💬 NLP

Meenz bleibt Meenz, but Large Language Models Do Not Speak Its Dialect

تقدم هذه الورقة أول مجموعة بيانات لمعالجة اللغات الطبيعية للهجة "مينزريش" (Meenzerisch) المهددة بالانقراض في مدينة ماينتس، وتُظهر أن النماذج اللغوية الكبيرة الحالية تعاني بشكل كبير في توليد أو تعريف كلماتها، حيث حققت معدلات دقة تقل عن 10% حتى مع استخدام التعلم بلقطات قليلة واستخراج القواعد، مما يسلط الض الضوء على الحاجة الملحة لمزيد من البحث والموارد للحفاظ على اللهجات الألمانية.

المؤلفون الأصليون: Minh Duc Bui, Manuel Mager, Peter Herbert Kann, Katharina von der Wense

نُشر 2026-03-05

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Minh Duc Bui, Manuel Mager, Peter Herbert Kann, Katharina von der Wense

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

إليك شرح لورقة بحثية بعنوان: "Meenz bleibt Meenz, but Large Language Models Do Not Speak Its Dialect" (ماينز تظل ماينز، لكن النماذج اللغوية الكبيرة لا تتحدث لهجتها)، مترجمة إلى لغة بسيطة ويومية مع استخدام بعض التشبيهات الإبداعية.

الفكرة الكبرى: مشكلة "الضياع في الترجمة"

تخيل أن لديك كتاب وصفات قديم جداً ومحلي، مكتوب بشفرة سرية لا يفهمها إلا أجدادك في مدينة ألمانية محددة (ماينز). هذه الشفرة تسمى Meenzerisch. إنها لغة الكرنفالات، والنكات، والتاريخ لديهم.

الآن، تخيل أنك طلبت من طباخ آلي فائق الذكاء وشهير عالمياً (نموذج لغوي كبير أو LLM) أن يترجم كتاب الوصفات هذا إلى لغة إنجليزية حديثة (أو ألمانية قياسية). أنت تتوقع أن يكون الروبوت مذهلاً لأنه يعرف "كل شيء" عن الإنترنت.

الأخبار السيئة: الطباخ الآلي تائه تماماً. هو لا يرتكب مجرد بعض الأخطاء، بل يكاد لا يفهم الشفرة على الإطلاق.

هذه الورقة البحثية هي المرة الأولى التي يحاول فيها الباحثون تعليم هذه الروبوتات فائقة الذكاء لهجة "ماينز"، وكانت النتائج بمثابة صدمة للواقع: الروبوتات تفشل فشلاً ذريعاً.

الخطوة 1: بناء القاموس (عملية "التنقيب الرقمي")

قبل أن يتمكنوا من اختبار الروبوتات، كان على الباحثين بناء قاموس. وبما أن لهجة "ماينز" تُنطق غالباً ونادراً ما تُكتب في تنسيقات رقمية، فقد اضطروا للقيام ببعض عمليات "التنقيب الرقمي".

المصدر: وجدوا كتاباً مادياً من عام 1966 يسمى Mainzer Wörterbuch.
العملية:
1. قاموا بتصوير الصفحات (المسح الضوئي - Scanning).
2. استخدموا برامج لتحويل الصور إلى نصوص (التعرف الضوئي على الحروف - OCR)، مثل ماسح ضوئي يحاول قراءة خط اليد.
3. اضطر البشر لتصحيح أخطاء الماسح الضوئي (التصحيح اليدوي - Manual Correction).
4. استخدموا ذكاءً اصطناعياً ذكياً لاستخراج الكلمات ومعانيها (الاستخراج - Extraction).
النتيجة: أنشأوا قائمة رقمية مكونة من 2,351 كلمة. كل مدخل يحتوي على كلمة بلهجة "ماينز" ومعناها باللغة الألمانية القياسية. فكر في الأمر كحجر رشيد خاص بمدينة "ماينز".

الخطوة 2: الاختباران الكبيران

باستخدام قاموسهم الجديد، وضع الباحثون الروبوتات أمام تحديين محددين.

التحدي (أ): المترجم (توليد التعريفات)

المهمة: يُعطى الروبوت كلمة غريبة من لهجة "ماينز" (مثل "Schwollescheer") ويُسأل: "ماذا تعني هذه الكلمة بالألمانية العادية؟"
التشبيه: تخيل أنك تري روبوتاً صورة لـ "جرس" (Glocke) ولكنك تسميها "Schwollescheer"، ثم تسأله: "ما هذا؟"
النتيجة: كانت الروبوتات سيئة للغاية.

أفضل روبوت (Llama-3.3) أجاب بشكل صحيح بنسبة 6.27% فقط.
متوسط أداء الروبوتات كان أقل من 5%.
مقارنة: عندما سُئلت هذه الروبوتات عن كلمات إنجليزية عادية، أجابت بشكل صحيح بنسبة 86%. هي ليست "غبية"، لكنها ببساطة لا تعرف هذه اللهجة المحددة.

التحدي (ب): مولد الكلمات (توليد الكلمات)

المهمة: يُعطى الروبوت وصفاً باللغة الألمانية العادية (مثلاً: "شخص يركب الخيول في وحدة عسكرية") ويُطلب منه: "ما هي كلمة 'ماينز' لهذا الوصف؟"
التشبيه: تقول للروبوت: "أريد الكلمة التي تعني 'الجوع' بلهجة ماينز".
النتيجة: كان هذا أسوأ.

أفضل روبوت نجح بنسبة 1.51% فقط.
معظم الروبوتات كانت تخمن عشوائياً، حيث كانت نسبة النجاح أقل من 1%.

