Training Models on Dialects of Translationese Shows How Lexical Diversity and Source-Target Syntactic Similarity Shape Learning
تُظهر هذه الورقة أن تدريب نماذج لغوية إنجليزية صغيرة على بيانات مترجمة آلياً يكشف عن أنه في حين أن الحيرة العامة مدفوعة أساساً بالتنوع المعجمي للمتن المترجم، فإن الأداء النحوي يتشكل بقوة من خلال التشابه التصنيفي بين اللغة المصدر والإنجليزية.
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 تعليم روبوت كيف يتحدث الإنجليزية ببراعة. من الناحية المثالية، ستغديه بملايين الكتب، والمقالات الإخبارية، والمحادثات التي كتبها متحدثون أصليون باللغة الإنجليزية. ولكن ماذا لو لم يكن لديك نص كافٍ من المتحدثين الأصليين؟ ماذا لو اضطررت لاستخدام كتب كُتبت في الأصل بالفرنسية أو اليابانية أو السواحيلية ثم تُرجمت إلى الإنجليزية؟
هذه هي المشكلة التي عالجتها جيني كونز في ورقتها البحثية. لقد تساءلت: هل يهم أي لغة نترجم منها؟ وهل يغير "طابع" تلك الترجمة طريقة تعلم الروبوت؟
إليك قصة نتائج أبحاثها، مشروحة ببعض التشبيهات من الحياة اليومية.
"لكنة" الترجمة
أولاً، تقدم الورقة مفهوماً يسمى "لغة الترجمة" (Translationese). فكر في النص الإنجليزي الأصلي كأنه تسجيل نقي وواضح لمغني. أما "لغة الترجمة" فهي تشبه "الأغنية المقتبسة" (Cover Song)؛ هي نفس الأغنية، لكن المغني لديه لكنة طفيفة، ربما يغني النوتات بشكل مختلف قليلاً، أو يتخطى بعض التناغمات المعقدة.
حتى المترجمون البشر المحترفون (وبالتأكيد مترجمو الذكاء الاصطناعي) يتركون آثار لغتهم الأصلية وراءهم. فالجملة المترجمة من الألمانية قد تبدو جامدة نوعاً ما أو ذات هيكل مختلف عن تلك التي يكتبها متحدث أصلي.
التجربة: 24 لكنة مختلفة
أخذت كونز 24 لغة مختلفة (تتراوح بين اللغات الجرمانية القريبة مثل السويدية واللغات البعيدة مثل السواحيلية والتاميلية) وترجمت كميات هائلة من النصوص إلى الإنجليزية. ثم قامت بتدريب نماذج ذكاء اصطناعي صغيرة على مجموعات البيانات هذه (الإنجليزية المترجمة).
أرادت معرفة شيئين:
- مدى قدرة الروبوت على التنبؤ بالكلمة التالية؟ (مثل ميزة الإكمال التلقائي).
- هل يفهم الروبوت القواعد حقاً؟ (مثل معرفة الفرق بين "The cat is sleeping" و "The cat are sleeping").
الاكتشافات الكبرى
1. "بوفيه المفردات" مقابل "صالة ألعاب القواعد الرياضية"
وجدت الورقة أن نوع اللغة التي تترجم منها يؤثر على الروبوت بشكل مختلف اعتماداً على ما تختبره.
من أجل الطلاقة العامة (بوفيه المفردات):
عندما يحاول الروبوت مجرد تخمين الكلمة التالية في الجملة، فإن تنوع الكلمات في النص المترجم هو الأمر الأكثر أهمية.- تشبيه: تخيل أنك تتعلم الطبخ. إذا أُعطيت كتاب طبخ مترجم من لغة ذات مفردات ضخمة ومتنوعة (مثل بوفيه ضخم)، سيتعلم الروبوت التنبؤ بالمكونات جيداً، حتى لو كانت القواعد غريبة بعض الشيء. لا يهم إذا كان الكتاب من لغة مشابهة للإنجليزية؛ المهم هو أن الكتاب يحتوي على الكثير من الكلمات المختلفة ليتعلم منها.
