الحوسبة العاطفية (Affective Computing) مجال يجمع بين الذكاء الاصطناعي وعلوم الحاسوب وعلم النفس والتفاعل بين الإنسان والآلة، بهدف بناء أنظمة تستطيع رصد بعض الإشارات المرتبطة بالتعبير العاطفي، وتمثيلها أو الاستجابة لها. وقد تعتمد هذه الأنظمة على الوجه أو الصوت أو النص أو الإشارات الفسيولوجية، أو على دمج أكثر من قناة معًا.
غير أن هناك تصحيحًا أساسيًا يجب أن يسبق أي شرح:
النظام لا يملك وصولًا مباشرًا إلى “الشعور الحقيقي” داخل الإنسان؛ بل يحلل إشارات قابلة للقياس ثم يستنتج منها احتمالات أو أنماطًا مرتبطة بالتعبير والحالة والسياق.
هذا الفرق جوهري، لأن تعبير الوجه أو نبرة الصوت أو تسارع نبض القلب لا يساوي بالضرورة عاطفة بعينها؛ فالسلوك الواحد قد يرتبط بأكثر من حالة، ويتغير تفسيره باختلاف الشخص والثقافة والموقف. ولهذا ابتعدت الحوسبة العاطفية الحديثة عن فكرة “قراءة المشاعر” المطلقة، واتجهت إلى قياس التعبير، والسياق، والاستثارة، وأنماط السلوك، مع الاعتراف الدائم بهامش من عدم اليقين.
من أين جاء مفهوم الحوسبة العاطفية؟
يرتبط تأسيس المجال الحديث ارتباطًا وثيقًا بأعمال Rosalind W. Picard في MIT Media Lab. ففي تقرير تقني صدر عام 1995 بعنوان Affective Computing، عرّفت Picard المجال بأنه الحوسبة التي ترتبط بالعاطفة أو تنشأ منها أو تؤثر فيها عمدًا، وناقشت فيه التعرف على التعبير العاطفي وتطبيقاته في التعلم والصحة والتفاعل بين الإنسان والحاسوب. ثم توسعت الفكرة في كتابها Affective Computing الذي أصبح أحد المراجع المؤسسة للمجال.
ولم تكن الفكرة الأصلية أن الحاسوب سيصبح بالضرورة “إنسانًا يشعر”، بل أن تجاهل البعد العاطفي يترك التفاعل بين الإنسان والآلة ناقصًا في مواقف كثيرة، خصوصًا حين تكون الإشارات الاجتماعية والسياق عناصر حاسمة.
الحوسبة العاطفية والتعرف على المشاعر: العام والخاص
كثيرًا ما يُستخدم المصطلحان كمترادفين، لكنهما ليسا كذلك. فـEmotion Recognition، أي التعرف على المشاعر، مجموعة فرعية من المهام التي تقع ضمن Affective Computing. أما الحوسبة العاطفية فأوسع بكثير: فهي تشمل قياس التعبير، ونمذجة الحالة الوجدانية، واكتشاف التغيرات السلوكية، وتصميم واجهات تستجيب لإشارات المستخدم، وتوليد صوت أو سلوك تعبيري، ودعم دراسات التفاعل بين الإنسان والآلة، وبناء أنظمة متعددة الأنماط. في حين يحاول نظام Emotion Recognition عادة تصنيف حالة عاطفية أو تقديرها انطلاقًا من بيانات محددة.
وقد اكتسب هذا التمييز وزنًا قانونيًا في التشريعات الحديثة؛ فقانون الذكاء الاصطناعي في الاتحاد الأوروبي يعرّف “نظام التعرف على المشاعر” بأنه نظام AI يهدف إلى تحديد عواطف الأشخاص أو نواياهم أو استنتاجها اعتمادًا على بياناتهم البيومترية.
حدود الاستنتاج: التعبير ليس الشعور
هل يستطيع الذكاء الاصطناعي معرفة ما يشعر به الإنسان فعلًا؟
ليس بشكل يقيني من إشارة واحدة. وهذه من أهم النقاط العلمية والأخلاقية في المجال كله. فلفترة طويلة ساد افتراض أن تعبيرات معينة في الوجه ترتبط مباشرة بعواطف محددة: الابتسامة تعني السعادة، والعبوس يعني الغضب، وهكذا.
