الأبحاث العلمية

تستكشف هذه الورقة فلسفياً تأثير الذكاء الاصطناعي (AI) على الإرادة الحرة. مع تزايد دمج المنظمات للذكاء الاصطناعي في جوانب مختلفة من عملياتها واعتماد الأفراد على الأدوات والخدمات المدعومة بالذكاء الاصطناعي، تبرز التساؤلات: هل استولى الذكاء الاصطناعي على إرادتنا الحرة؟ تفحص هذه الورقة مفهوم الإرادة الحرة وعواملها المحددة من وجهات نظر فلسفية.

 تستكشف كيف أن إدخال الذكاء الاصطناعي يهدد الإرادة الحرة بناءً على هذه العوامل. تناقش الورقة كيف يؤثر الذكاء الاصطناعي على عمليات اتخاذ القرار، وي manipulates (يُManipulate) المشاعر، ويفتقر إلى الاستجابة للأسباب التي يمتلكها البشر. كما تأخذ في الاعتبار العواقب المحتملة للذكاء الاصطناعي على عدم المساواة والظلم الاجتماعي.

 تعترف الأبحاث بالنقاش المستمر ولا تقدم حلولاً نهائية ولكنها تقدم حججاً تدعم فكرة أن الذكاء الاصطناعي يهدد الإرادة الحرة. إن فهم هذه الآثار أمر حاسم لحماية الاستقلالية، والاعتبارات الأخلاقية، والمبادئ الديمقراطية، ورفاهية المجتمع.

تتناول تقنية الإنجاب المساعد (Assisted Reproductive Technology) العقم من خلال دمج الحيوانات المنوية والبويضات في المختبر (in-vitro) وزرع الجنين الناتج في الأنثى لولادة صحية. يعتمد نجاح "الإنجاب المساعد" على اختيار الجنين الأكثر قابلية للحياة، وهي مهمة يقوم بها علماء الأجنة (embryologists) يدويًا. يقوم علماء الأجنة بتقييم قابلية الجنين للحياة ضمن مجموعة من خلال فحص التطور الشكلي لمراحل انقسام الجنين. ومع ذلك، فإن هذه العملية الانتقائية ذات طابع ذاتي وتستهلك الموارد. تعزز هذه الدراسة مجال تقنية الإنجاب المساعد (ART) من خلال استخدام الذكاء الاصطناعي (artificial intelligence) لتقييم الأجنة في مرحلة المورولا (morula stage).

تعتبر مرحلة المورولا مرحلة انقسام أساسية ولكنها أقل استكشافًا في تطوير الأجنة. تحاول هذه الطريقة سد الفجوة الحالية في فهم الهيكل الشكلي للمورولا وقد تحول عمليات الإنجاب المساعد من خلال تحسين معايير اختيار الأجنة. على وجه التحديد، يتم تدريب مصنف فيديو (video classifier) لتحليل التطور الشكلي للأجنة من البداية إلى نهاية مرحلة المورولا والتنبؤ بمصير الجنين - سواء لنقله، أو تجميده (cryopreserve)، أو التخلص منه. تنبأت المصنفات بكفاءة بمقاطع الفيديو "المتخلص منها" وخلطت في كثير من الأحيان بين مقاطع الفيديو "المنقولة" و"المجمدة".

تم التحقيق في فهم المصنف للخصائص الشكلية في مرحلة المورولا من خلال استخدام تقنية الذكاء الاصطناعي القابلة للتفسير (Grad-CAM explainable AI)، مما يوفر لعلماء الأجنة رؤى أعمق حول تطوير الأجنة في هذه المرحلة. أظهرت خرائط حرارة Grad-CAM أنماط تطوير مورولا مميزة للنتائج المتوقعة: مقاطع الفيديو "المجمدة" و"المتخلص منها"، بينما كانت مقاطع الفيديو "المنقولة" تفتقر إلى إشارات الشكل ذات الصلة.

الخرف، وهو اضطراب عصبي تنكسي شائع، يتطلب الكشف المبكر للتدخل والدعم الفعال. تستفيد هذه الورقة من نماذج التعلم الآلي (machine learning) والتعلم العميق (deep learning)

 لتشخيص الخرف بناءً على الأنماط اللغوية في نصوص الكلام. باستخدام مجموعات البيانات من DementiaBank، وهي Pitt Corpus وADReSS Challenge، نقوم بمعالجة البيانات مسبقًا، واستخراج الميزات اللغوية، وتطبيق التحقق المتقاطع (cross-validation) بعشر طيات. تظهر النماذج الكلاسيكية (الانحدار اللوجستي (Logistic Regression)، الغابة العشوائية (Random Forest)، الجيران الأقرب (K-Nearest Neighbors)، آلة الدعم الناقل (Support Vector Machine)، بايزي المتعدد الحدود (Multinomial Naive Bayes)) دقة متفاوتة، حيث تتصدر الغابة العشوائية بنسبة 0.90.

