هل يستطيع الذكاء الاصطناعي قراءة سلوك الكلاب؟ ما الذي تُظهره الدراسات؟

مراجعة أدلة موثقة تبحث في أبحاث انفعالات الكلاب ومؤشرات الألم، بدءًا من DogFACS وصولًا إلى نماذج تحليل الفيديو، وتوضح حدود نقل نتائج المختبر إلى غرفة المعيشة.

الأبحاث والأدلة | مراجعة الأدلة | آخر تحديث: 31 أغسطس 2026

الخلاصة السريعة

توضح الأبحاث الحالية أن نماذج الرؤية الحاسوبية تستطيع تصنيف تسميات محددة انطلاقًا من صور الكلاب أو مقاطع الفيديو، وذلك ضمن شروط بحثية محددة. فعلى سبيل المثال، قد يميز نموذج بين حالتين أُحدثتا تجريبيًا لدى مجموعة مضبوطة من كلاب اللابرادور، أو يصنّف مقاطع قصيرة وضع الخبراء لها تعليقات توضح مؤشرات الألم. وهذه نتيجة بحثية مهمة.

لكن ذلك لا يعني الوصول إلى مشاعر الكلب الخاصة. فالدراسات لا تثبت أن تطبيقًا على الهاتف يستطيع تشخيص الألم، أو تحديد مزاج الكلب من صورة واحدة، أو الحكم على أن الكلب آمن أو غير آمن استنادًا إلى مقطع فيديو منزلي واحد. فالسؤال لا يقتصر على قدرة النموذج على إنتاج نسبة مئوية، بل يتعلّق بما إذا كانت التسمية والبيانات وتصميم الاختبار والبيئة الواقعية تبرر القرار الذي يرغب الشخص في اتخاذه.

تطرح هذه المراجعة الأسئلة التالية: ما الذي تستطيع دراسات الرؤية الحاسوبية الحالية استنتاجه فعليًا من فيديو لوجه الكلب أو حركات جسمه، وما الأدلة التي لا تزال مفقودة قبل استخدام هذه المخرجات من قِبل أسر الحيوانات الأليفة؟

ما الذي راجعناه؟

هذه مراجعة سردية للأدلة، وليست مراجعة منهجية أو تحليلًا تلويًا. اخترنا خمسة مصادر علمية تساعد في الإجابة عن السؤال من زوايا مختلفة:

• دراسة سلوكية تأسيسية تستخدم FACS وDogFACS؛
• دراسة مضبوطة للتعلم العميق تناولت حالتين انفعاليتين لدى الكلاب؛
• دراسة لمقاطع فيديو، وضع أطباء بيطريون تعليقاتها لتحديد مؤشرات الألم؛
• دراسة اختبرت نماذج الانفعالات على مقاطع من سلالات مختلفة وفي بيئات أقل ضبطًا؛ و
• مسحًا محكّمًا من قِبل الخبراء لأساليب الرؤية الحاسوبية المستخدمة في دراسة الألم والحالات الانفعالية لدى الحيوانات.

أعطينا الأولوية للسجل الرسمي للمجلة أو المؤتمر متى كان متاحًا، ثم راجعنا النص الكامل أو مستودعًا موثوقًا. وسجّلنا في كل دراسة نوع الحيوان، والعينة، ومصدر البيانات، وتعريف التسمية، ومهمة النموذج، وتصميم التقييم، والقيود. ولم نعتبر التسويق الخاص بتطبيقات المستهلكين دليلًا، كما لم نتعامل مع الأبحاث التي تناولت أنواعًا أخرى على أنها إثباتات تخص الكلاب.

أولًا، لنحدّد ما المقصود بـ «التعرّف على الانفعالات» هنا

في الحديث اليومي، تبدو عبارة «التعرّف على انفعال كلبي» وكأنها تعني الوصول مباشرةً إلى تجربته الداخلية. أما في الدراسة، فغالبًا ما يكون المقصود أضيق من ذلك: ربط وحدات البكسل المرئية أو نقاط الجسم أو رموز حركات الوجه بتسمية حدّدها الباحثون وفق بروتوكول معين.