لكن المراجعات العلمية الواسعة كشفت أن العلاقة بين حركات الوجه والحالة العاطفية أعقد من ذلك بكثير. فقد خلصت دراسة مراجعة معروفة في Psychological Science in the Public Interest إلى أن استنتاج المشاعر من حركات الوجه وحدها يواجه قيودًا كبيرة، وأن السياق والثقافة والفرد تؤدي أدوارًا مهمة. وأظهرت دراسة في Nature Communications عام 2024 أن المعلومات السياقية قد تكون، في بعض الحالات، أكثر إفادة من الوجه المعزول عند استنتاج الحالة العاطفية.
ولهذا تتبنى بعض المنصات الحديثة لغة أكثر تحفظًا. فـHume AI مثلًا تميز بين Expression Measurement وبين الادعاء بمعرفة ما يشعر به الشخص داخليًا؛ أي أن النظام يقيس أنماط تعبير يربطها البشر بمشاعر معينة، ولا يقدّم نفسه “قارئًا للعقل”.
الإشارة الواحدة وتفسيراتها المتعددة
يتضح الفرق بين التعبير العاطفي والحالة الداخلية حين نتأمل إشارتين مألوفتين:
| الإشارة | تفسيرات محتملة |
|---|---|
| ابتسامة | سعادة، توتر، مجاملة، سخرية، إخفاء انزعاج، استجابة لقواعد اجتماعية |
| ارتفاع النبض | خوف، حماس، تمارين، كافيين، ألم، مرض، إجهاد |
فالإشارة نفسها قابلة لأكثر من قراءة، ولذلك يُفضَّل التعامل مع مخرجات Affective AI بوصفها احتمالات أو مؤشرات، لا تشخيصات نفسية قاطعة.
كيف تمثّل الأنظمة المشاعر؟
قبل أن يحلل النظام أي إشارة، يحتاج إلى نموذج يصف به ما يحاول تقديره. ولا توجد نظرية واحدة متفق عليها لكل الاستخدامات، بل مقاربات رئيسية لكل منها مزاياها وحدودها.
النماذج الفئوية (Discrete Models)
تصنف هذه النماذج الحالات إلى فئات مثل الفرح والحزن والغضب والخوف والاشمئزاز والمفاجأة. وهي مريحة في بناء نماذج التصنيف (Classification)، لكنها قد تبسط التجربة الإنسانية أكثر من اللازم. كما أن اعتبار مجموعة صغيرة من التعبيرات “عالمية وثابتة” ليس حقيقة علمية بسيطة، إذ يدور نقاش واسع حول أثر السياق والثقافة وطبيعة الموقف.
النماذج البعدية (Dimensional Models)
بدل وضع كل حالة في صندوق مستقل، تمثّل هذه النماذج المشاعر على أبعاد مستمرة، أشهرها Valence الذي يقيس ما إذا كانت التجربة إيجابية أم سلبية، وArousal الذي يقيس مستوى الاستثارة أو النشاط. وقد تضيف بعض النماذج بعدًا ثالثًا مثل Dominance، لكنه ليس جزءًا أصيلًا من كل نموذج ثنائي الأبعاد. وميزة هذه المقاربة أنها تتيح تمثيل الحالات المختلطة أو المتدرجة بدل إجبار النظام على اختيار فئة واحدة.
FACS: وصف الحركة لا تسمية الشعور
Facial Action Coding System (FACS) نظام يفكك حركات عضلات الوجه إلى وحدات تسمى Action Units، فيسجل مثلًا حركة في الحاجب أو الفم أو المنطقة المحيطة بالعين. لكن FACS في جوهره يصف الحركة الوجهية، ولا يعني أن Action Unit معينة تكشف وحدها عاطفة داخلية ثابتة.
وتكمن أهمية هذه النقطة في أن بعض التطبيقات تقفز مباشرة من “رصد حركة وجه” إلى “معرفة ما يشعر به الإنسان”، وهي قفزة لا تصح دون نموذج وسياق وأدلة إضافية.
