في عصر تتزايد فيه أهمية فهم العواطف في التكنولوجيا، قدم باحثون معياراً جديداً يُعرف بـ **EmoTrans**، والذي يعدُّ قفزة نوعية في تقييم **ديناميات المشاعر** في نماذج **اللغة متعددة الوسائط** (Multimodal Large Language Models - MLLMs). الهدف الرئيسي من هذا المعيار هو تجاوز التحديات الحالية التي تواجه نماذج الذكاء الاصطناعي في فهم المشاعر كعملية ديناميكية تتغير بين حالات مختلفة.
**لماذا EmoTrans مهم؟**
تستطيع نماذج MLLMs التحصيل على قدرات قوية في الإدراك والتفكير وتوليد المحتوى؛ وهذا يجعلها مثالية للاستخدام في التطبيقات الاجتماعية مثل الروبوتات الاجتماعية وتفاعل الإنسان مع الآلة. ومع ذلك، فإن معظم المعايير الحالية تعتبر فهم المشاعر مشكلة ثابتة، مما يترك فجوة في قدرتها على التعامل مع التحولات الديناميكية للمشاعر.
**محتوى المعيار**
يحتوي معيار EmoTrans على 1000 مقطع فيديو تم جمعها بشكل دقيق، مع 12 سيناريو واقعياً، بالإضافة إلى أكثر من 3000 زوج من الأسئلة والأجوبة الخاصة بالمهمة. تم تصميم المعيار حول أربعة مهام رئيسية:
1. **كشف تغيير العواطف** (Emotion Change Detection - ECD)
2. **تحديد حالة العاطفة** (Emotion State Identification - ESI)
3. **تفكير حول انتقال العواطف** (Emotion Transition Reasoning - ETR)
4. **توقع العاطفة التالية** (Next Emotion Prediction - NEP)
هذا الإطار التدريجي يمكن الباحثين من الانتقال من الكشف الخشن إلى التفكير العميق والتوقع.
**اكتشافات مهمة**
عند تقييم 18 من نماذج MLLMs الرائدة باستخدام EmoTrans، توصل الباحثون إلى نتيجتين رئيسيتين:
1. تتمتع نماذج MLLMs بأداء أفضل في كشف تغييرات المشاعر بطريقة خفيفة، لكنها تُواجه صعوبة في نمذجة ديناميات المشاعر بشكل دقيق.
2. البيئات الاجتماعية المعقدة، خاصة السيناريوهات متعددة الأشخاص، تظل تحديًا كبيرًا، حيث أن المتغيرات الموجهة نحو التفكير لا تحقق دائمًا تحسينات واضحة.
**فتح الباب للمزيد من الأبحاث**
لتسهيل الأبحاث المستقبلية، يتيح الباحثون إمكانية الوصول إلى المعيار وبروتوكول التقييم والكود عبر [GitHub](https://github.com/Emo-gml/EmoTrans). هل تعتقد أن EmoTrans سيساهم في تحسين تفاعل الإنسان مع الذكاء الاصطناعي؟ شارك برأيك!