DogFACS مثال مفيد على ذلك. فهو نظام ترميز قائم على التشريح لوصف حركات الوجه القابلة للملاحظة. ويمنح الباحثين مفردات لوصف حركات مثل تحريك الأذن أو الرمش أو حركة الفم. لكنه ليس مقياسًا للمزاج. ففي دراسة عام 2017، استخدم Caeiro وGuo وMills نظامَي FACS وDogFACS لمقارنة حركات وجوه البشر والكلاب عبر فئات مختلفة من المحفزات. وأظهرت الكلاب حركات مميزة مرتبطة بالفئات المختلفة، لكن تلك الحركات لم تكن مجرد تعبيرات بشرية نُقلت إلى وجه الكلب. وتُعد خلاصة البحث سببًا للحد من التخمينات التي تُسقط المشاعر البشرية على الحيوانات، لا ترخيصًا لمعادلة وضعية وجه واحدة بشعور عالمي واحد. كما تتضمن المقالة تصحيحًا من المؤلفين، لذا ينبغي قراءتها باعتبارها سجلًا علميًا قابلًا للتحديث، لا قاموسًا نهائيًا للتسميات. اقرأ دراسة Scientific Reports

ويكتسب هذا الفرق أهمية لأن النموذج قد يكون بارعًا جدًا في إعادة إنتاج تسميات الدراسة، بينما تظل هذه التسميات أضيق من السؤال الذي تريد الأسرة معرفة إجابته. فقولنا «يشبه هذا المقطع حالة الإحباط في الدراسة» لا يساوي قولنا «كلبك يشعر بالإحباط».

خريطة الأدلة

تُعرض النسب المئوية باعتبارها نتائج مُعلنة، لا باعتبارها جدولًا لترتيب الأداء. تستخدم الدراسات مجموعات مختلفة من الأفراد، ومهام وتصنيفات ووحدات وتقسيمات مختلفة. وتحذر المراجعة صراحةً من أن هذه الاختلافات قد تغيّر المقياس قبل أن يرى النموذج كلبًا جديدًا أصلًا. اقرأ سجل المراجعة

ما تتفق عليه الدراسات

1. السياق جزء من القياس

جاءت أقوى نتيجة مضبوطة بشأن الانفعالات من سؤال ضيق ومحدد عمدًا. أجرى Boneh-Shitrit وزملاؤه الدراسة على 29 كلبًا من فصيلة لابرادور، وفي حالتين أُحدثتا تجريبيًا: الترقب الإيجابي والإحباط. كانت مقاطع الفيديو قصيرة ومتوازنة، وجُمعت ضمن بروتوكول صُمم لجعل الحالتين قابلتين للتفسير. وتكتسب نتيجة النموذج العميق المعلنة أهمية لأنها توضح أن النموذج يستطيع تعلّم التمييز بين الحالتين في ظل هذه الشروط، كما تتيح خرائط التوزيع الحراري فحص المواضع التي ركز عليها.

والتصميم نفسه يمثل أيضًا موطن القيد. فكلب لابرادور في تجربة مضبوطة لا يمثل كل كلب في المطبخ أو الحديقة أو غرفة العناية. كما أن مقطعًا مدته ثلاث ثوانٍ لا يعكس يومًا كاملًا من السلوك. وتشير الدراسة نفسها إلى ضرورة توسيع خصائص المشاركين، وجمع بيانات أطول وأكثر تنوعًا قبل إطلاق استنتاجات أوسع. اقرأ دراسة الانفعالات المضبوطة

2. مؤشرات الألم ليست التجربة الذاتية للألم

تحرص دراسة ألم الكلاب التي أجراها Zhu وزملاؤه على توضيح هذا الحد الفاصل. إذ يجمع مسارها بين بيانات وضعية الجسم وبيانات RGB، ويستخدم مقطعًا من ثمانية إطارات مأخوذة على مدى أربع ثوانٍ، ثم ينتج مخرجات نموذج لمهمة ثنائية لتحديد حالة الألم. وتوضح الورقة أن صورة أو مقطع فيديو واحدًا لا يستطيع قياس التجربة الذاتية للألم مباشرة. وكل ما يمكنه فعله، في أفضل الأحوال، هو تقدير المؤشرات البصرية التي مثلتها البيانات والتصنيفات.