كيف تعمل أنظمة الحوسبة العاطفية؟
تمر هذه الأنظمة عمومًا بخمس مراحل متتابعة: تبدأ بالتقاط البيانات، ثم تنظيفها وتمثيلها، ثم استخراج الميزات منها، ثم تمريرها إلى نموذج ذكاء اصطناعي، لتنتهي بمخرجات على شكل احتمالات أو استجابة. وتختلف تفاصيل كل مرحلة باختلاف مصدر البيانات، وهو ما نتتبعه قناة بقناة.
الوجه: تحليل التعبيرات من الصورة والفيديو
يستخدم تحليل تعابير الوجه (Facial Expression Analysis) الصور أو الفيديو لاستخراج أنماط من الوجه. وتمر المنظومة عادة باكتشاف الوجه، ثم محاذاة الصورة، ثم استخراج المعالم الوجهية (Facial Landmarks) أو الميزات، ثم تمريرها إلى CNN أو Vision Transformer أو نموذج متخصص، لتنتج في النهاية درجات أو فئات مرتبطة بالتعبير. وتستطيع النماذج الحديثة التقاط أنماط أعقد بكثير مما كانت تلتقطه الطرق اليدوية القديمة.
لكن التحديات حقيقية: زاوية التصوير، والإضاءة، والنظارات والأقنعة، واختلاف أشكال الوجوه، والعمر، والثقافة، والفرق بين التعبير المصطنع والتلقائي، والسياق الاجتماعي. لذلك لا ينبغي اعتبار دقة نموذج على Dataset مخبرية دليلًا على قدرته على قراءة الحالة النفسية لشخص في أي بيئة واقعية.
للاطلاع على تطبيق عملي يوضح كيفية دمج الرؤية الحاسوبية للتعبير الوجهي مع محركات التوصية وحدودها العلمية، راجع دراستنا المتخصصة: تحليل تعابير الوجه بالكاميرا وتخصيص المحتوى: كيف تعمل أنظمة التوصية الواعية بالعاطفة؟.
الصوت: طريقة الكلام لا الكلمات وحدها
يركّز Speech Emotion Recognition وVocal Expression Analysis على طريقة الكلام لا على الكلمات فقط. فقد يحلل النظام طبقة الصوت (Pitch)، وشدته، وإيقاعه، وسرعة الكلام، والتوقفات، وجودة الصوت، إضافة إلى تمثيلات مثل Spectrogram وMFCC أو تمثيلات صوتية متعلَّمة.
وتعتمد الأنظمة الحديثة على CNN وRNN/LSTM وTransformers ونماذج التدريب المسبق للكلام (Speech Pretraining). ومع ذلك لا يكشف الصوت بدوره “الحالة الحقيقية” مباشرة؛ فقد يتحدث الشخص بهدوء وهو غاضب، أو يرفع صوته بسبب بيئة صاخبة، أو يتغير صوته بفعل المرض أو اللهجة أو العمر. وهذا تحديدًا ما تعترف به أبحاث Voice AI الحديثة: طريقة التعبير الصوتي والعاطفة الداخلية ليستا الشيء نفسه.
النص: ما وراء تحليل المشاعر
في النصوص تستخدم الأنظمة تقنيات NLP والنماذج اللغوية الكبيرة (LLMs) لتحليل المشاعر العامة (Sentiment)، وتسميات العواطف، والموقف (Stance)، والنية (Intent)، وأسلوب الكتابة، ومؤشرات لغوية معينة. لكن Sentiment Analysis ليس مساويًا للحوسبة العاطفية بالكامل. فجملة مثل «الخدمة ممتازة لكن السعر مزعج» إيجابية تجاه الجودة وسلبية تجاه السعر في آن، ومن هنا ظهرت تقنيات مثل Aspect-Based Sentiment Analysis.
وتبقى أمام تحليل النص عقبات معروفة: السخرية، واللهجات، والمجاز، والسياق، والكلمات متعددة المعاني، والاختلاف الثقافي، والنصوص القصيرة جدًا.
