ديإيسكال وايلد: انطلاقة جديدة في تدريب الشرطة على خفض التوتر باستخدام نماذج لغوية صغيرة
تقدم دراسة جديدة تحت اسم ديإيسكال وايلد معيارًا مبتكرًا لتدريب رجال الشرطة على تقنيات خفض التوتر باستخدام نماذج لغوية صغيرة. يستند هذا البحث إلى تفاعل حقيقي بين الشرطة والمدنيين، مما يسهل تطوير برامج تدريبية أكثر واقعية وفعالية.
في عالم يتزايد فيه الاعتماد على التكنولوجيا في مختلف المجالات، يبرز بحث جديد يسعى إلى تعزيز فعالية تدريب رجال الشرطة على خفض التوتر وتعزيز الثقة المجتمعية. يحمل هذا البحث اسم "ديإيسكال وايلد" (DeEscalWild) ويقدم معيارًا مبتكرًا لتدريب الشرطة باستخدام نماذج لغوية صغيرة (SLMs) التي تتميز بالقدرة على خلق محاكاة ديناميكية في الوقت الحقيقي.
تُعتبر تقنيات خفض التوتر محورًا أساسيًا لا فقط في الحفاظ على سلامة رجال الأمن، بل أيضًا في تعزيز الثقة بين المجتمع ورجال الشرطة. ومع ذلك، كانت الأساليب التقليدية في التدريب تعاني من قلة المرونة والواقعية. هنا يأتي دور نماذج اللغة الكبيرة (Large Language Models) التي تقدم فرصًا جديدة لمحاكاة السيناريوهات المعقدة، إلا أن احتياجاتها الكبيرة من الموارد تجعلها غير مناسبة للتطبيق في التدريب الميداني. في المقابل، تُظهر النماذج اللغوية الصغيرة بديلاً واعدًا لكنها تعاني من نقص حاد في البيانات الخاصة بالقطاع.
لذلك، قام فريق البحث بتطوير قاعدة بيانات فريدة من نوعها مستندة إلى تفاعلات حقيقية بين الشرطة والمدنيين. انطلقت العملية بالاستفادة من 5000 مدخل مصور، وتجري عملية تصفية دقيقة باستخدام التقنيات الحديثة، لتصل في النهاية إلى 1500 سيناريو عالي الدقة. تتضمن القاعدة الجديدة 285,887 حوار، بمجموع يقدر بـ4.7 مليون كلمة، مما يتيح لنماذج اللغة الصغيرة أن تتعلم من تكوينات حقيقية ومعقدة.
تظهر النتائج التجريبية أن النماذج اللغوية الصغيرة التي تم تحسينها وفقًا لهذه البيانات تتفوق بشكل كبير على نظيراتها الأساسية وفقًا لمقاييس مثل ROUGE-L وBLEU-4 وMETEOR وBERTScore. ومن المثير للاهتمام، أن نموذج Qwen 2.5 (3B-Instruct) المُخصص لبيئة معينة، يتفوق على نموذج Gemini 2.5 Flash، مما يبرهن على أن النماذج المُحسنة للقطاع يمكن أن تحقق أداءً رائعًا بتكاليف حسابية أقل بكثير.
بذلك، يضع هذا البحث الأسس اللازمة لأنظمة تدريب ضباط الشرطة التي تتمتع بالوصول السهل والأمان حيال البيانات وبتكاليف منخفضة.
تُعتبر تقنيات خفض التوتر محورًا أساسيًا لا فقط في الحفاظ على سلامة رجال الأمن، بل أيضًا في تعزيز الثقة بين المجتمع ورجال الشرطة. ومع ذلك، كانت الأساليب التقليدية في التدريب تعاني من قلة المرونة والواقعية. هنا يأتي دور نماذج اللغة الكبيرة (Large Language Models) التي تقدم فرصًا جديدة لمحاكاة السيناريوهات المعقدة، إلا أن احتياجاتها الكبيرة من الموارد تجعلها غير مناسبة للتطبيق في التدريب الميداني. في المقابل، تُظهر النماذج اللغوية الصغيرة بديلاً واعدًا لكنها تعاني من نقص حاد في البيانات الخاصة بالقطاع.
لذلك، قام فريق البحث بتطوير قاعدة بيانات فريدة من نوعها مستندة إلى تفاعلات حقيقية بين الشرطة والمدنيين. انطلقت العملية بالاستفادة من 5000 مدخل مصور، وتجري عملية تصفية دقيقة باستخدام التقنيات الحديثة، لتصل في النهاية إلى 1500 سيناريو عالي الدقة. تتضمن القاعدة الجديدة 285,887 حوار، بمجموع يقدر بـ4.7 مليون كلمة، مما يتيح لنماذج اللغة الصغيرة أن تتعلم من تكوينات حقيقية ومعقدة.
تظهر النتائج التجريبية أن النماذج اللغوية الصغيرة التي تم تحسينها وفقًا لهذه البيانات تتفوق بشكل كبير على نظيراتها الأساسية وفقًا لمقاييس مثل ROUGE-L وBLEU-4 وMETEOR وBERTScore. ومن المثير للاهتمام، أن نموذج Qwen 2.5 (3B-Instruct) المُخصص لبيئة معينة، يتفوق على نموذج Gemini 2.5 Flash، مما يبرهن على أن النماذج المُحسنة للقطاع يمكن أن تحقق أداءً رائعًا بتكاليف حسابية أقل بكثير.
بذلك، يضع هذا البحث الأسس اللازمة لأنظمة تدريب ضباط الشرطة التي تتمتع بالوصول السهل والأمان حيال البيانات وبتكاليف منخفضة.
