ذكاء اصطناعي جديد يتنبأ بردك التالي استنادًا إلى محادثاتك السابقة

طور باحثون في معهد ماساتشوستس للتكنولوجيا (MIT) نظامًا يعتمد على نموذج لغة كبير يتعلم الأنماط المتكررة من أسابيع من محادثات شخص حقيقية، لتوقع سلوكه الحواري التالي المحتمل.

إذا كان بإمكان الذكاء الاصطناعي فعلاً الوصول إلى حياتك، وكان بإمكانه فعلاً أن يُسمح له بمعرفتك على مدار فترة ممتدة أو حتى مستمرة، فربما يتعلم توقع أفعالك، قراراتك – وحتى ما قد تقوله لاحقًا؛ كل ذلك استنادًا إلى ما استوعبه من آلاف الساعات من تحليل تفاعلاتك.

أولئك الذين اعتادوا استخدام نماذج اللغة الكبيرة (LLMs) مثل ChatGPT وClaude قد لاحظوا منذ زمن بعيد هذا الميل إلى “توقع الاحتياجات”، وهو واضح أنه مبني على تاريخ استخدامنا؛ ومن المفترض أنهم رحبوا به، لأن الاحتفاظ بالذاكرة والسياق أصبح الآن نقطة احتكاك حرجة في بناء علاقة عمل مع نظام ذكاء اصطناعي.

مع ذلك، فإن إعطاء معلومات مؤقتة وحتى “مباشرة” عن حياتك واتصالاتك إلى نظام ذكاء اصطناعي تديره شركة ربحية، هو، من المنطقي القول، خطر محتمل على الخصوصية والأمان؛ بينما قد يصبح الخدمة أكثر فائدة لك، فإن إغراء الشركة بمشاركة بياناتك، إلى جانب خطر حدوث تسريب عبر الإنترنت أو استخراج بيانات قد يجعل هذا المستوى من التكامل بين الذكاء الاصطناعي والإنسان خيارًا غير حكيم.

لو استطعنا الحصول على أشياء جيدة…

حسنًا، كان عليّ أن أُخرج تحذير “الخدمة العامة” هذا قبل أن أتناول ورقة جديدة مثيرة للاهتمام من MIT تبدو وكأنها موجودة في عالم أفضل، حيث يمكن حجز بيانات من هذا النوع داخل دوائر آمنة وموثوقة حقًا، بحيث تُستَخدم قوة الذكاء الاصطناعي التحليلي لصالح الفرد.

تقترح الدراسة الجديدة نظامًا، بموافقة المستخدم، ومع سيطرته على البيانات المستحصلة، حيث تُسجِّل الساعة الذكية التي يرتديها المستخدم محادثاته باستمرار لاستخراج أنماط سلوكية:

من الورقة الجديدة لمعهد MIT، توضيح لسلسلة توقع السلوك المقترحة. تُظهر المحادثات التي جُمعت على مدار عدة أسابيع نمطًا سلوكيًا متكررًا، يُستخدم بعد ذلك لتوقع السلوك التالي المحتمل للمستخدم وتقديم تذكير من الساعة الذكية قبل حدوث الفعل المتوقع. المصدر

تسجل الورقة — بعنوان Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs — تجربة جمع أكثر من 1,000 ساعة من محادثات طبيعية (أي فرصية، واقعية) من 14 مشاركًا عبر ساعات ذكية، تم تفريغها، وتحويلها إلى تاريخ سلوكي منظم، وتزويدها إلى Gemini 2.5 Pro، إلى جانب موجهات سلوكية محددة وقواعد سلوكية مستخرجة، لتوقع السلوك الحواري التالي المحتمل لكل مستخدم.