الإشارات الحيوية: قناة مختلفة لا جهاز كشف حقيقة
قد يبدو أن الإشارات الفسيولوجية أصدق من الوجه والصوت، لكنها في الحقيقة مختلفة لا أكثر صدقًا. فمن الإشارات المستخدمة ECG وHRV وPPG وEDA/GSR وEEG، إضافة إلى التنفس ودرجة حرارة الجلد. وتكمن فائدتها في أن بعض الاستجابات الفسيولوجية ترتبط بدرجة الاستثارة أو الضغط أو النشاط العصبي، لكنها ليست خريطة مباشرة لكل عاطفة.
خذ مثلًا EDA: قد تكون حساسة للتغير في الاستثارة، لكنها لا تخبرنا وحدها ما إذا كان الشخص خائفًا أم متحمسًا.
وكذلك HRV، الذي قد يتغير بسبب الضغط النفسي، لكنه يتأثر أيضًا بالنشاط البدني والتنفس والعمر والأدوية والحالة الصحية. فالإشارات الحيوية قناة قوية، خصوصًا عند دمجها مع السياق وبيانات أخرى، لكنها لا تمنح النظام وصولًا مباشرًا إلى “الحقيقة العاطفية”.
الدمج متعدد الأنماط
تجمع Multimodal Affective Computing أكثر من قناة: الوجه والصوت والنص والحركة والإشارات الفسيولوجية. والمنطق أن القناة الواحدة قد تكون غامضة، بينما تضيف القنوات الأخرى سياقًا يزيل الغموض؛ فإذا كان النص ساخرًا قد تساعد النبرة على تفسيره، وإذا كان الوجه محجوبًا جزئيًا قد يسد الصوت أو السياق الفجوة.
لكن الدمج لا يحول الاستنتاج تلقائيًا إلى حقيقة. فإذا كانت كل قناة منحازة أو غير دقيقة أو خارج سياق التدريب، فقد يجمع النظام عدة إشارات غير موثوقة بدل أن يحل المشكلة.
أين تُستخدم الحوسبة العاطفية؟
تختلف قيمة هذه التقنيات ومخاطرها اختلافًا كبيرًا من مجال إلى آخر، ولذلك يستحق كل مجال قراءة مستقلة.
التفاعل بين الإنسان والآلة
من أكثر الاستخدامات منطقية تصميم واجهات تستجيب إلى إشارات التعبير والتفاعل بدل الاقتصار على الأوامر الصريحة. فالمساعد الصوتي قد يرصد التردد أو الإحباط في صوت المستخدم، فيبطئ الشرح، أو يغير أسلوب الرد، أو يطلب توضيحًا، أو يحوّل المستخدم إلى دعم بشري. وتقدم Hume AI حاليًا أدوات لقياس أنماط التعبير في الصوت مثل الإيقاع والطاقة والتردد ومجموعة كبيرة من أبعاد التعبير، مع التأكيد على أنها تقيس expression لا الحالة الداخلية اليقينية.
مراقبة السائق والسلامة
يمكن للأنظمة داخل المركبة تحليل اتجاه النظر، وإغلاق العينين، والتثاؤب، ووضعية الرأس، والتشتت، وبعض التعبيرات أو خصائص الصوت. وتوفر شركات مثل Smart Eye أنظمة Driver Monitoring قائمة على Computer Vision، مع قدرات إضافية مرتبطة بتحليل التعبير.
لكن يجب التفريق هنا بين أمرين: اكتشاف النعاس أو التعب، وهو حالة جسدية وسلوكية مرتبطة بالسلامة، واستنتاج المشاعر مثل الغضب أو الحزن. وحتى قانون الذكاء الاصطناعي الأوروبي يميز قانونيًا بينهما، ويستثني رصد التعب لأغراض السلامة من تعريف Emotion Recognition في هذا السياق.
الصحة والبحث السريري
تستخدم أبحاث Digital Phenotyping بيانات الهواتف والأجهزة القابلة للارتداء لدراسة ارتباط السلوك الرقمي بالحالة الصحية والنفسية، وقد تشمل الحركة والنوم والنشاط والتفاعل مع الهاتف والصوت والاستبيانات وبعض المؤشرات الحيوية. وهي مجالات واعدة في المراقبة والبحث، لكن الدراسات الحديثة تؤكد أن الدليل ما يزال غير متجانس، وأن اختلاف الأجهزة والبيانات وتصميمات الدراسات يجعل التعميم والانتقال إلى الاستخدام السريري أمرًا يحتاج حذرًا. لذلك يجب التعامل مع هذه الأنظمة بوصفها أدوات بحث أو دعم قرار عندما تكون موثقة، لا بديلًا تلقائيًا عن التقييم الطبي أو النفسي.