تكتسب مجموعة البيانات قيمتها من أن مختصين بيطريين جمعوا مقاطع الفيديو ووضعوا التعليقات التوضيحية عليها. لكنها صغيرة أيضًا بمقاييس المنتجات الاستهلاكية: فهي تضم 61 فيديو مصدرًا، اشتُقت منها مقاطع قصيرة متكررة. ولا تتاح مجموعة البيانات المصدرية للعامة، مع أن الباحثين أتاحوا الشيفرة والتعليقات التوضيحية وفق الشروط الموضحة في الورقة. وتؤثر اختلافات السلالات، ووضعية الجسم، والإضاءة، وحجب أجزاء من الجسم، وسلوك التكيف، جميعها في ما تستطيع الكاميرا رؤيته. لذلك فإن قيم F1 والدقة المعلنة تمثل دليلًا على أداء ذلك المسار التجريبي، لا تشخيصًا منزليًا. اقرأ الورقة وبيان البيانات الخاص بها أو سجل المؤتمر المنشور

3. قد يتعلم النموذج الخلفية بدلًا من الكلب

اختبر Franzoni, Biondi and Milani مجموعة بيانات تضم 100 فيديو من مصادر عامة، وتغطي خمس فئات وسلالات مختلفة. ويكتسب تحليلهم أهميته لأنه يتعامل مع المعالجة المسبقة باعتبارها مسألة تتعلق بالأدلة. فقد أدى اقتصاص الوجه، وعزل الكلب، وطمس الخلفية إلى تغيير الأداء. ويناقش الباحثون نمطًا شائعًا من الإخفاق: فإذا صُوّر كثير من الكلاب «السعيدة» في الحدائق، وصُوّر كثير من الكلاب «الحزينة» في الأماكن المغلقة، فقد يتعلم النموذج التمييز بين الحديقة والغرفة بدلًا من تعابير الوجه.

ينبغي قراءة دقة 0.605 المعلنة لإعداد أحد النماذج ذات الفئات الخمس، ودقة 0.8577 القصوى لتجميعه ذي الفئتين تحت تصنيف «الخطر»، مع وضع هذا السياق في الاعتبار. فهذه الأرقام تصف مجموعة بيانات واحدة، وتعريفًا واحدًا للمهمة، وتصميمًا واحدًا للتقييم. ويشير الباحثون أنفسهم إلى نقص التنوع بين السلالات والحاجة إلى اختبار الديناميكيات الزمنية. وتتاح المقاطع المحوّلة عبر بيان بيانات الورقة، بينما تخضع المجموعة الأصلية من المصادر العامة لقيود حقوق الطبع والنشر. اقرأ دراسة Neural Computing and Applications

4. يمكن للزمن أن يحمل معلومات تفقدها الصورة الثابتة

تقسم مراجعة Broomé وزملائه أبحاث الرؤية الحاسوبية إلى أساليب تعتمد على إطار واحد، وتجميع الإطارات، ونماذج فيديو مكانية-زمانية فعلية. ويجيب كل خيار عن سؤال مختلف. فقد يكون عدّ المرات التي تتجه فيها الأذن إلى الأمام مهمة على مستوى الإطار. أما التمييز بين الرمش، أو تغير الوضعية، أو نمط متكرر من التجنب، فيتطلب تسلسلًا من الإطارات.

