DHPLT: large-scale multilingual diachronic corpora and word representations for semantic change modelling
تقدم هذه الورقة DHPLT، وهو مورد مفتوح يضم مجموعات بيانات زمنية (diachronic) ضخمة ومتعددة اللغات عبر 41 لغة مع تضمينات (embeddings) واستبدالات معجمية محسوبة مسبقاً، صُممت لمعالجة ندرة البيانات الخاصة بنمذجة التغير الدلالي خارج نطاق اللغات عالية الموارد.
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 أنك تريد دراسة كيفية تطور اللغة البشرية، مثل مراقبة تغير مسار نهر على مدى عقود. ستحتاج إلى مجموعة ضخمة من الرسائل القديمة، والصحف، والمذكرات لترى كيف تغيرت معاني كلمات مثل "mouse" (الحيوان مقابل جهاز الكمبيوتر) أو "cloud" (السماء مقابل تخزين البيانات).
المشكلة؟ بالنسبة لمعظم لغات العالم، تلك "الرسائل القديمة" ليست موجودة في مكتبة منظمة ومرتبة؛ بل هي مبعثرة، فوضوية، أو ببساطة غير موجودة.
إليك DHPLT. فكر في DHPLT كأنه مكتبة رقمية ضخمة عابرة للزمن بناها الباحثون لحل هذه المشكلة. وإليك كيف يعمل، مقسماً ببساطة:
1. المصدر: "آلة الزمن للإنترنت"
بدلاً من انتظار أمناء المكتبات لتنظيم التاريخ، ذهب الباحثون مباشرة إلى المصدر: الإنترنت. لقد استخدموا مشروعاً ضخماً يسمى HPLT (تقنيات اللغات عالية الأداء) والذي قام بالفعل بجمع مليارات الصفحات من الويب.
- التشبيه: تخيل أن الإنترنت هو محيط شاسع وفوضوي. HPLT هو شبكة تغرف مياهاً نظيفة ومفلترة.
- الحيلة: لتحويل هذا المحيط إلى خط زمني، لم ينظروا إلى وقت كتابة النص (والذي غالباً ما يكون مخفياً أو مفقوداً). بدلاً من ذلك، نظروا إلى وقت قيام زاحف الويب بتحميل الصفحة.
- إذا قام "بوت" بتحميل صفحة في عام 2015، فهذا يعني أن تلك الصفحة يجب أن تكون موجودة بحلول عام 2015. الأمر يشبه العثور على كبسولة زمنية: إذا وجدتَ شيئاً في عام 2015، فلا يمكن أن يكون محتواه قد صُنع بعد عام 2015.
2. المجموعة: 41 لغة، و3 كبسولات زمنية
لم يجمع الباحثون صفحات عشوائية، بل بنوا ثلاث "نوافذ زمنية" محددة لـ 41 لغة مختلفة (من الإنجليزية والإسبانية إلى التاميل والجورجية):
- النافذة 1 (2011–2015): عصر "الإنترنت المبكر".
- النافذة 2 (2020–2021): عصر "الجائحة" (عندما تغير العالم بسرعة).
- النافذة 3 (2024–الحاضر): عصر "طفرة الذكاء الاصطناي".
تحتوي كل نافذة على مليون وثيقة لكل لغة. هذا قدر هائل من المواد القرائية!
3. "الكلمات المستهدفة": نجوم العرض
لا يمكنك قراءة مليون كتاب للبحث عن كلمة واحدة. لذا، اختار الباحثون "قائمة مطلوبين" تضم حوالي 18,000 كلمة مثيرة للاهتمام لكل لغة (أسماء، أفعال، وصفات).
لم يكتفوا بإعطائك النص فحسب، بل قاموا بالعمل الشاق نيابة عنك. لقد قاموا بحساب ثلاثة أنواع مختلفة من "خرائط المعنى" لهذه الكلمات مسبقاً:
- الخرائط الثابتة (Word2Vec): مثل تعريف القاموس الذي لا يتغير بناءً على السياق. إنها "متوسط" معنى الكلمة في ذلك العصر.
- الخرائط السياقية (Token Embeddings): مثل صورة عالية الدقة. فهي توضح كيف استُخدمت الكلمة في جملة معينة. هل كان مصطلح "الذكاء الاصطناعي" يعني روبوتاً في لعبة فيديو، أم برنامج دردشة؟ هذه الخريطة تعرف الفرق.
- البدائل: إذا كان عليك استبدال الكلمة بكلمة أخرى في تلك الجملة، فماذا ستستخدم؟ هذا يساعد في تتبع كيف تغيرت "روح" أو "طابع" الكلمة.
4. لماذا هذا مهم: رؤية التحول
تظهر الورقة البحثية أن هذه الأداة تعمل بشكل رائع. لقد اختبروها باستخدام كلمة "الذكاء الاصطناعي" (AI):
- في 2011–2015: كانت الكلمة تقضي وقتها مع "ألعاب الفيديو"، "الروبوتات"، و"السيارات".
- في 2020–2021: بدأت تقضي وقتها مع "برامج الدردشة" و"تعلم الآلة".
- في 2024: أصبحت الآن محاطة بـ "ChatGPT"، "الذكاء الاصطناي التوليدي"، و"النماذج اللغوية الكبيرة (LLMs)".
لقد رأوا نفس التحول تماماً في الإسبانية ("IA") والروسية ("ИИ"). إنه يشبه مشاهدة فيلم بتقنية التسريع، حيث ترى بالضبط متى تغيرت شخصية الكلمة.
العقبة (القيود)
الباحثون صرحوا بصدق عن العيوب. ولأنهم استخدموا "تواريخ التحميل" بدلاً من "تواريخ الكتابة"، فإن وثيقة تم تحميلها في عام 2024 قد تكون في الواقع كُتبت في عام 2010.
- التشبيه: الأمر يشبه العثور على جريدة من عام 2010 في سلة مهملات عام 2024. أنت تعلم أنها موجودة في 2024، لكنها ليست "جديدة".
- النتيجة: الخطوط الزمنية ليست دقيقة تماماً، لكنها "جيدة بما يكفي" لرؤية الصورة الكبيرة لكيفية تطور اللغة.
الخلاصة
DHPLT هو هدية للمجتمع العلمي. قبل هذا، كانت دراسة كيفية تغير اللغة تشبه محاولة بناء منزل باستخدام عدد قليل من الطوب من دول مختلفة. أما الآن، فلديهم مستودع مليء بالطوب من 41 ثقافة مختلفة، مصنف حسب الزمن، مع مخططات مرسومة مسبقاً. إنه يسمح للباحثين أخيراً بطرح السؤال: "كيف يتحدث العالم بشكل مختلف اليوم مقارنة بعشر سنوات مضت؟" والحصول على إجابة فعلية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.