(والآن قد يتضح لماذا تحتاج هذه الورقة الجديدة إلى بعض السياق حول الخصوصية)

الدراسة الجديدة هي في الواقع تجربة ميدانية ل(بعض) أعمال المؤلفين السابقة في عام 2026 Mind Mapper*، حيث تم توسيع ذلك العمل السابق بوضع نظريته موضع التنفيذ، واختبار ما إذا كانت الأنماط السلوكية المستخلصة يمكنها حقًا توقع السلوك الحواري التالي للمستخدم في الوقت الفعلي، بدلاً من مجرد وصف الاتجاهات المتكررة.

‘تُظهر نتائجنا أن الأنماط السلوكية الخاصة بالموقف المستخرجة من المحادثات الطولية يمكن أن تحسّن بشكل ملحوظ توقعات الاتجاهات السلوكية اللفظية للمستخدمين. إحدى نقاط القوة في نهجنا هي تمثيل هذه الأنماط كأنماط سلوكية قابلة للقراءة البشرية ومُشروطة بالسياق مع شروط استثنائية صريحة يمكن للمستخدمين فحصها وتنقيحها.’

‘قدّر المشاركون هذه الشفافية، حيث أعرب عدة منهم عن تقديرهم لإمكانية قراءة، وتصحيح، وتحديد أهداف شخصية للأنماط المستخلصة.’

‘كما عكس المشاركون استراتيجياتهم الخاصة لتغيير السلوك، مقترحين كيف يمكن للأنظمة الاستباقية أن تساعد بإعادة توجيه الانتباه، وتقديم بدائل، وإظهار إعادة صياغة مرتبطة بأهدافهم.’

‘هذا يشير إلى وجود ذكاء اصطناعي استباقي يعمل مع المستخدمين — يرسخ التدخلات في أنماط يتعرفون عليها واستراتيجيات يجدونها فعّالة بالفعل.’

الطريقة

يُعد Mind Mapper المذكور أعلاه الأساس للنظام الجديد، حيث يوفّر سير عمل صُمم لتعلم القواعد السلوكية المتكررة من أسابيع من المحادثات المسجَّلة بالساعة الذكية، بدلاً من محاولة توقع الكلام المستقبلي مباشرةً أو بناءً على مجموعات بيانات عامة أو سابقة. في سير عمل Mind Mapper، تم تفريغ جميع المحادثات المسجَّلة، وإخفاء هويتها، ومعالجتها عبر خط أنابيب GPT-5**.

(يرجى ملاحظة أنه بسبب الحماية المطبقة على الورقة القديمة، لا يمكننا، كما نفعل عادةً، توفير صور منها، لأن النسخ منخفضة الدقة المتاحة للجمهور غير قابلة للقراءة.)

من الورقة الجديدة، توضيح لسلسلة توقع السلوك. تُحوَّل المحادثات التي جُمعت على مدار عدة أسابيع إلى قواعد سلوكية تعتمد على السياق، تُنقَّح بأدلة داعمة ومتناقضة قبل تطبيقها على محادثات جديدة لتوقع الرد الحواري التالي الأكثر احتمالًا للمستخدم.

يُولِّد الخط أنابيب مرشّحات سلوكية مرشّحة من نوع “إذا‑ثم” (أي قواعد تربط مواقف الحوارات بالردود المحتملة)؛ يبحث عن أدلة داعمة ومتناقضة؛ يدمج القواعد المتداخلة؛ يتخلّى عن الفرضيات الضعيفة؛ ويُعيّن تقديرات للثقة والاحتمال.

المشاركون

ارتدى أربعة عشر بالغًا يتحدثون الإنجليزية الساعة الذكية خلال حياتهم اليومية العادية لمدة تتراوح بين سبعة إلى عشرة أيام. سجَّل كاشف النشاط الصوتي على الجهاز الصوت فقط عندما استشعر وجود كلام، وأرسل مقاطع صوتية مدتها 2‑3 دقائق إلى خادم بعيد للمعالجة.

تلقى المشاركون 100 دولار، وكان عليهم إبلاغ أي شخص قريب بأن المحادثات تُسجَّل، والحصول على موافقة الآخرين قبل كل تفاعل من هذا النوع.

