GRDD+: An Extended Greek Dialectal Dataset with Cross-Architecture Fine-tuning Evaluation
تقدم هذه الورقة البحثية GRDD+، وهي مجموعة بيانات موسعة بشكل كبير للهجات اليونانية تشمل 10 تنوعات وأكثر من 6.3 مليون كلمة، وتقيم تأثيرها من خلال تجارب الضبط الدقيق على ثلاث بنيات لنماذج اللغات الكبيرة مقارنة بالنماذج الرائدة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل عالم الذكاء الاصطناعي (AI) كمكتبة ضخمة وذكية للغاية. لفترة طويلة، كانت هذه المكتبة مجهزة بالكامل تقريبًا بكتب مكتوبة بـ "اللغة اليونانية الحديثة القياسية" — وهي النسخة الرسمية من اللغة المستخدمة في الكتب المدرسية، والأخبار، والوثائق الرسمية.
لكن اليونان بلد مليء بالأصوات المتعددة. تمامًا مثل العائلة التي يمتلك فيها الجميع لهجاتهم الخاصة، وتعبيراتهم العامية، وأسلوبهم في سرد القصص، تمتلك اليونانية عشرات اللهجات. بعضها يُتحدث في الجزر، وبعضها في قرى جبلية، وبعضها في إيطاليا، وبعضها حتى لغات قديمة نجت لآلاف السنين.
ما هي المشكلة؟ كانت مكتبة الذكاء الاصطناعي تفتقر إلى معظم هذه الأصوات الفريدة. إذا طلبت من الذكاء الاصطناعي أن يروي قصة بلهجة محلية معينة، فسيظهر صوته آليًا، أو مرتبكًا، أو خاطئًا تمامًا.
هذه الورقة البحثية، التي تحمل عنوان GRDD+، تشبه مشروع ترميم ضخم لتلك المكتبة. إليك تفصيل بسيط لما قام به الباحثون:
1. "المجموعة العظيمة" (مجموعة البيانات)
خرج الباحثون وجمعوا كمية هائلة من النصوص من الإنترنت، والكتب القديمة، والأغاني، والحكايات الشعبية. لم يكتفوا فقط بالأنواع الأربعة الرئيسية التي كانت لديهم من قبل، بل بحثوا عن ستة أنواع جديدة ونادرة من اللغة اليونانية، بما في ذلك:
- اليونانية الكورسيكية (Greco-Corsican): لهجة يونانية تتحدث بها طائفة صغيرة في كورسيكا (فرنسا) وهي الآن منقرضة.
- الغريكو (Griko): لهجة يونانية يتحدث بها سكان جنوب إيطاليا.
- التساكونية (Tsakonian): لهجة قديمة جدًا وفريدة من نوعها، وهي مختلفة لدرجة أنها تكاد تكون لغة منفصلة.
- الكاثاريفوسا (Katharevusa): نسخة "نقية" من اليونانية كانت تُستخدم في الكتابات الرسمية لفترة طويلة.
انتهى بهم المطاف بامتلاك مجموعة ضخمة من 6.3 مليون كلمة تغطي 10 أنواع مختلفة. فكر في هذا كملء المكتبة بآلاف الكتب الجديدة المكتوبة بالأصوات الحقيقية لأشخاص حقيقيين، وليس فقط من الكتب المدرسية.
2. "المعسكر التدريبي" (الضبط الدقيق)
امتلاك الكتب أمر رائع، لكن نموذج الذكاء الاصطناعي (الطالب) يحتاج لتعلم كيفية قراءتها. أخذ الباحثون ثلاثة نماذج ذكاء اصطناعي شهيرة (فكر فيهم كطلاب مختلفين: Llama-3، و Llama-3.1، و Krikri) ووضعوهم في معسكر تدريبي خاص.
لقد غدّوا هذه النماذج بالبيانات اللهجية الجديدة. الأمر يشبه أخذ طالب يعرف فقط التحدث بالإنجليزية الرسمية وتعليمه كيف يتحدث بلكنة اسكتلندية ثقيلة، ولهجة أمريكية جنوبية، ولهجة كوكني (لندن) في آن واحد.