التعليم
في التعليم يمكن رصد مؤشرات مثل التفاعل والتردد والوقت المستغرق في المهمة وطلبات المساعدة والتنقل داخل المحتوى وسلوك الواجهة، واستخدامها لتعديل المحتوى أو تقديم تلميحات. لكن ثمة خط أحمر واضح:
في الاتحاد الأوروبي، يحظر AI Act استخدام أنظمة AI التي تستنتج مشاعر الأشخاص من بياناتهم البيومترية في أماكن العمل والمؤسسات التعليمية، باستثناء استخدامات محددة لأسباب طبية أو سلامة.
ومعنى ذلك أن تشغيل كاميرا الطالب لاستنتاج “الملل” أو “الإحباط” داخل مؤسسة تعليمية ليس مجرد مسألة دقة وخصوصية، بل قد يقع في نطاق استخدام محظور قانونيًا داخل الاتحاد الأوروبي. أما التحليلات السلوكية (Behavioral Analytics) التي لا تستنتج المشاعر من البيانات البيومترية فمسألة مختلفة، تحتاج تقييمًا مستقلًا من زاويتي الخصوصية والقانون.
دعم التعلم والاحتياجات الخاصة
توجد تطبيقات تعليمية تساعد الأطفال، ومنهم بعض الأطفال المصابين باضطراب طيف التوحد، على تعلم التعرف على تعبيرات الوجه أو استخدام وسائل التواصل البديل. لكن ينبغي الحذر من إطلاق اسم “Emotion AI” على كل تطبيق من هذا النوع. فـOtsimo مثلًا يقدم ألعابًا وتعليمًا خاصًا وتدريبًا على الكلام والتواصل، ويتضمن أنشطة لتعلم تمييز المشاعر والتعبيرات، لكنه ليس بحد ذاته دليلًا على نظام يستنتج الحالة العاطفية الداخلية للطفل من صوته.
الحوسبة العاطفية والتعاطف الاصطناعي
قد يولّد النموذج ردًا يبدو متعاطفًا، من قبيل: «يبدو أن هذا الموقف كان مرهقًا. هل تريد أن نراجع الخيارات خطوة بخطوة؟». لكن ذلك لا يعني أن النظام يشعر بالتعاطف كما يشعر الإنسان. فالأدق تسمية هذا السلوك Empathic response أو Empathy simulation أو Emotionally adaptive interaction، أما الادعاء بأن النظام يمتلك تجربة وجدانية داخلية فمسألة مختلفة تمامًا لا تثبتها جودة الرد.
ويكتسب هذا الفرق أهمية خاصة في أنظمة الصحة النفسية والمحادثة، لأن المستخدم قد ينسب إلى النظام قدرات نفسية أو علاقة شخصية تتجاوز ما يمتلكه فعليًا.
مخاطر الحوسبة العاطفية
الخلط بين التعبير والمشاعر الحقيقية
أكبر الأخطاء تحويل الإشارة إلى حقيقة قاطعة: فالعبوس لا يعني الغضب دائمًا، والابتسامة لا تعني السعادة دائمًا، وارتفاع النبض لا يعني الخوف دائمًا. ويتفاقم هذا الخطأ مع نقص السياق، الذي قد يكون أهم من الإشارة نفسها؛ فالجملة أو النظرة أو النبرة نفسها تحمل معاني مختلفة في مواقف مختلفة.
الاختلافات الثقافية والفردية والتحيز
تؤثر الثقافة في كيفية التعبير، وفي مدى إظهار المشاعر، وفي تفسير الوجه والصوت، وفي القواعد الاجتماعية الحاكمة لذلك كله، وتُظهر الدراسات الحديثة أن وصف تعبيرات الوجه وتفسيرها يتأثران بالثقافة. ويتصل بذلك خطر التحيز: فإذا كانت الـDataset تمثل فئة سكانية أكثر من غيرها، قد ينخفض الأداء على ثقافات وأعمار أخرى، وعلى الأشخاص ذوي الإعاقة، واللهجات المختلفة، وأنماط التعبير غير الممثلة.
