الحوسبة العاطفية (Affective Computing) هو مجال يهدف إلى تعزيز التفاعلات العاطفية بين البشر والآلات، ويتم تعزيز هذا المجال من خلال الجمع بين عدد من التخصصات مثل علوم الكمبيوتر وعلم النفس والعلوم المعرفية.
واكتسبت الحوسبة العاطفية شهرة واسعة خلال السنوات الأخيرة، وذلك لأنها لا تعمل فقط على إحداث ثورة في التفاعل بين الإنسان والحاسوب، إنما أيضا مع أي آلة أو نظام يعتمد على الذكاء الاصطناعي.
كما تشير الحوسبة العاطفية إلى التطور الحاصل على التقنيات لجعلها تتعرف على المشاعر البشرية وتفسيرها ومعالجتها ومحاكاتها، أو بصيغة أخرى فإن المجال يهتم بإنشاء آلات تفهم المشاعر الإنسانية وتستجيب لها، ويتم تحقيق ذلك، من خلال تمكين الآلات أو الأنظمة من التعرف على المشاعر الإنسانية وتفسيرها، والتي بدورها تساهم في تقديم استجابات دقيقة للمستخدمين.
حيث تقوم أجهزة الكمبيوتر بجمع معلومات فيما يخص بعض الجوانب مثل نغمة صوت الإنسان المتفاعل معها، وتعبيرات الوجه، ولغة الجسد، بحسب موقع "datacamp".
يتم جمع هذه البيانات من خلال أجهزة استشعار مادية مثل الميكروفونات وكاميرات الفيديو، والتي يمكنها اكتشاف الحركات والتقاط الإيماءات وإدراك التغيرات في الصوت أو النغمة وحتى التعبيرات الدقيقة للوجه.
وبمجرد جمع البيانات أو الحصول عليها، تُستخدم تقنيات التعلم الآلي لتفسير البيانات وتحديد الأنماط واتخاذ القرارات أو التنبؤات.
وتشمل تقنيات التعلم الآلي الرئيسية في الحوسبة العاطفية ما يلي:
التعلم تحت الإشراف (Supervised Learning)
هذا النهج المستخدم هو الأكثر شيوعا في الحوسبة العاطفية، بحيث يتم تدريب النموذج (الآلة الحاسوب أو أي نظام) على مجموعة بيانات مصنفة، ويتعلم النموذج التنبؤ بالتسمية.
على سبيل المثال، قد تتكون مجموعة البيانات من صور للوجوه مع تسميات تشير إلى المشاعر المعبر عنها في كل صورة. بالتالي يتعلم النموذج الخاضع للإشراف الذي تم تدريبه على مجموعة البيانات تلك، التنبؤ بالمشاعر المُعبَّر عنها.
التعلم غير المشرف عليه (Unsupervised Learning)
في طريقة التعلم غير الخاضع للإشراف، يتم تدريب النموذج على مجموعة بيانات غير مصنفة، وينبغي أن يتعلم كيفية تحديد الأنماط في البيانات دون أي توجيه.
يمكن أن تكون هذه الطريقة مفيدة في الحوسبة العاطفية لمهام مثل التجميع في الحوسبة العاطفية ، حيث يكون الهدف هو تجميع نقاط البيانات المتشابهة معا.
مثلا، يمكن استخدام نموذج التعلم غير الخاضع للإشراف لتجميع تعبيرات الوجه أو أنماط الكلام المتشابهة معا، والتي يمكن بعد ذلك تصنيفها وتفسيرها بواسطة الإنسان.
تعزيز التعلم (Reinforcement Learning)
في التعلم المعزز، يتعلم النموذج كيفية اتخاذ القرارات. يستخدم هذا النهج في الحوسبة العاطفية لتدريب النماذج التي تتفاعل مع البشر بطريقة تراعي حالتهم العاطفية.
مثال: يمكن استخدام نموذج التعلم المعزز لتدريب مساعد افتراضي يضبط سلوكه بناءً على الاستجابات العاطفية للمستخدم.
تعلم عميق (Deep Learning)
التعلم العميق هو مجموعة فرعية من التعلم الآلي الذي يركز على الشبكات العصبية الاصطناعية ذات الطبقات المتعددة.
تعتبر هذه النماذج جيدة بشكل خاص في معالجة البيانات المعقدة مثل الصور والصوت والنص، وهي أنواع شائعة من البيانات في الحوسبة العاطفية.
مثال: يمكن استخدام الشبكات العصبية التلافيفية (شبكات معقّدة يستخدمها الذكاء الاصطناعي) لتحليل تعبيرات الوجه، في حين يمكن استخدام الشبكات العصبية المتكررة (أي الأبسط) لتفسير بيانات الكلام أو النص.
نقل التعلم (Transfer Learning)
هنا، يتم استخدام نموذج تم تدريبه مسبقًا كنقطة بداية لمهمة جديدة ذات صلة، ويمكن أن يكون هذا النهج مفيدا في الحوسبة العاطفية، حيث غالبا ما يكون من الصعب الحصول على مجموعات كبيرة من البيانات.