3. "اختبار التذوق" (التقييم)
بمجرد انتهاء التدريب، وضع الباحثون الذكاء الاصطناعي تحت الاختبار. طلبوا منه كتابة قصص قصيرة، وحوارات، وقطع إبداعية بهذه اللهجات.
ثم استعانوا بـ متحدثين أصليين (بشر حقيقيون نشأوا وهم يتحدثون هذه اللهجات) ليعملوا كحكام. أعطى الحكام الذكاء الاصطناعي درجة من 1 إلى 5:
- 1: "يبدو هذا مزيفًا وآليًا تمامًا."
- 5: "يبدو هذا تمامًا مثل متحدث أصلي؛ لا يمكنني معرفة أنه آلة."
4. النتائج المفاجئة
هنا تصبح القصة مثيرة للاهتمام:
- الطالب "المتخصص" فشل: أحد الطلاب، وهو Krikri، تم بناؤه خصيصًا للغة اليونانية. قد تظن أنه سيكون الأفضل. لكن للمفاجأة، لم يكن الأفضل في اختبارات اللهجات. اتضح أن مجرد معرفة "اللغة الأساسية" جيدًا لا يجعلك بالضرية بارعًا في اللكنات المحلية.
- الطلاب "العامّون" تألقوا: النماذج الأخرى (Llama)، التي لم تُبنَ خصيصًا لليونانية، تعلمت اللهجات بشكل أفضل بعد التدريب.
- نماذج "الرؤساء الكبار": قارن الباحثون أيضًا نماذجهم المدربة مقابل أقوى نماذج الذكاء الاصطناعي في العالم وأكثرها تكلفة (مثل الإصدارات الأحدث من ChatGPT، و Claude، و Gemini).
- الأخبار الجيدة: غالبًا ما تفوقت نماذجهم الأصغر والمدربة على النماذج الضخمة والمكلفة في لهجات محددة! وهذا يثبت أن التدريب المتخصص أكثر أهمية من مجرد امتلاك عقل عملاق.
- الأخبار السيئة: بعض نماذج "الرؤساء الكبار" الحديثة (مثل Gemini الأحدث) أصبحت في الواقع أسوأ في التعامل مع اللهجات، ويرجع ذلك على الأرجب إلى أنها دُرِّبت لتكون أكثر "معيارية" وفقدت قدرتها على التعامل مع الاختلافات المحلية.
5. "سحر البيانات الصغيرة"
أحد أروع الاكتشافات كان حول اليونانية الشمالية. كان لدى الباحثين كمية ضئيلة جدًا من البيانات لهذه اللهجة (حوالي 333 مثالاً فقط). قد تظن أن الذكاء الاصطناعي سيفشل فشلاً ذريعًا. بدلاً من ذلك، كان أداؤه مشابهًا تقريبًا لأدائه مع مجموعات البيانات الضخمة!
التشبيه: الأمر يشبه تعليم شخص ما القيادة. لا تحتاج للقيادة لمسافة 10,000 ميل لتعلم الأساسيات؛ أحيانًا، تكون بضع ساعات من الممارسة المركزة وعالية الجودة في الظروف الصحيحة كافية لجعلك تقود بأمان.
لماذا يهم هذا؟
هذه الورقة البحثية مهمة لأنها تظهر أن الذكاء الاصطناعي ليس بالضرورة نموذجًا واحدًا يناسب الجميع. من خلال منح الذكاء الاصطناعي إمكانية الوصول إلى التنوع الغني، والفوضوي، والجميل للغة البشرية، يمكننا جعله أكثر فائدة للجميع، وليس فقط لأولئك الذين يتحدثون النسخة "المعيارية".
إنها خطوة نحو ذكاء اصطناعي لا يبدو فقط كآلة تقرأ قاموسًا، بل يمكنه الجلوس مع جد في قرية في كريت أو صياد في قبرص وفهمهم حقًا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.