الخصوصية
بيانات الحوسبة العاطفية ليست بيانات عادية، إذ قد تشمل الوجه والصوت والسلوك والنبض وموصلية الجلد وأنماط الاستخدام، بل بيانات صحية أو شبه صحية. ولذلك تفرض أسئلة أساسية نفسها: هل يعرف الشخص ما الذي يُجمع عنه؟ ولماذا يُجمع؟ وهل يمكن إعادة استخدامه؟ ومن يملك البيانات؟ ومتى تُحذف؟ وهل يمكن أن تؤثر النتيجة في قرار يخصه؟
التلاعب العاطفي
إذا عرف النظام أن المستخدم متردد أو خائف أو متحمس، فقد تُستخدم المعلومة لتحسين المساعدة، لكنها قد تُستخدم أيضًا لتوقيت إعلان، أو دفع قرار شرائي، أو التأثير في السلوك في لحظة ضعف. لذلك لا تكفي دقة النموذج؛ يجب تقييم غرض الاستخدام نفسه.
القرارات عالية المخاطر
لا ينبغي استخدام تقدير عاطفي غير موثوق عاملًا حاسمًا منفردًا في التوظيف، أو العقوبات، أو التشخيص الطبي، أو تقييم الطلاب، أو الائتمان، أو التحقيقات، أو التنبؤ بالسلوك الإجرامي. فكلما زادت خطورة القرار، ارتفع مستوى الإثبات والشفافية والرقابة البشرية المطلوب.
ماذا يقول قانون الذكاء الاصطناعي الأوروبي عن Emotion AI؟
بحلول عام 2026 أصبح البعد القانوني جزءًا أساسيًا من أي نقاش جاد حول Affective Computing. فـEU AI Act يعرّف نظام التعرف على المشاعر بأنه نظام AI يهدف إلى تحديد مشاعر الأشخاص أو نواياهم أو استنتاجها اعتمادًا على بياناتهم البيومترية، ويحظر استخدام هذه الأنظمة في أماكن العمل والمؤسسات التعليمية، مع استثناءات محددة حين يكون الاستخدام لأسباب طبية أو سلامة.
كما يفرض القانون، في الاستخدامات المسموح بها التي تنطبق عليها أحكامه، التزامًا بإبلاغ الأشخاص المعرضين لنظام Emotion Recognition بوجوده وتشغيله، مع مراعاة قوانين حماية البيانات ذات الصلة. وهذا مثال واضح على انتقال القضية من نقاش أخلاقي نظري إلى متطلبات قانونية فعلية.
كيف نقيّم نظام حوسبة عاطفية قبل استخدامه؟
السؤال المعتاد «كم تبلغ دقته؟» لا يكفي وحده. فالتقييم الجاد يمر بستة أسئلة أوسع:
| السؤال | ما الذي يُفحص |
|---|---|
| ما الذي يقيسه فعلًا؟ | حركة الوجه، نبرة الصوت، استثارة فسيولوجية، Sentiment، Engagement، أم Emotion label؟ |
| ما الـGround Truth؟ | هل حُددت الحقيقة أثناء التدريب عبر Self-report، أم تصنيف مراقبين، أم تمثيل ممثلين، أم تشخيص سريري، أم مهمة مخبرية؟ |
| هل اختُبر خارج المختبر؟ | الأداء مع كاميرا هاتف، وإضاءة سيئة، وبيئة متعددة الثقافات، وضوضاء، ومرض، واستخدام يومي طويل |
| هل توجد نتائج عبر مجموعات مختلفة؟ | الجنس، العمر، اللغة، الثقافة، لون البشرة، الإعاقة، الأجهزة المختلفة |
| ما كلفة الخطأ؟ | خطأ في تعديل لون واجهة ليس كخطأ في تشخيص أو توظيف أو تقييم طالب أو قرار أمني |
| هل يحتاج النظام أصلًا إلى استنتاج المشاعر؟ | أحيانًا تكون الإشارات السلوكية المباشرة أفضل وأقل تدخلًا |
والسؤال الأخير كثيرًا ما يُغفل رغم أنه قد يكون الأهم: فإذا أردنا معرفة ما إذا كان الطالب شاهد الفيديو حتى نهايته، فقد تكون التحليلات العادية أنسب بكثير من كاميرا تحاول استنتاج “الملل”.