التفريغ والتحقق

تمت معالجة المقاطع الصوتية باستخدام نموذج Nova-3-meeting من Deepgram، الذي فَرَّغ المحادثات وميّز بين المتحدثين. بعد ذلك، استُخدم SpeechBrain كنموذج للتحقق من المتحدث، مطابقًا صوت المشارك مع عينة تسجيل مدتها 20 ثانية.

استبدل نموذج spaCy التعرف على الكيانات المسماة (NER) أي أسماء مذكورة، بالإضافة إلى أي معلومات تعريفية شخصية، بعناصر نائبة مجهولة. ثم حُذف الصوت الأصلي، وحُفظت النصوص المشفَّرة بـ AES‑256‑GCM محليًا على الساعة الذكية.

بعد فترة الجمع، تمكن المشاركون من مراجعة كل نصوص محادثاتهم عبر واجهة ويب، حذف أي شيء لا يرغبون في تضمينه في الدراسة، وتصحيح تسميات المتحدثين أو سياق المحادثة حيثما لزم الأمر.

في المتوسط، أُزيل فقط 0.16 % من النصوص، وتم وضع علامة على 2.48 % من المقاطع بأنها مصنَّفة خطأً، لتُنتج مجموعة بيانات تضم 15,066 قولًا عبر الـ 14 مشاركًا – 57 % تُنسب إلى المرتدي، و43 % إلى متحدثين آخرين. كان متوسط طول القول 49 كلمة.

(مع ذلك، رغم أن الورقة لا تتطرق إلى ذلك، يمكن افتراض أن المشاركين ظلوا يقظين إلى حد ما ضد الانخراط في تبادلات لفظية شخصية جدًا أثناء ارتداء الساعة.)

تم تنقية النصوص أكثر بإزالة التبادلات القصيرة جدًا، بالإضافة إلى الأخطاء الشائعة في الكلام مثل ‘err’ و‘um’؛ ثم دمج الجمل المجزأة إلى أقوال مكتملة. خفّض ذلك مجموعة البيانات النهائية إلى 9,901 قول.

لتقييم النهج، طُلب من Gemini 2.5 Pro توقع الرد الحواري التالي لكل مشارك بناءً على المحادثة حتى تلك النقطة. ثم قورنت أداؤه عبر ثلاثة مدخلات: تاريخ المحادثة فقط؛ ملخصات محادثة مكثفة؛ وقواعد سلوكية من Mind Mapper، مما سمح بقياس مساهمة الأنماط المتعلمة مباشرة.

اُستخدم GPT‑5 كقاضٍ آلي لتقييم التوقعات، مع تقييم بشري منفصل يؤكّد موثوقية تقييماته.

البيانات والاختبارات

تشير نتائج الاختبار إلى أن الطرق الأساسية التي تم اختبارها قد تفوقت عليها نهج المؤلفين القائم على الأنماط بشكل كبير، مع تحسن الدقة باستمرار مع تراكم بيانات المحادثات:

نتائج الاختبار مقارنةً بثلاثة أساليب توقع. اليسار: تتحسن دقة التوقع باستمرار مع توفر المزيد من بيانات المحادثة فقط عندما يتعلم النظام الأنماط السلوكية، بينما تتغير الأساليب الأساسية قليلًا. اليمين: يحقق النهج نفسه درجات أعلى بكثير في المحادثات التي حددها المشاركون على أنها نوايا لتغيير السلوك.

يؤكد المؤلفون أن النظام كان فعالًا بشكل خاص في توقع السلوكيات التي أراد المشاركون تغييرها صراحةً.

دراسة تحقق، شارك فيها 40 مقيمًا بشريًا مستقلًا، أكدت التقييم الآلي، حيث احتل الأسلوب القائم على الأنماط المرتبة الأولى في 43 % من السيناريوهات المختبرة، مقارنةً بـ 24 % للسياق الكامل؛ 18 % للنهج صفر‑لقطة؛ و15 % للملخصات السردية.