لكن نماذج الفيديو ليست أفضل تلقائيًا. فهي تحتاج إلى بيانات أكثر، وقد تكون مكلفة في التدريب، وقد تفرط في التكيف مع الإطارات المتكررة من التسجيل نفسه. فالصورة الثابتة والمقطع الذي مدته أربع ثوانٍ يمثلان قياسين مختلفين. وأي ادعاء موجّه للمستهلك لا يوضح نافذة الإدخال يغفل جزءًا ضروريًا من المنهجية.

5. «الدقة» لا تساوي الموثوقية

تجيب الدقة عن سؤال واحد: كم مرة تطابق التصنيف المتوقع مع التصنيف المسجل في إعداد الاختبار ذلك؟ أما F1 فتوازن الأداء بين الفئات بطريقة مختلفة. ولا يخبرنا أي من الرقمين، بمفرده، ما إذا كان النموذج مضبوطًا للعمل مع سلالة جديدة، أو عدد الحالات العاجلة التي يفوّت اكتشافها، أو ما إذا كان يعمل عبر كاميرا الهاتف، أو ما يحدث عند تغير الإضاءة والوضعية.

توضح المراجعة مشكلة المقارنة هذه بجلاء. إذ يستخدم الباحثون كاميرات وزوايا ووحدات عينات ومصادر تصنيفات وتوازنات للفئات وأساليب تحقق مختلفة. وقد يضع التقسيم العشوائي إطارات أو مقاطع شبه متطابقة من الكلب نفسه على جانبي حد الاختبار. أما التقسيم الذي يستبعد الأفراد، بحيث يُحجز كلب كامل للاختبار، فهو أصعب وأكثر إفادة في تقييم قدرة النموذج على التعميم على فرد جديد. ويظل التحقق الخارجي باستخدام عيادة أو منزل أو كاميرا أو سلالة جديدة أصعب من ذلك.

ولهذا يضع الجدول أعلاه المقياس المعلن بجانب مجموعة الأفراد والمهمة. فحذف المقام وشروط الدراسة سيحوّل نتيجة مفيدة إلى رقم تسويقي مضلل.

كيف تبدو الأدلة الأقوى

قبل أن تتمكن أداة موجهة للمستهلكين من إطلاق ادعاء عالي المخاطر بمسؤولية، سنحتاج إلى رؤية ما هو أكثر من نتيجة مرتفعة في مجموعة اختبار تابعة لورقة بحثية واحدة:

1. هدف واضح وشفاف. ينبغي أن توضّح الأداة ما إذا كانت تصنّف سلوكًا يمكن ملاحظته، أم تصنيفًا إجرائيًا مستخدمًا في دراسة، أم نتيجة سريرية. فكلمة «العاطفة» من دون تعريف محدد أوسع من اللازم.
2. مشاركون متنوعون. ينبغي أن تشمل الاختبارات سلالات مختلفة، وأشكالًا متنوعة للرؤوس، وألوانًا مختلفة للفراء، وأعمارًا وحالات صحية متعددة، إلى جانب التباين الطبيعي، مع عرض الأعداد بوضوح بدل إخفائها خلف عنوان لافت.
3. الفصل على مستوى الكلب. يجب ألا يتسرّب أي كلب أو منزل أو تسجيل مطابق تقريبًا إلى مجموعتي التدريب والاختبار.
4. التحقق الخارجي والاستباقي. ينبغي تقييم النموذج باستخدام عيادات ومنازل وكاميرات وفترات زمنية جديدة، لا على جزء محجوز من المجموعة الأصلية فحسب.
5. الإبلاغ عن الأخطاء ذات الأهمية السريرية. ينبغي الإبلاغ عن الحساسية والنوعية والمعايرة والنتائج السلبية الكاذبة ودرجة عدم اليقين، بما يتناسب مع القرار الذي يُطلب من المستخدم اتخاذه اعتمادًا على الأداة.
6. مراجعة مستقلة وتصحيح مستمر. ينبغي أن يراجع أطباء بيطريون وخبراء في سلوك الحيوانات الهدفَ والتصنيفات وصياغات السلامة وحالات الإخفاق. كما يجب أن تظل تغييرات الإصدارات والقيود المعروفة واضحة للمستخدم.
7. مسار آمن لاتخاذ الإجراء المناسب. إذا كان من الممكن أن تؤثر النتيجة في رعاية الكلب أو طريقة التعامل معه، فينبغي أن توضّح الواجهة للمستخدم ما الذي يراقبه بعد ذلك ومتى يتواصل مع طبيب بيطري. ولا ينبغي أن تحوّل نتيجة تصنيف منخفضة الثقة إلى ما يبعث على الاطمئنان.