- النتيجة: في مجموعات البيانات الصغيرة، كان "ثراء" النص المترجم هو المتنبئ الأكبر بالنجاح.
من أجل القواعد (صالة ألعاب القواعد الرياضية):
عندما يحتاج الروبوت لتعلم قواعد معقدة (مثل توافق الفاعل والفعل أو الروابط بعيدة المدى في الجملة)، يصبح مدى تشابه اللغة المصدر مع الإنجليزية هو البطل.- تشبيه: تخيل تعليم شخص ما لعب التنس. إذا علمته باستخدام مضرب يشبه تماماً مضرب التنس القياسي (لغة تشبه الإنجليزية هيكلياً، مثل السويدية)، فسوف يتعلم طريقة التأرجح الصحيحة بشكل أسرع. أما إذا علمته بمضرب يبدو مختلفاً تماماً (لغة بعيدة مثل الفنلندية)، فسيواجه صعوبة في تعلم الميكانيكا المحددة، حتى لو أعطيته وقتاً أطول للممارسة.
- النتيجة: بمج once امتلك النموذج بيانات كافية، أصبحت النماذج المدربة على لغات مشابهة للإنجليزية (مثل السويدية أو الهولندية) أفضل بكثير في القواعد من تلك المدربة على لغات بعيدة.
2. تأثير "التسطيح"
بغض النظر عن اللغة المستخدمة، كانت النصوص المترجمة تجعل الروبوت دائماً "أسوأ" قليلاً مما لو تعلم من الإنجليزية الأصلية.
- تشبيه: الأمر يشبه الاستماع إلى أغنية تُعزف على مكبر صوت رخيص مقابل نظام صوتي عالي الجودة. مكبر الصوت الرخيص (النص المترجم) يجعل الصوت "مسطحاً". يفقد النص بعض التفاصيل الدقيقة، و"البريق"، والانسيابية الطبيعية للأصل. الروبوت المدرب على الترجمة يكون دائماً أقل "أصالة" من ذاك المدرب على الإنجليزية الحقيقية.
3. تأثير "اجتماع العائلة"
كان الاكتشاف الأكثر إثارة للاهتمام هو كيفية تفاعل هذه الروبوتات مع بعضها البعض.
- تشبيه: تخيل شخصين تعلما الإنجليزية عبر الترجمة من لغتين مختلفتين. إذا كانت هاتان اللغتان المصدر "أبناء عمومة" (متشابهتان هيكلياً)، فإن الروبوتين سيفهمان "لكنات" بعضهما البعض تماماً. أما إذا كانت اللغات المصدر غريبة عن بعضها، فسيصاب الروبوتان بالارتباك.
- النتيجة: الروبوت المدرب على نصوص مترجمة من السويدية يمكنه بسهولة فهم نص مترجم من النرويجية. لكنه واجه صعوبة في التعامل مع نص مترجم من لغة بعيدة مثل العربية. هذا يثبت أن الترجمة تخلق "لهجات" محددة من الإنجليزية، وأن هذه اللهجات تتشكل بناءً على اللغة الأصلية.
الخلاصة
إذا كنت تبني ذكاءً اصطناعياً وكان عليك استخدام بيانات مترجمة:
- إذا كنت تريد فقط أن يبدو الذكاء الاصطناعي مقبولاً بشكل عام: اختر لغة مصدر ذات مفردات غنية ومتنوعة.
- إذا كنت تريد أن يكون الذكاء الاصطناعي مثالياً من حيث القواعد: اختر لغة مصدر مشابهة هيكلياً للإنجليزية (مثل اللغات الأوروبية الأخرى).
- الواقع العملي: البيانات المترجمة هي خطة احتياطية جيدة عندما يندر النص الأصلي، لكنها ستترك دائماً لدى الذكاء الاصطناعي "لكنة" طفيفة وإدراكاً أضعف قليلاً للقواعد المعقدة مقارداً بالمتحدث الأصلي.
باختصار: الترجمة هي جسر، لكنها ليست هي نفسها المشي على التربة الأصلية. وكلما كان الجسر أقرب إلى التربة الأصلية (التشابه النوعي)، تعلم الروبوت قواعد الطريق بشكل أفضل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.