ما مستقبل الحوسبة العاطفية؟
لا يكمن المستقبل الأقوى للمجال بالضرورة في “آلة تقرأ المشاعر بدقة مطلقة”. فالاتجاه الأكثر واقعية هو بناء أنظمة متعددة الأنماط وواعية بالسياق وأكثر تخصيصًا، صريحة بشأن عدم اليقين، وأفضل في قياس التعبير منها في ادعاء قراءة العقل. أنظمة تعمل محليًا أو بطرق تحافظ على الخصوصية حين يناسب ذلك، وتُختبر عبر ثقافات ولهجات وبيئات متعددة، وتُبقي الإنسان في الحلقة (Human-in-the-loop) في القرارات الحساسة، وتفصل بين الحالات الجسدية والتعبير والحالة النفسية، وترسم حدودًا واضحة بين المساعدة والتلاعب.
وفي الأثناء يتطور Voice AI بسرعة نحو قياس أبعاد تعبير أكثر تفصيلًا بدل حصر الإنسان في ست فئات عاطفية فقط. وفي الصحة يتقدم Digital Phenotyping، لكن الدراسات الحديثة ما تزال تطالب بمزيد من التقييس والتحقق الخارجي قبل الانتقال الواسع إلى الممارسة السريرية.
الخلاصة
الحوسبة العاطفية من أكثر تقاطعات الذكاء الاصطناعي والعلوم الإنسانية إثارة، لأنها تتعامل مع جزء من التفاعل ظل الحاسوب يتجاهله طويلًا: التعبير والسياق الوجداني. فالأنظمة قادرة على تحليل الوجه والصوت والنص والإشارات الحيوية، والذكاء الاصطناعي قادر على اكتشاف أنماط لا يستطيع الإنسان مراقبتها يدويًا على نطاق واسع.
لكن القدرة على قياس الإشارة لا تعني معرفة الشعور الداخلي يقينًا، وهذا هو الخط الفاصل بين الاستخدام الجيد للتقنية والاستخدام المضلل لها. ولن يعتمد مستقبل المجال على نماذج أدق فحسب، بل على تعريف واضح لما يُقاس، وسياق أفضل، وبيانات أكثر تمثيلًا، واختبار واقعي، واحترام للخصوصية، وتنظيم للاستخدامات عالية المخاطر، وإبقاء الإنسان في مركز القرار حين تكون النتيجة حساسة.
المصادر والمراجع
Rosalind W. Picard, Affective Computing, MIT Media Laboratory Technical Report No. 321 (1995)
https://vismod.media.mit.edu/tech-reports/TR-321.pdfMIT Press — Affective Computing, Rosalind W. Picard
https://mitpress.mit.edu/9780262661157/affective-computing/Barrett et al. (2019), Emotional Expressions Reconsidered: Challenges to Inferring Emotion From Human Facial Movements
https://journals.sagepub.com/doi/full/10.1177/1529100619832930Goel et al. (2024), Face and context integration in emotion inference is limited and variable across categories and individuals, Nature Communications
https://www.nature.com/articles/s41467-024-46670-5Wnuk & Wodowski (2024), Culture shapes how we describe facial expressions, Scientific Reports
https://www.nature.com/articles/s41598-024-72432-wFrontiers in Digital Health (2025), Emotionally adaptive support: a narrative review of affective computing for mental health
https://www.frontiersin.org/journals/digital-health/articles/10.3389/fdgth.2025.1657031/fullDigital phenotyping for mental health conditions: a systematic review of implementation and application (2026)
https://pmc.ncbi.nlm.nih.gov/articles/PMC13391508/Regulation (EU) 2024/1689 — Artificial Intelligence Act
https://eur-lex.europa.eu/eli/reg/2024/1689/2026-07-27/engHume AI — Expression Measurement API
https://www.hume.ai/expression-measurement-apiHume AI — Can AI “detect” emotions?
https://www.hume.ai/blog/can-ai-detect-emotionsSmart Eye — Driver Monitoring System
https://smarteye.se/solutions/automotive/driver-monitoring-system/Otsimo — Special Education and Speech Therapy
https://otsimo.com/en/Otsimo — Learn Feelings
https://otsimo.com/en/game/learn-emotions/
الأسئلة الشائعة حول المقال
ما هي الحوسبة العاطفية؟
الحوسبة العاطفية هي مجال يدرس بناء أنظمة قادرة على رصد وتمثيل والاستجابة لإشارات مرتبطة بالعاطفة والتعبير، باستخدام بيانات مثل الوجه والصوت والنص والإشارات الفسيولوجية.