هذه ليست عقبات اخترعتها علامة تجارية واحدة، بل هي نتائج عملية لفجوات القياس والتحقق الموضحة في الدراسات المختلفة.

حدّ عملي واضح لأسر الحيوانات الأليفة

إذا جرّبت ميزة للذكاء الاصطناعي لتحليل السلوك، فتعامل معها باعتبارها سؤالًا يوجّه ملاحظتك، لا حكمًا نهائيًا. أما الطريقة الأكثر مسؤولية فتتمثل في الآتي:

• سجّل ما حدث قبل المقطع وبعده، لا اللقطة الأكثر تعبيرًا فحسب؛
• دوّن الحركة والشهية والتنفس ووضعية الجسم والبيئة والمدة، إلى جانب الصورة؛
• قارن الملاحظة بالنمط المعتاد لكلبك، لا بتصنيف عام؛
• تجنّب تغيير الدواء أو تأخير الرعاية أو الاقتراب من كلب خائف لمجرد أن التطبيق يبدو واثقًا؛ و
• تواصل مع طبيب بيطري دون تأخير عند وجود ألم أو صعوبة في التنفس أو ضعف مفاجئ أو انهيار أو إصابة أو تغير سريع في السلوك.

تُعدّ مكتبة العافية للحيوانات الأليفة مكانًا أفضل لطرح أسئلة الرعاية العملية. ولمعرفة السياق السوقي وراء الاهتمام المتزايد بتقنيات الحيوانات الأليفة الذكية، يمكنك الاطلاع على نشرة أخبار القطاع الأسبوعية لشهر أغسطس.

الخلاصة

البحث واعد، لكن ما يقدمه أدق بكثير من الشعارات المتداولة. يمكن للرؤية الحاسوبية أن تساعد الباحثين على قياس الأنماط المرئية وتصنيف تسميات محددة بعناية. كما يمكن لـ DogFACS أن يجعل أوصاف حركات الوجه أكثر وضوحًا، وتستطيع نماذج الفيديو الجمع بين وضعية الجسم والمظهر والعامل الزمني. وهذه تطورات حقيقية.

لكن الأدلة لا تبرر بعد الاختصار الاستهلاكي الذي ينقلنا من «طابق النموذج تسميةً في دراسة» إلى «التطبيق يعرف ما يشعر به كلبي» أو «الكلب بأمان». والاختبار المفيد التالي ليس نسبة مبهرة أخرى تُعرض بمعزل عن سياقها، بل بيانات مرجعية أفضل، وكلابًا أكثر تنوعًا، والتحقق على مستوى الكلب وخارجيًا، وشفافية أكبر بشأن عدم اليقين، وحدًا واضحًا يبيّن متى تجب الاستعانة بمتخصص.

وهذا هو المعيار الذي سنعتمده في مقالات «الأبحاث والأدلة» المقبلة: عرض المصدر، والحفاظ على المنهج، وبيان درجة عدم اليقين، وجعل ما لا يمكن استنتاجه واضحًا بقدر وضوح النتيجة.