يُظهر التعلم المنقول (transfer learning) باستخدام نماذج BERT (bert-base-uncased، distilbert-base-uncased) نتائج واعدة، حيث حقق bert-base-uncased-LR3 دقة 0.79. تؤكد هذه الورقة على فعالية التعلم الآلي (machine learning) والتعلم المنقول (transfer learning) في الكشف عن الخرف.

في السنوات الأخيرة، حظيت كفاءة الطاقة في المباني باهتمام متزايد بسبب أهداف التخفيف من تغير المناخ، وارتفاع تكاليف الطاقة.

تستكشف هذه الورقة دمج النماذج ثلاثية الأبعاد (3D)، وأجهزة استشعار إنترنت الأشياء (IoT)، والتوائم الرقمية (Digital Twins) (DT)، والنمذجة المعتمدة على البيانات، والذكاء الاصطناعي (Artificial Intelligence) (AI)، وخاصة خوارزميات التعلم الآلي (Machine Learning) (ML) لتعزيز توقع أداء الطاقة وتحسينه في المباني القائمة. من خلال الاستفادة من البيانات في الوقت الحقيقي من أجهزة استشعار إنترنت الأشياء، توفر التوائم الرقمية (DTs) تمثيلاً رقمياً شاملاً للمباني، مما يسهل المراقبة الذكية والتحكم من أجل تعزيز كفاءة الطاقة وراحة الشاغلين.

 تقدم هذه الورقة تطوير وتطبيق توأم رقمي معتمد على البيانات لمبنى مكاتب في النرويج، مع التركيز على توقع أداء الطاقة. من خلال دراسة حالة، تم جمع نتائج ورؤى محددة بشأن جدوى وفوائد هذا النهج، جنبًا إلى جنب مع قيوده الكامنة.

تسلط النتائج الضوء على أن التقدم الكبير في كفاءة الطاقة يمكن تحقيقه من خلال النمذجة التنبؤية واستراتيجيات التحكم الذكية. في المستقبل، يتطلب تكييف هذه التقنيات معالجة التحديات الرئيسية وتطوير المنهجيات للتنفيذ الأوسع. 

من خلال تحديد ومعالجة هذه التحديات، يحمل دمج أجهزة استشعار إنترنت الأشياء (IoT)، والتوائم الرقمية (DTs)، والذكاء الاصطناعي (AI) نطاقًا كبيرًا لتحسين أداء الطاقة في المباني وتعزيز أهداف الاستدامة.

اضطراب طيف التوحد (ASD) هو اضطراب نمائي عصبي يؤثر على السلوك، والتواصل، وقدرات التعلم، والتفاعل مع الآخرين. تم استخدام أساليب مختلفة من الذكاء الاصطناعي (artificial intelligence) على مجموعة البيانات المجمعة التي تم الحصول عليها من دراسة حالة-ضابطة أجريت بأثر رجعي في عيادات الطب النفسي للأطفال.

شملت الدراسة 51 طفلاً تم تشخيصهم باضطراب طيف التوحد (ASD) و40 طفلاً نمطياً عصبياً (TDC).

 استخدمنا منهجية الذكاء الاصطناعي (artificial intelligence) للتحقيق في العلاقة بين العلامات الحيوية الأيضية (metabolic biomarkers) و(ASD).

في ظل الزيادة غير المسبوقة في محتوى الفيديو عبر الإنترنت، أصبحت الحاجة إلى أنظمة فعالة للكشف التلقائي عن العنف أمرًا بالغ الأهمية. هذا الأمر مهم بشكل خاص نظرًا لأن التعرض للعنف يمكن أن يؤثر بشكل كبير على الصحة النفسية للأفراد الذين يشاهدون مثل هذا المحتوى.

في هذه الدراسة، تم اقتراح إطار عمل موجه بالصوت والصورة للكشف عن العنف يستخدم مدخلات الصوت والفيديو لتحديد العنف بدقة في مجموعة واسعة من مقاطع الفيديو وتنبيه المستخدم في الوقت الحقيقي. الهدف من هذه الدراسة هو جمع المدخلات من مجموعة متنوعة من المصادر ومعالجة مدخلات الفيديو والصوت باستخدام تقنيات رؤية الكمبيوتر (computer vision) ومعالجة الإشارات (signal processing) على التوالي. 

يتم الاستفادة من ميزات هذه الأنماط لتصنيف الأحداث على أنها عنيفة (Violent) أو غير عنيفة (Non-violent) ومن ثم تحديد النوع المحدد من العنف باستخدام نماذج التحويل العميق (deep learning transformer models). يعمل هذا الإطار في الوقت الحقيقي ويمكن توسيعه لمراقبة وسائل التواصل الاجتماعي أو أنظمة المراقبة مع عدة كاميرات وميكروفونات في آن واحد، مما يجعله مثاليًا للتطبيقات الكبيرة في العالم الحقيقي.

 تم إجراء تحليل شامل، حيث تم تنفيذ نموذج صوت وفيديو، وتمت ملاحظة أن هذا الحل قد تفوق على معظم الطرق التقليدية للكشف عن العنف في مجموعة بيانات XD-Violence، كما يتضح من مقاييس الدقة.