكون متصلة — لإعادة بناء الاتصالات بين هذه المجتمعات المدمجة. النتيجة النهائية هي نسخة منقّحة من الشبكة الأصلية تكون فيها المجتمعات أكثر تحديدًا ونمطية العواطف أكثر اتساقًا، مما يجعل البنية أسهل لتعلمها من قبل نماذج الذكاء الاصطناعي اللاحقة.

وضع الخوارزمية تحت الاختبار

اختبر المؤلفون AME عبر سلسلة من التجارب على شبكات اجتماعية محاكاة وحقيقية. استخدموا أولًا مجموعات نصية كبيرة من الرسائل العاطفية، وعالجوها بواسطة نموذج محوّل مدرّب مسبقًا لإسناد احتمالات للعاطفة لكل رسالة ولكل عقدة في الشبكة المقابلة. ثم قارنوا AME بعدة طرق معروفة لاكتشاف المجتمعات على ثلاثة أنواع من الرسوم البيانية: شبكات متصلة عشوائيًا، شبكات تحتوي على عدد قليل من العقد المحورية شديدة الاتصال، وشبكات فيسبوك والبريد الإلكتروني الواقعية. عبر كل الإعدادات، أنتجت AME مجتمعات كانت أسهل على شبكة عصبية قائمة على الرسوم البيانية أن تتعلم منها، محققة بدقة أعلى وخطأ أقل باستمرار مقارنة بالطرق المنافسة. أظهرت اختبارات إضافية أن الاحتفاظ بتوزيعات الاحتمالات الكاملة وتطبيق تكرير الرسم البياني كلًّا على حدة حسّن الأداء.

ماذا يعني هذا للتقنية اليومية

بعبارات بسيطة، تقدم خوارزمية AME طريقة أذكى لتتبع وفهم العواطف أثناء تحركها عبر المجتمعات الإلكترونية. من خلال الاحتفاظ بالدقة العاطفية بدلًا من تسطيح الأشخاص إلى وسم واحد، وتقليد كيفية تقارب مزاج المجموعات مع مرور الوقت، تنتج بنى شبكية أنظف وأكثر إفادة لتحليل أنظمة الذكاء الاصطناعي. قد يؤدي ذلك إلى أدوات واعية مزاجيًا أكثر حساسية — على سبيل المثال، أنظمة تكتشف التصاعد العدائي بشكل أفضل، تحدد المجتمعات الداعمة، أو تكيّف المحتوى مع السياق العاطفي للمستخدمين. تشير نتائج الدراسة إلى أن AME يمكن أن تكون من بنى قوية للذكاء الاصطناعي المستقبلي الواعي بالعاطفة في الشبكات الاجتماعية وأنظمة مترابطة معقدة أخرى.

الاستشهاد: Li, HH., Chang, PC. & Liao, YH. Enhanced graph coevolution network for social network analysis using assimilation modified emotional algorithm. Sci Rep 16, 7936 (2026). https://doi.org/10.1038/s41598-025-18482-0

الكلمات المفتاحية: تحليل الشبكات الاجتماعية, التعرّف على العواطف, خوارزميات الرسوم البيانية, اكتشاف المجتمعات, انتشار الوسوم