أسئلة يطرحها القرّاء

هل يستطيع تطبيق للذكاء الاصطناعي معرفة ما إذا كان كلبي سعيدًا؟

قد يصنّف التطبيق مقطعًا باستخدام تسميات تعلّمها من مجموعة بيانات محددة، لكن الدراسات الحالية لم تتحقق من وجود كاشف شامل لسعادة الكلاب المنزلية. اسأل عن التسميات والكلاب والكاميرات وتصميم الاختبار التي يستند إليها ادعاء التطبيق.

هل يستطيع نموذج لاكتشاف ألم الكلاب تشخيص حالة حيواني الأليف؟

لا. تقدّر الأبحاث المنشورة حول ألم الكلاب مؤشرات بصرية ضمن مهمة بحثية، لكنها لا تحل محل الفحص البيطري ولا تقيس الألم الذاتي مباشرةً من فيديو صُوّر في المنزل.

لماذا تُظهر الأوراق البحثية نتائج مثل 77% أو 86% أو 89% إذا كانت التقنية غير جاهزة بعد؟

قد تكون هذه الأرقام نتائج صحيحة ضمن التجارب التي أُجريت فيها. لكن لا يمكن مقارنتها مباشرة، لأن الدراسات تستخدم تصنيفات وعينات وفترات إدخال وتقسيمات ومقاييس مختلفة. ولا تصبح النتيجة مفيدة إلا إذا أُخذ معها المقام والقيود التي تحدد معناها.

ما الذي ينبغي أن أبحث عنه قبل أن أثق بادعاء حول الذكاء الاصطناعي لتحليل سلوك الكلاب؟

ابحث عن تعريف واضح لما يجري قياسه، وفصل البيانات على مستوى الكلاب، والتحقق من النتائج باستخدام بيانات خارجية، والإفصاح عن الأخطاء ودرجة عدم اليقين، ووصفٍ للبيانات المستخدمة، ومسارٍ واضح للسلامة يوجّه الحالات العاجلة إلى الطبيب البيطري.

المصادر وملاحظة التحديث

تم التحقق من جميع صفحات المصادر في 31 أغسطس 2026. وتُميّز أوصاف الدراسات الواردة أعلاه بين النتائج المُبلّغ عنها وتفسيرنا لها. وإذا صُحّح أحد المصادر أو سُحبت الدراسة أو أُجري عليها تحديث جوهري، فسنراجع الفقرة ذات الصلة ونوضح التغيير بدلاً من استبدال الاستنتاج بصمت. هذه المقالة لأغراض معلوماتية، ولا تقدّم تشخيصاً أو نصائح علاجية بيطرية.

1. Caeiro، C. وGuo، K. وMills، D. «تستجيب الكلاب والبشر للمحفزات ذات الشحنة الانفعالية بإنتاج حركات وجه مختلفة». Scientific Reports (2017؛ تصحيح من المؤلفين عام 2018). سجل Nature
2. Boneh-Shitrit, T. وآخرون. «التعرّف الآلي القابل للتفسير على الحالات الانفعالية من تعبيرات وجه الكلاب: حالتا الترقب الإيجابي والإحباط». Scientific Reports (2022). سجل Nature
3. Zhu et al. «تقدير مؤشرات الألم لدى الكلاب بالاعتماد على الفيديو». المؤتمر الدولي لمعالجة المشاعر والتفاعل الذكي التابع لمعهد مهندسي الكهرباء والإلكترونيات (سجل المؤتمر المنشور عام 2023؛ النص الكامل على arXiv، الإصدار الثاني، 2022). سجل DOI | النص الكامل
4. Franzoni، V. وBiondi، G. وMilani، A. «تقنيات متقدمة للتعرّف الآلي على مشاعر الكلاب من بيانات الفيديو باستخدام التعلم العميق». الحوسبة العصبية وتطبيقاتها (2024). سجل Springer Nature
5. Broomé، S. وآخرون. «ما هو أعمق من التتبع: مراجعة للتعرّف القائم على الرؤية الحاسوبية على آلام الحيوانات ومشاعرها». المجلة الدولية لرؤية الحاسوب (2023). سجل DOI لدى Springer | مستودع الجامعة