زاوية Anderson
التنبؤ بالعنف مسبقًا باستخدام الذكاء الاصطناعي

النقاط الرئيسيةالتنبؤ بالعنف قبل حدوثه ينطوي على خطر استحضار المخاوف الديستوبية التي أثارها فيلم…
عرض المزيد
- التنبؤ بالعنف قبل حدوثه ينطوي على خطر استحضار المخاوف الديستوبية التي أثارها فيلم Minority Report.
- الجمع بين المظهر الوجهي والإشارات الصوتية والحركية يتفوق على أي إشارة منفردة بمفردها.
- Https://www.youtube.com/watch?v tDSXPQcpybU اختبار (غير حقيقي) لنظام كشف العنف من IVS.
النمط المعتاد للتحقيق في سؤال «هل يستطيع الذكاء الاصطناعي أتمتة هذا؟» هو إدخال أمثلة متعددة لشيء تريد عزل خصائصه، ثم معرفة ما إذا كان نموذج دُرّب على تلك البيانات يستطيع تمييز الخاصية نفسها في بيانات مشابهة لم تُستخدم في التدريب:

مخطط لمشروع ذكاء اصطناعي يشبه محاولة أخيرة ضعيفة الاحتمال: تُقسّم الأمثلة الموسومة إلى مجموعتي تدريب واختبار، ويتعلم النموذج من الأولى ثم يُختبر بأمثلة لم يرها من الثانية. إذا تعلم الخاصية المعنية حقًا بدلًا من حفظ بيانات التدريب، فينبغي أن يتعرف على النمط نفسه في مجموعة الاختبار. المصدر
إنها أشبه بمحاولة أخيرة ضعيفة الاحتمال، لأن هذه التجارب تفترض أن الخاصية ستبرز في البيانات في النهاية إذا استمر الذكاء الاصطناعي في فحص مجموعة البيانات، وأن هناك بالفعل نوعًا من «الاتجاه الكامن» يمكن استخلاصه. ولو كانت الخاصية مما نستطيع التعرف عليه بسهولة، فلن نحتاج إلى نموذج الذكاء الاصطناعي أصلًا، أو سنستخدمه فقط للأتمتة الروتينية.
ليس هذا هو الحال عادة؛ فمعظم هذه المبادرات البحثية عمليات بحث استكشافي عن أنماط كامنة لا يمكن تعلم التعرف عليها إلا بتكرار الانتباه بمستوى يفوق القدرة البشرية.
كثيرًا ما يتبين أن النمط عصيّ على الاكتشاف، وقد لا يكون موجودًا أصلًا، لأن بعض الأحداث والسمات قد تخضع للمصادفة المحضة؛ أو ربما تكون البيانات غير كافية بطريقة ما، أو سيئة الانتقاء والتنظيم، أو يكون التدريب ضعيفًا.
استشراف المستقبل
في بعض الحالات تكون الغاية شديدة الإغراء، مثل علاج السرطان أو الاندماج النووي أو تجاوز قوانين الديناميكا الحرارية، وتكون «جذابة سياسيًا» إلى درجة تجعل الأدبيات تعود إليها باستمرار، لمعرفة ما إذا كانت بيانات أو تقنيات أفضل تستطيع أخيرًا إظهار نمط مميز.
أحد هذه المجالات هو الفهم الآلي للفيديو فيما يتعلق بالأماكن العامة والمجالات التي تشارك فيها الشرطة. فمثلًا، استخدمت دراسة جديدة هذا العام لقطات حقيقية لمحاولات انتحار لتحديد اتجاهات «المكوث» قبل محاولة الشخص الانتحار، ولإنشاء نظام تنبؤ يمكنه رصد الطريقة المميزة لتحركه على رصيف محطة قطار عامة قبل القفز:

من ورقة عام 2026 «تقييم خطر الانتحار من المراقبة بالفيديو المدعومة بالذكاء الاصطناعي: إطار قابل للتفسير للوقاية في محطات المترو»، تنبؤات من إطارين، يعرض أحدهما محاولة انتحار حقيقية على السكك الحديدية والآخر حالة لم يقع فيها حادث. تشير الخرائط الحرارية بجوار كل إطار إلى مناطق الخطر الأعلى والأدنى على الرصيف، استنادًا إلى «ميل الشخص إلى المكوث» قرب فوهة النفق والأنماط المرصودة في محاولات انتحار سابقة. المصدر
في هذه الحالة، بدت «أنماط المكوث» المعتادة لدى شخص يفكر في القفز أمام قطار، والمبيّنة في أقصى يسار الصورة أعلاه وأقصى يمينها، ذات بصمة مميزة يمكن استخدامها كنظام إنذار للتعرف على الأنماط ضمن منظومات المراقبة الآلية.
مسار بحثي شائع آخر في هذا الاتجاه هو كشف العنف والتعرف عليه، حيث يمكن إكساب أنظمة المراقبة غير المأهولة القدرة على التعرف على الأفعال العنيفة لتنبيه البشر سريعًا، بل وتشغيل إجراءات مساعدة، مثل وسم اللقطات لحفظها طويل الأجل والتأكد من أن التسجيل يجري فعلًا، إلى جانب تدابير أخرى.
اختبار غير حقيقي لنظام كشف العنف من IVS. المصدر
وفقًا لـبحث جديد من جامعة ألاباما، ركزت الأدبيات حتى الآن على التعرف على العنف أثناء حدوثه بالفعل. وفي العمل الجديد، درّب الباحثون نموذجًا فقط على لقطات فيديو تسبق الحدث العنيف، أي قبله، أو على لقطات لا يعقبها حدث لتحقيق التوازن الإحصائي، لمعرفة ما إذا كانت هناك خصائص متكررة وقابلة للتعلم «تسبق العنف». وهي هنا مزيج من حركة الجسم وحالة الوجه والصوت، قد يقدم معًا إشارة تنبؤية بالفعل العنيف بدلًا من مجرد الاستجابة له بعد وقوعه.

أمثلة لتتابعات «محفوفة بالمخاطر» قبل الحادث من دراسة «هل يمكننا استباق العنف؟ التعلم متعدد الوسائط من الإشارات السلوكية السابقة للحادث»، معروضة عبر أربعة إطارات متتالية. يتتبع النظام مفاصل الجسم وحركته عبر الزمن، باحثًا عن تغيرات في الوضعية والسرعة وأنماط التفاعل قد تميز المواقف المتصاعدة قبل أن يصبح العنف نفسه ظاهرًا. المصدر
بالطبع، من المرجح أن يثير مثل هذا العمل مخاوف إذا جرى تطويره أو تطبيقه. وكما ذكرت سابقًا، فقد عكست أعمال خيالية مثل المسلسل التلفزيوني Person of Interest وفيلم الحركة والخيال العلمي الصادر عام 2002 Minority Report، بين أعمال مشابهة كثيرة، المخاوف الشعبية من تقنيات التنبؤ حين تقع في أيدي الشرطة أو الجهات التنظيمية.
في الوضع الراهن، يظل التنبؤ بالفعل العنيف من إشارات الجسم والوجه والصوت، بدلًا من عوامل مثل السياق ووقت اليوم والموقع أو إحصاءات الجريمة السابقة، مسألة غير محسومة، إذ إنه اتجاه بحثي حديث جدًا بحسب مؤلفي الورقة الجديدة.
في الاختبارات، قارن الباحثون إشارات مظهر الوجه والصوت وحركة الجسم منفصلة ومجتمعة، باستخدام ثلاث شبكات أساسية مختلفة للرؤية. جاءت أقوى النتائج عند جمع الإشارات الثلاث، مما يشير إلى أن التأثير التنبؤي لم يكن ناتجًا عن نوع واحد من الإشارات:
«يحقق أفضل تكوين، وهو Deit-Tiny مع الصوت ومظهر الوجه والحركة، دقة 91.21%، ودقة متوازنة 88.96%، ودرجة F1 تبلغ 93.65%، وROC-AUC يبلغ 96.38% على مجموعة الاختبار المحجوزة.
«تشير هذه النتائج إلى أن إشارات المظهر والصوت والحركة المتكاملة توفر أدلة مفيدة للتعرف على ارتفاع الخطر قبل الحادث.»
المنهج
مجموعة البيانات المنسقة للدراسة مشتقة من مجموعة XD-Violence، وتُعالج ثلاث وسائط معًا: مظهر الوجه والصوت والحركة المقدّرة من وضعية الجسم:

مسار المعالجة في الدراسة. يُوسم كل مقطع بمستوى الخطر، ويُختزل إلى «بلا خطر» أو «محفوف بالمخاطر»، ثم يُقسّم إلى مجموعات تدريب وتحقق واختبار. تُحلل لقطات مدتها أربع ثوانٍ كحد أقصى عبر ثلاثة فروع: مظهر الوجه عبر الإطارات، والصوت المحوّل إلى مخطط طيفي، وحركة الجسم المستخلصة من النقاط الرئيسية المتتبعة مثل السرعة والتسارع. تُجمع ميزات الوجه والصوت والحركة في تمثيل واحد ويُمرر إلى مصنّف نهائي يمنح المقطع احتمال انتمائه إلى فئة بلا خطر أو محفوف بالمخاطر.
احتوت المجموعة المنسقة الناتجة على 443 مقطعًا قبل الحادث، وسنناقش هذا العدد في نهاية المقال.
تذكر الورقة أن الفيديوهات المختارة من XD-Violence اختيرت لملاءمتها لنوع التحليل المتمحور حول البشر الذي استهدف المشروع تنفيذه. في المقابل، ركزت مناهج سابقة كثيرة مشابهة على المشهد بأكمله كسياق للتنبؤ.
لم تتجاوز المقاطع المستخدمة أربع ثوانٍ، وأُخذت عيناتها بمعدل 8fps. استُخدم Transformer أحادي الطبقة بثمانية رؤوس انتباه لتجميع عينات الإطارات الـ32 الناتجة، بينما حافظت التضمينات الموضعية المتعلمة على ترتيب الإطارات. وظلت الشبكة الأساسية مجمّدة أثناء التدريب متعدد الوسائط لتجنب فرط التكيّف.
عُرضت أمثلة خرائط التنشيط، بما فيها صور الوجوه، للحالات «المحفوفة بالمخاطر» في موضع سابق من المقال، وتظهر أدناه عينات بلا خطر:

أمثلة بلا خطر من فرع تحليل الوجه في الدراسة، تكمل أمثلة الحركة المحفوفة بالمخاطر المعروضة سابقًا. تظهر قصاصة الوجه الأصلية يسارًا، تليها خرائط تنشيط من طبقات تزداد عمقًا في نموذج الرؤية DeiT-Tiny. تشير المناطق ذات الألوان الأدفأ إلى استجابات ميزات أقوى، موضحة كيف يتحول انتباه النموذج ويصبح أكثر تجريدًا مع مرور الصورة عبر الشبكة.
أُعيد أخذ عينات المكونات الصوتية المستخرجة من المقطع الأصلي بتردد 16kHz، ووُحّدت بالتطبيع والمحاذاة مع النافذة المرئية المقابلة، قبل تحويلها إلى مخططات طيفية لوغاريتمية للمقدار معيارية باستخدام تحويل فورييه قصير الزمن ذي 512 نقطة ونافذة Hann من 400 عينة:

مقارنة متوسط الأنماط الصوتية في المقاطع العادية والمحفوفة بالمخاطر السابقة للحادث. يعرض الصف العلوي المقاطع العادية والسفلي المقاطع المحفوفة بالمخاطر، بدءًا من الموجة والمخطط الطيفي الأصليين ثم الميزات المتعلمة عند ثلاثة أعماق متتالية للشبكة. تظهر المقاطع المحفوفة بالمخاطر تغيرًا أكبر عبر الزمن، بما فيه زيادة النشاط الصوتي قرب نهاية نافذة الأربع ثواني، بينما تحول الشبكة هذه الفروق تدريجيًا إلى ميزات أعلى مستوى.
بالنسبة لمكوّن الحركة، اختُزلت حركة الجسم إلى مجموعة أوصاف عددية مشتقة من نقاط COCO-17 الرئيسية التي يكتشفها مقدّر الوضعيات YOLO.
حُسب اثنا عشر مقياسًا، تشمل متوسط السرعة والسرعة القصوى، والتسارع ومعدل تغير التسارع، وتغير السرعة، وسرعات المعصمين والكاحلين، وطاقة الحركة الإجمالية. طُبّعت هذه القيم وفق حجم الجسم كي لا يُسجّل أصحاب الأجسام الأكبر تلقائيًا باعتبارهم أكثر حركة. كما جُمعت قياسات أشخاص متعددين في المقطع نفسه.
بعد التقييس استنادًا إلى بيانات التدريب، وُسّعت ميزات الحركة إلى تمثيل ذي 64 بُعدًا ومُررت عبر Transformer زمني، ما يتيح النظر إلى تغيرات الحركة عبر المقطع كتسلسل، بدلًا من إطارات منفصلة.
دُمجت التدفقات الثلاثة بعد ذلك في تمثيل واحد، مع منح مظهر الوجه الحصة الأكبر ثم الصوت والحركة. وبعد التطبيع والإسقاط العشوائي، حوّل المصنّف النهائي التمثيل المدمج إلى احتمالات «عادي» و«محفوف بالمخاطر»، باستخدام 0.5 كحد فاصل.
استُخدمت لتدفق مظهر الوجه ثلاث شبكات أساسية مدرّبة مسبقًا على ImageNet: Swin-Tiny وViT-Tiny وDeiT-Tiny.
الاختبارات
للاختبار، أُسندت إلى المقاطع يدويًا إحدى أربع تسميات اعتمادًا على السلوك الظاهر والحركة والصوت: بلا خطر أو خطر منخفض أو خطر متوسط أو خطر مرتفع. وفي المهمة الثنائية النهائية، جُمعت فئات الخطر الثلاث في «محفوف بالمخاطر»، بينما أصبحت بلا خطر «عادي». ولتقليل التسرب بين التدريب والتقييم، أُبقيت المقاطع المأخوذة من الفيديو الأصلي نفسه ضمن القسم نفسه من مجموعة البيانات.
أُزيل الحادث العنيف ذاته من كل مقطع محفوف بالمخاطر، فلم يتبق سوى السلوك السابق له ليحكم عليه النموذج:

نتائج مجموعة الاختبار التي توضح تغير الأداء عند استخدام مظهر الوجه والصوت والحركة منفردة أو مجتمعة عبر الشبكات الأساسية المرئية الثلاث، مع عزل مساهمة كل تدفق إدخال بواسطة تجارب حذف المكونات. الدرجات الأعلى تعني أداء أفضل، والقيم المكتوبة بخط عريض تدل على أفضل نتيجة في كل مقياس.
كما ذكرنا، جاءت أقوى نتيجة إجمالية من DeiT-Tiny مع الجمع بين الوسائط الثلاث. وتوضح تجارب حذف المكونات مساهمة كل تدفق: كان مظهر الوجه متنبئًا قويًا بمفرده، وأدت الحركة أداء متوسطًا، بينما كان الصوت أضعف بكثير عند استخدامه منفردًا.
تحققت أفضل النتائج عند جمع معلومات الوجه والصوت والحركة، ما يشير إلى أن التدفقات الأضعف ظلت تضيف معلومات مكملة مفيدة للإشارة المرئية.
رغم أن النموذج دُرّب فقط على التمييز بين «عادي» و«محفوف بالمخاطر»، قورنت مخرجاته أيضًا بالتسميات الأصلية ذات المستويات الأربعة: بلا خطر وخطر منخفض وخطر متوسط وخطر مرتفع. وكما يتضح أدناه، يرتفع الخطر المتوقع عمومًا مع هذه الفئات عبر مجموعات التدريب والتحقق والاختبار:

درجات الخطر المتوقعة عبر فئات الخطر الأصلية الأربع. رغم تدريب النموذج فقط على فصل المقاطع العادية عن المحفوفة بالمخاطر، ترتفع الدرجات عمومًا من بلا خطر إلى خطر مرتفع عبر مجموعات التدريب والتحقق والاختبار. يمثل الخط المتقطع عتبة القرار 0.50.
يعلق المؤلفون:
«هذه النتيجة مهمة لأن النموذج لا يُدرّب صراحة أبدًا على الفصل بين الخطر المنخفض والمتوسط والمرتفع. ومع ذلك، تتبع تنبؤاته تدرج مستويات الخطر الأصلية.
«يشير هذا إلى أن النموذج يلتقط تغيرات ذات معنى في السلوك السابق للحادث، بدلًا من مجرد تعلم حد بسيط بين العادي والمحفوف بالمخاطر. وتقدم النتيجة أيضًا دليلًا على إمكان ظهور إشارات سلوكية مفيدة قبل بدء الحادث الموسوم.»
ويخلصون إلى:
«تشير هذه النتائج إلى إمكان وجود معلومات تمييزية مفيدة في الفترة السابقة للحادث، مما يبرز إمكان الانتقال بتحليل العنف من كشف الحدث أثناء وجوده إلى التعرف المبكر على الخطر.»
الخلاصة
هل وجد الباحثون حقًا مزيجًا من سمات «ما قبل العنف»؟ مع استخدام 443 مقطعًا فقط في التجارب، يشكل فرط التكيّف خطرًا ملحوظًا، وتكون النماذج متعددة الوسائط والشبكات الأساسية المرئية المدرّبة مسبقًا عرضة له خصوصًا. تخفف الدراسة هذا الخطر جزئيًا بتجميد الشبكة المرئية الأساسية، وفصل الفيديوهات المصدرية بين أقسام التدريب والتحقق والاختبار، واختبار تركيبات متعددة للوسائط.
لا يثبت الأداء القوي على مجموعة بيانات صغيرة أن النمط الكامن واضح أو موجود أصلًا؛ فقد يعكس إشارات خاصة بمجموعة البيانات، أو انحياز الوسم، أو تسربًا من المصدر لم يكشفه التقسيم، أو مجموعة اختبار سهلة بصورة غير معتادة.
لكن النتيجة في وضعها الراهن مثيرة للاهتمام تحديدًا لأن مجموعة البيانات صغيرة إلى هذا الحد، ولأن الحماية من فرط التكيّف تبدو كافية. ومع ذلك، يلزم تكرار النتائج على مجموعة بيانات أكبر قبل اعتبار النمط المتعلم «متينًا».
نُشر لأول مرة يوم الخميس، 1 أكتوبر 2026