هل يستطيع الذكاء الاصطناعي قراءة المشاعر من الوجه؟
يمكنه تصنيف أنماط في تعابير الوجه، لكن لا يمكن اعتبار الوجه وحده قراءة يقينية للحالة العاطفية الداخلية. السياق والثقافة والفروق الفردية تؤثر في التفسير.
ما الفرق بين تحليل المشاعر Sentiment Analysis والحوسبة العاطفية؟
Sentiment Analysis يركز عادةً على اتجاه أو موقف النص، بينما Affective Computing أوسع وتشمل الوجه والصوت والسلوك والإشارات الحيوية والتفاعل التكيفي.
هل الإشارات الحيوية تكشف المشاعر بدقة أكبر؟
توفر معلومات مفيدة عن الاستثارة والحالة الفسيولوجية، لكنها ليست مقياسًا مباشرًا لعاطفة محددة. يجب تفسيرها مع السياق ومع متغيرات أخرى.
ما استخدام الحوسبة العاطفية في السيارات؟
يمكن أن تستخدم أنظمة المقصورة الرؤية الحاسوبية والصوت لرصد التشتت والتعب وبعض أنماط التعبير. ويجب التفريق بين كشف النعاس لأغراض السلامة وبين استنتاج المشاعر.
هل تستخدم الحوسبة العاطفية في التعليم؟
توجد أبحاث ومنصات تقيس التفاعل والسلوك، لكن استنتاج المشاعر من البيانات البيومترية داخل المؤسسات التعليمية محظور في الاتحاد الأوروبي بموجب AI Act، باستثناء استخدامات طبية أو سلامة محددة.
هل الحوسبة العاطفية مناسبة للصحة النفسية؟
هي مجال بحث واعد في المراقبة وDigital Phenotyping، لكن الأدلة السريرية ما تزال متفاوتة، ولا ينبغي أن تحل هذه الأنظمة محل التقييم المهني دون تحقق واعتماد مناسبين.
هل يمكن للذكاء الاصطناعي أن يكون متعاطفًا؟
يمكنه توليد استجابة تبدو متعاطفة وتتكيّف مع التعبير والسياق، لكن هذا لا يثبت أنه يشعر بالتعاطف كتجربة داخلية بشرية.
كيف يحلل النظام التعبير العاطفي من صوت المتحدث؟
يركز تحليل الصوت على طريقة الكلام لا على الكلمات وحدها، فيستخرج خصائص مثل Pitch وشدة الصوت والإيقاع وسرعة الكلام والتوقفات وSpectrogram وMFCC، ثم يمررها إلى نماذج مثل CNN أو LSTM أو Transformers. لكن الصوت لا يكشف الحالة الحقيقية مباشرة، فقد يتحدث الشخص بهدوء وهو غاضب أو يتغير صوته بسبب المرض أو اللهجة أو الضوضاء.
ما الفرق بين تمثيل المشاعر بالفئات وتمثيلها بالأبعاد؟
النماذج الفئوية تصنف الحالة إلى فئات مثل الفرح والحزن والغضب والخوف، وهي سهلة في بناء نماذج Classification لكنها قد تبسط التجربة الإنسانية أكثر من اللازم. أما النماذج البعدية فتمثل المشاعر على أبعاد مستمرة أشهرها Valence لمدى إيجابية التجربة وArousal لمستوى الاستثارة، مما يسمح بتمثيل حالات مختلطة أو متدرجة بدل فرض فئة واحدة.
النقاش الهندسي والملاحظات (0)
سجّل الدخول للمشاركة في النقاش والرد على التعليقات والإعجاب بها.