مثال: يمكن ضبط النموذج الذي تم تدريبه مسبقا على مجموعة بيانات كبيرة من الوجوه على مجموعة بيانات أصغر من تعبيرات الوجه لإنشاء نظام للتعرف على المشاعر.
كيفية تطبيق الحوسبة العاطفية في الواقع
يمكن للحوسبة العاطفية أن تعزز تجارب المستخدم بشكل كبير من خلال إنشاء تفاعلات أكثر سهولة مع التكنولوجيا، كما أنها تمتلك القدرة على تحويل صناعات مثل الرعاية الصحية والتعليم والتسويق وخدمة العملاء من خلال توفير رؤى حول المشاعر الإنسانية، وتحسين عملية صنع القرار، ورعاية المرضى، ونتائج التعلم، والتفاعلات مع العملاء.
خدمة الزبائن
تستخدم الشركات الحوسبة العاطفية لتحسين تفاعلات العملاء، على سبيل المثال، توفر شركة "Affectiva"، وهي شركة تعمل في مجال تكنولوجيا قياس المشاعر، برنامجا يمكنه تحليل تعبيرات الوجه أثناء مكالمات الفيديو لقياس ردود أفعال العملاء ورضاهم.
الرعاية الصحية
تُستخدم الحوسبة العاطفية لمراقبة الحالة العاطفية للمرضى، والتي يمكن أن تكون مفيدة بشكل خاص في علاج الصحة العقلية، مثل ما قامت به شركة "Cogito" حيث طورت تطبيقا يستخدم التحليل الصوتي أثناء المحادثات الهاتفية لمراقبة الصحة العقلية للأفراد. ويمكنه اكتشاف علامات الاكتئاب والقلق، مما يوفر رؤى قيمة لمقدمي الرعاية الصحية.
التعليم
يمكن استخدام الحوسبة العاطفية لإنشاء بيئات تعليمية تكيفية تستجيب للحالة العاطفية للطلاب.
ووقع المثال هنا على مشروع بحثي بقيادة، هوا ليونغ فوا، تضمّن تطوير "أنظمة التدريس العاطفي" التي تستخدم الحوسبة العاطفية لاكتشاف مشاعر الطلاب مثل الإحباط أو الملل وتعديل استراتيجية التدريس وفقا لذلك.
الترفيه والألعاب
يتم استخدام الحوسبة العاطفية لإنشاء تجارب ألعاب أكثر مغامرة واستجابة، كما استخدمت لعبة "Nevermind" تقنيات لاكتشاف مستويات الخوف لدى اللاعب وضبط طريقة اللعب وفقا لذلك.
واكتسبت الحوسبة العاطفية شهرة واسعة خلال السنوات الأخيرة، وذلك لأنها لا تعمل فقط على إحداث ثورة في التفاعل بين الإنسان والحاسوب، إنما أيضا مع أي آلة أو نظام يعتمد على الذكاء الاصطناعي.
كما تشير الحوسبة العاطفية إلى التطور الحاصل على التقنيات لجعلها تتعرف على المشاعر البشرية وتفسيرها ومعالجتها ومحاكاتها، أو بصيغة أخرى فإن المجال يهتم بإنشاء آلات تفهم المشاعر الإنسانية وتستجيب لها، ويتم تحقيق ذلك، من خلال تمكين الآلات أو الأنظمة من التعرف على المشاعر الإنسانية وتفسيرها، والتي بدورها تساهم في تقديم استجابات دقيقة للمستخدمين.
حيث تقوم أجهزة الكمبيوتر بجمع معلومات فيما يخص بعض الجوانب مثل نغمة صوت الإنسان المتفاعل معها، وتعبيرات الوجه، ولغة الجسد، بحسب موقع "datacamp".
يتم جمع هذه البيانات من خلال أجهزة استشعار مادية مثل الميكروفونات وكاميرات الفيديو، والتي يمكنها اكتشاف الحركات والتقاط الإيماءات وإدراك التغيرات في الصوت أو النغمة وحتى التعبيرات الدقيقة للوجه.
وبمجرد جمع البيانات أو الحصول عليها، تُستخدم تقنيات التعلم الآلي لتفسير البيانات وتحديد الأنماط واتخاذ القرارات أو التنبؤات.
وتشمل تقنيات التعلم الآلي الرئيسية في الحوسبة العاطفية ما يلي:
التعلم تحت الإشراف (Supervised Learning)
هذا النهج المستخدم هو الأكثر شيوعا في الحوسبة العاطفية، بحيث يتم تدريب النموذج (الآلة الحاسوب أو أي نظام) على مجموعة بيانات مصنفة، ويتعلم النموذج التنبؤ بالتسمية.
على سبيل المثال، قد تتكون مجموعة البيانات من صور للوجوه مع تسميات تشير إلى المشاعر المعبر عنها في كل صورة. بالتالي يتعلم النموذج الخاضع للإشراف الذي تم تدريبه على مجموعة البيانات تلك، التنبؤ بالمشاعر المُعبَّر عنها.