تطابقت التقييمات البشرية عن كثب مع الدرجات القائمة على النموذج عبر النية التواصلية، الخصوصية، والتعقيد الوظيفي، وهو ما يرى المؤلفون أنه يبرهن على صلاحية استخدام القضاة الآليين لتقييم السلوك الحواري.

اختبرت دراستان متابعتان كيف يتفاعل الأشخاص مع الأنماط المستخلصة، وما إذا كانت هذه التوقعات يمكن أن تساعد فعليًا في تغيير العادات. راجع المشاركون قواعدهم لتحديد السلوكيات التي يرغبون في كسرها، وعاد عدة أشهر لاحقًا لمناقشة الاستراتيجيات التي جرّبوها، وما هي “الدفعات” المساعدة التي قد تكون مفيدة في الحياة اليومية.

حدَّد المشاركون 114 عادةً يرغبون في كسرها، امتدت إلى 912 لحظة حوارية. عند اختبار هذه التبادلات، تفوّق الأسلوب القائم على الأنماط بسهولة على الأساليب التقليدية بنحو 40 %؛ ويؤكد المؤلفون أن النظام يعمل بأفضل شكل عندما يتوقع عادات متجذرة يرغب الأشخاص في تغييرها.

‘بشكل إجمالي، تُظهر نتائجنا أن السلوك اللفظي الخاص بالفرد يمكن التنبؤ به من بيانات محادثات طولية.’

‘يفتح هذا المجال أمام إمكانات جديدة لأنظمة ذكاء اصطناعي مستقبلية واعية للسياق، استباقية، استباقية وشخصية.’

الخلاصة

باستثناء التطبيقات التي تخضع لتنظيم حكومي شديد، خصوصًا فيما يتعلق بالرعاية الصحية الحكومية والسيناريوهات النفسية، وغياب أي إكراه صريح أو ضمني على الأشخاص للمشاركة (مثل خفض أقساط التأمين الحكومي إذا شاركوا)… من الصعب تخيّل استخدام هذا النهج الذي لن يُعرّض خصوصية وسلامة المشاركين للخطر – خاصةً إذا ارتبط بكيانات ذات سلطة يمكنها ربط بيانات المحادثات المسجَّلة ببيانات رقمية أو غيرها تتعلق بالفرد.

تُصوِّر ورقة MIT سياقًا مثيرًا وربما علاجيًا لهذا النهج (على سبيل المثال، تقديم تذكيرات واعية للسياق حول النظام الغذائي)؛ لكن من المرجح أن يجذب هذا المخطط اهتمامًا واستثمارات عدوانية من المعلنين، ومؤسسات السجون وإعادة التأهيل، وشركات التأمين، وعدد كبير من الكيانات الحكومية أو الخاصة التي ترغب في معرفة ما يدور في أذهاننا.

إذا كان هناك حجة مقنعة من أجل الذكاء الاصطناعي المحلي المملوك بالكامل للمستخدم، فستكون في أنظمة مثل هذه التي تحمل تداعيات خرق شديدة.

مع ذلك، فإن تاريخ الإعلانات وتكنولوجيا المراقبة في السنوات الأخيرة اتجه نحو لا مبالاة المستهلك – فهل يمكن أن يمتد هذا اللامبالاة إلى نظام غازي ومُستَعرٍ مثل هذا؟

* نشر بشكل أكثر حمايةً، دون توفر صور عالية الدقة للجمهور، على الرغم من إمكانية قراءة النص عبر القفز عبر بعض العقبات.

** لا نريد المبالغة، لكن الورقة القديمة أصعب بكثير في الوصول إليها، لذا يرجى الإصرار!

نُشر أولًا يوم الخميس، 20 أغسطس 2026