بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
تعرف على نموذج لم يكتفِ بسماع أصوات الحيوانات، بل راح يقرأ متى وأين سُجّلت — ليحقق أداءً يتجاوز نماذج رائدة في التعرف على الأنواع. هذا ما يقدمه MetaPerch، النموذج الأساسي الجديد للصوتيات الحيوانية (bioacoustics) الذي قدّمه الباحثون مصطفى شاسماي وفينسنت دومولان وجيني هامر في ورقة بحثية نُشرت على arXiv في الخامس عشر من يوليو 2026.
المشكلة التي يحلّها MetaPerch ليست في شحّ البيانات، بل في إهدار ما هو موجود. منصات علم المواطنين كـ Xeno-Canto تحتوي على ملايين التسجيلات الصوتية المرفقة بمعلومات ثرية: الموقع الجغرافي، التوقيت، الموسم، وسياقات بيئية أخرى — بيانات لم يكن النماذج السابقة تستثمرها. الأبحاث السابقة أثبتت أن الإشراف المباشر وحده يكفي لبناء نماذج كشف أنواع تحقق أداءً متطوراً عند تدريبها على هذه البيانات الضخمة، غير أن الإمكانات المتاحة في البيانات الوصفية ظلّت معطّلة تماماً (وفقاً لـ arXiv).
الفكرة الجوهرية في MetaPerch هي معاملة البيانات الوصفية كإشارات إشراف مساعدة، لا مجرد حقول وصفية. حين يعلم النموذج أن تسجيلاً ما جاء من غابات استوائية في أبريل، يبدأ في بناء ارتباطات داخلية بين الأنواع وبيئاتها وتوقيتات نشاطها — ما يمنحه تمثيلاً أغنى وأكثر تعميماً من النموذج الذي يسمع الصوت فحسب. هذا النهج مهم بشكل خاص في مراقبة الأصوات السلبية (Passive Acoustic Monitoring — PAM)، حيث تواجه النماذج قيوداً واقعية كالتغيّر في توزيع الأنواع عبر المناطق وتباين الأجهزة والبيئات الصوتية المختلفة.
على صعيد المنهجية، أجرى الفريق دراسة تجريبية موسّعة غطّت 9 مصادر مختلفة من البيانات الوصفية، واختبر النموذج على 17 مجموعة بيانات صوتية حيوانية متنوعة، وهو نطاق تقييم يتجاوز ما أجرته معظم الدراسات السابقة في هذا المجال (وفقاً لـ arXiv). التنويع هذا ليس ترفاً أكاديمياً — فنماذج الصوتيات الحيوانية عادةً ما تُقيَّم على مجموعات بيانات ضيقة لا تعكس تعقيد البيئات الواقعية التي تُنشر فيها.
النتيجة: MetaPerch يحقق أداءً قوياً في تحديد هوية الأنواع عبر مجالات متعددة وصعبة، وهو ما يصفه الباحثون بـ”strong species identification performance across multiple challenging domains” (وفقاً لـ arXiv). الخسارة المحتملة عند نشر هذه النماذج في الطبيعة — مثل مراقبة طيور مهددة بالانقراض أو رصد اضطرابات النظام البيئي — تجعل هذا التحسين في قدرة التعميم ذا قيمة حقيقية تتجاوز الأرقام في الجداول.
ما يستحق الانتباه هنا هو النموذج المعرفي لا النموذج البرمجي وحده. الفكرة القائلة بأن “السياق” الموجود في البيانات الوصفية يمكن ترجمته إلى إشارة تدريبية صريحة قابلة للتطبيق على مجالات أخرى — من الرصد البيئي إلى تصنيف الأصوات الحضرية. وهذا يطرح تساؤلاً عملياً لمن يعمل في مجال الذكاء الاصطناعي البيئي: هل البيانات الوصفية في منظومتك تُهمَل في خطوة المعالجة المسبقة؟
الورقة البحثية تقع ضمن مجالَي تعلم الآلة (cs.LG) وعلم الصوت (cs.SD) في arXiv، ويمكن الوصول إليها عبر المعرّف الرقمي الرسمي DOI. النموذج يمثّل خطوة نضج في مجال الذكاء الاصطناعي الحيوي، من نماذج تسمع إلى نماذج تفهم السياق.
