بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
كيف تختبر فعالية العلاج بالموسيقى على المرضى دون تعريضهم لأغان قد تضرّ بحالتهم النفسية؟ هذا السؤال الأخلاقي المعقد دفع فريقاً من الباحثين الكنديين بقيادة Audrey Chan من جامعة مونتريال لتطوير نظام AMRS – أول نظام توصية موسيقية علاجية يعتمد على المحاكاة بدلاً من التجريب المباشر على المرضى.
النظام مُطبق فعلياً على منصات LUCID للصحة والعافية، ويخدم مجموعتين مختلفتين: مرضى إكلينيكيين (معظمهم من كبار السن المصابين بحالات عصبية معرفية) ومستخدمين عاديين يبحثون عن الاسترخاء. يعمل النظام عبر أربعة أوضاع متخصصة: التنشيط والتركيز والهدوء والنوم، ولكن التحدي الحقيقي كان في كيفية قياس النجاح دون إيذاء المرضى في العملية.
المشكلة الجوهرية أن تطبيقات الموسيقى الوظيفية – من أدوات التركيز وحتى التدخلات الإكلينيكية – تواجه معضلة مشتركة: النجاح يُحدد بالحالة العاطفية للمستمع، لكن التجريب المباشر على العواطف مُشكل أخلاقياً، خاصة مع المرضى الذين لا يستطيعون تخطي أغنية أو الإبلاغ عن الضيق بوضوح.
- بناء المحاكي العالمي: طور الفريق محولاً سببياً (causal transformer) مدرباً على بيانات الاستماع المسجلة للتنبؤ المتزامن بأربعة متغيرات: مستوى المشاركة، التقييم الثنائي، والحالة العاطفية المُبلغ عنها ذاتياً (valence و arousal).
- التدريب خارج الخط: يعمل النموذج العالمي كمحاكٍ داخلي (in-silico simulator) لتدريب سياسة التوصية دون الحاجة للتفاعل المباشر مع المستخدمين، مما يوفر بيئة آمنة للتجريب.
- اختبار الضغط قبل النشر: النظام يختبر السياسات المُطورة تحت ضغط محاكي قبل نشرها للمستخدمين الفعليين، مما يقلل المخاطر النفسية للمرضى.
- استنساخ السلوك كنقطة بداية: تبدأ سياسة التوصية بتقليد السلوك البشري (behaviour cloning) من البيانات المسجلة، ثم تُحسن تدريجياً باستخدام تحسين الأفضلية المباشر (DPO).
- تحسين متعدد الأهداف: يُطبق DPO ضد دالة فائدة متعددة الأهداف قابلة للتكوين، مما يسمح بموازنة عوامل مختلفة حسب السياق الطبي أو الشخصي.
- اختبار البداية الباردة: تحت بروتوكول صارم للبداية الباردة، نجح النموذج في التنبؤ بالإشارات السلوكية والعاطفية بدقة قابلة للاستخدام حتى مع المستخدمين الجدد.
- تحسين متوازن للأداء: حقق تحسين الأفضلية المباشر تحسناً في التنبؤ بـ valence و arousal مقارنة بالنموذج الأساسي المستنسخ، مع الحفاظ على تنوع مماثل في التوصيات وتجنب الانهيار التوزيعي الناتج عن التحسين الجشع.
النتائج المُقاسة تُظهر أن النظام حقق توازناً دقيقاً: تحسين الاستجابة العاطفية دون التضحية بتنوع التوصيات. هذا مهم لأن التحسين المفرط يمكن أن يؤدي إلى “انهيار توزيعي” حيث يوصي النظام بنفس النوع من الأغاني مراراً، مما يقلل الفائدة العلاجية طويلة المدى.
لكن النهج ليس خالياً من القيود. الاعتماد على البيانات التاريخية يعني أن النظام قد يفوت التغييرات الديناميكية في أذواق المستخدمين أو تطور حالاتهم النفسية. كما أن المرضى ذوي الأذواق الموسيقية النادرة أو الجديدة قد يحصلون على توصيات أقل دقة.
البحث المنشور في ArXiv يُقدم منهجية رائدة للتوصية العاطفية تتجاوز المعضلات الأخلاقية للتجريب المباشر. النجاح المُثبت في البيئة الإكلينيكية يفتح الطريق أمام تطبيقات طبية أوسع تتطلب تخصيص المحتوى بناءً على الاستجابة العاطفية دون المخاطرة بسلامة المرضى – من العلاج النفسي وحتى التأهيل المعرفي.