التعلم غير المشرف عليه (Unsupervised Learning)
في طريقة التعلم غير الخاضع للإشراف، يتم تدريب النموذج على مجموعة بيانات غير مصنفة، وينبغي أن يتعلم كيفية تحديد الأنماط في البيانات دون أي توجيه.
يمكن أن تكون هذه الطريقة مفيدة في الحوسبة العاطفية لمهام مثل التجميع في الحوسبة العاطفية ، حيث يكون الهدف هو تجميع نقاط البيانات المتشابهة معا.
مثلا، يمكن استخدام نموذج التعلم غير الخاضع للإشراف لتجميع تعبيرات الوجه أو أنماط الكلام المتشابهة معا، والتي يمكن بعد ذلك تصنيفها وتفسيرها بواسطة الإنسان.
تعزيز التعلم (Reinforcement Learning)
في التعلم المعزز، يتعلم النموذج كيفية اتخاذ القرارات. يستخدم هذا النهج في الحوسبة العاطفية لتدريب النماذج التي تتفاعل مع البشر بطريقة تراعي حالتهم العاطفية.
مثال: يمكن استخدام نموذج التعلم المعزز لتدريب مساعد افتراضي يضبط سلوكه بناءً على الاستجابات العاطفية للمستخدم.
تعلم عميق (Deep Learning)
التعلم العميق هو مجموعة فرعية من التعلم الآلي الذي يركز على الشبكات العصبية الاصطناعية ذات الطبقات المتعددة.
تعتبر هذه النماذج جيدة بشكل خاص في معالجة البيانات المعقدة مثل الصور والصوت والنص، وهي أنواع شائعة من البيانات في الحوسبة العاطفية.
مثال: يمكن استخدام الشبكات العصبية التلافيفية (شبكات معقّدة يستخدمها الذكاء الاصطناعي) لتحليل تعبيرات الوجه، في حين يمكن استخدام الشبكات العصبية المتكررة (أي الأبسط) لتفسير بيانات الكلام أو النص.
نقل التعلم (Transfer Learning)
هنا، يتم استخدام نموذج تم تدريبه مسبقًا كنقطة بداية لمهمة جديدة ذات صلة، ويمكن أن يكون هذا النهج مفيدا في الحوسبة العاطفية، حيث غالبا ما يكون من الصعب الحصول على مجموعات كبيرة من البيانات.
مثال: يمكن ضبط النموذج الذي تم تدريبه مسبقا على مجموعة بيانات كبيرة من الوجوه على مجموعة بيانات أصغر من تعبيرات الوجه لإنشاء نظام للتعرف على المشاعر.
كيفية تطبيق الحوسبة العاطفية في الواقع
يمكن للحوسبة العاطفية أن تعزز تجارب المستخدم بشكل كبير من خلال إنشاء تفاعلات أكثر سهولة مع التكنولوجيا، كما أنها تمتلك القدرة على تحويل صناعات مثل الرعاية الصحية والتعليم والتسويق وخدمة العملاء من خلال توفير رؤى حول المشاعر الإنسانية، وتحسين عملية صنع القرار، ورعاية المرضى، ونتائج التعلم، والتفاعلات مع العملاء.
خدمة الزبائن
تستخدم الشركات الحوسبة العاطفية لتحسين تفاعلات العملاء، على سبيل المثال، توفر شركة "Affectiva"، وهي شركة تعمل في مجال تكنولوجيا قياس المشاعر، برنامجا يمكنه تحليل تعبيرات الوجه أثناء مكالمات الفيديو لقياس ردود أفعال العملاء ورضاهم.
الرعاية الصحية
تُستخدم الحوسبة العاطفية لمراقبة الحالة العاطفية للمرضى، والتي يمكن أن تكون مفيدة بشكل خاص في علاج الصحة العقلية، مثل ما قامت به شركة "Cogito" حيث طورت تطبيقا يستخدم التحليل الصوتي أثناء المحادثات الهاتفية لمراقبة الصحة العقلية للأفراد. ويمكنه اكتشاف علامات الاكتئاب والقلق، مما يوفر رؤى قيمة لمقدمي الرعاية الصحية.
التعليم
يمكن استخدام الحوسبة العاطفية لإنشاء بيئات تعليمية تكيفية تستجيب للحالة العاطفية للطلاب.
ووقع المثال هنا على مشروع بحثي بقيادة، هوا ليونغ فوا، تضمّن تطوير "أنظمة التدريس العاطفي" التي تستخدم الحوسبة العاطفية لاكتشاف مشاعر الطلاب مثل الإحباط أو الملل وتعديل استراتيجية التدريس وفقا لذلك.
الترفيه والألعاب
يتم استخدام الحوسبة العاطفية لإنشاء تجارب ألعاب أكثر مغامرة واستجابة، كما استخدمت لعبة "Nevermind" تقنيات لاكتشاف مستويات الخوف لدى اللاعب وضبط طريقة اللعب وفقا لذلك.