الخطوة 3: محاولة مساعدة الروبوتات (طريقة "أوراق الغش")

لم يستسلم الباحثون. جربوا حيلتين لمساعدة الروبوتات على التعلم بشكل أسرع، مثل إعطاء طالب "ورقة غش" قبل الامتحان.

التعلم من أمثلة قليلة (خدعة "المثال" - Few-Shot Learning):
- عرضوا على الروبوت بعض الأمثلة أولاً: "إليك كلمة ومعناها. إليك أخرى. الآن، خمن هذه الكلمة."
- النتيجة: ساعد ذلك قليلاً، لكن الدقة ارتفعت إلى حوالي 9% فقط. الأمر يشبه إعطاء طالب بعض الأسئلة التدريبية؛ هو لا يزال لا يفهم الموضوع.
استخراج القواعد (خدعة "كتاب القواعد" - Rule Extraction):
- طلبوا من ذكاء اصطناعي فائق الذكاء كتابة قواعد اللهجة (مثلاً: "في ماينز، غالباً ما يتم تغيير 'en' إلى 'ele'"). ثم قاموا بتغذية هذه القواعد للروبوتات الأخرى.
- النتيجة: ساعد هذا قليلاً في ترجمة الكلمات إلى معانيها، ولكنه جعل الأمور أسوأ قليلاً عند محاولة تخمين الكلمات من المعاني. لم تستطع الروبوتات تطبيق القواعد بشكل صحيح.

لماذا يهم هذا الأمر؟

قد تسأل: "وماذا في ذلك؟ من يهتم إذا كان الروبوت يعرف لهجة ألمانية محلية؟"

الحفاظ على الثقافة: اللهجات تحتضر. إذا أردنا إنقاذها، فنحن بحاجة إلى تكنولوجيا تفهمها. إذا كانت الروبوتات لا تفهمها، فلن تتمكن من المساعدة في الحفاظ عليها.
التحيز: إذا كان الروبوت يفهم فقط الألمانية "القياسية"، فإنه يعامل الأشخاص الذين يتحدثون اللهجات وكأن لغتهم "مكسورة" أو "خاطئة". توضح هذه الورقة أن الروبوتات منحازة حالياً ضد هؤلاء المتحدثين.
مشكلة "الموارد المنخفضة": الإنترنت مليء بالبيانات للغة الإنجليزية والألمانية القياسية، لكنه شبه فارغ بالنسبة للهجات. الروبوتات تشبه الطهاة الذين قرأوا كل كتب الطبخ في العالم، باستثناء الكتاب الخاص بمدينتك.

الخاتمة

تنتهي الورقة برسالة واضحة: الذكاء الاصطناعي الحالي ليس مستعداً للهجات المحلية.

حتى أذكى وأغلى الروبوتات على وجه الأرض تفشل في فهم لغة "ماينز". إنهم بحاجة إلى المزيد من البيانات، والمزيد من الأبحاث، والكثير من المساعدة من الناس الذين يتحدثون اللغة فعلياً.

الخلاصة: مجرد كون الروبوت "ذكياً" لا يعني أنه يعرف لغتك. بالنسبة لهجة "ماينز"، الروبوت حالياً تائه تماماً مثل سائح بدون خريطة. وكما يقول العنوان: "Meenz bleibt Meenz" (ماينز تظل ماينز)، لكن الروبوتات لم تكتشف بعد كيفية التحدث بلهجتها.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "Meenz bleibt Meenz, but Large Language Models Do Not Speak Its Dialect" (ماينز تظل ماينز، لكن النماذج اللغوية الكبيرة لا تتحدث لهجتها).

1. بيان المشكلة

تتناول الورقة البحثية النقص الحاد في دعم معالجة اللغات الطبيعية (NLP) لـ Meenzerisch (لهجة ماينز)، وهي لهجة ألمانية يتحدث بها سكان مدينة ماينز ومنطقة راين-هيس (Rhine-Hesse) المحيطة بها. وعلى الرغم من أهميتها الثقافية (لا سيما كـ لغة الكرنفال في ماينز)، إلا أن لهجة "مينزيريش" مهددة بالانقراض بسبب توحيد اللغة، والتمييز، ونقص الموارد الرقمية.

بينما أظهرت النماذج اللغوية الكبيرة (LLMs) وعوداً في الحفاظ على اللغات الأقلية، إلا أنها تؤدي بشكل ضعيف في اللهجات الألمانية. المشكلة المحددة التي يتم استقصاؤها هي الطبيعة الشديدة لندرة الموارد للهجة "مينزيريش"، حيث لا يوجد لها أي متن رقمي (corpus) حالي، مما يمنع النماذج اللغوية الكبيرة المتطورة حالياً من فهم أو توليد هذه اللهجة. يهدف المؤلفون إلى تحديد ما إذا كانت النماذج اللغوية الكبيرة الحالية قادرة على فهم كلمات "مينزيريش" أو توليدها من التعريفات، وما إذا كانت تقنيات معالجة اللغات الطبيعية القياسية (التعلم بلقطات قليلة، واستخراج القواعد) يمكنها سد هذه الفجوة.

2. المنهجية

أ. إنشاء مجموعة البيانات: قاموس لهجة ماينز

بما أنه لم تكن هناك مجموعة بيانات رقمية، فقد قام المؤلفون ببناء أول مجموعة بيانات جاهزة لمعالجة اللغات الطبيعية للهجة "مينزيريش" من خلال مسار عمل شبه آلي:

المادة المصدر: نسخة ورقية من Mainzer Wörterbuch (Schramm, 1966).
مسار الرقمنة:
- المسح الضوئي وOCR: تحويل الصفحات الورقية إلى ملفات PDF واستخراج النصوص.
- التصحيح اليدوي: إصلاح أخطاء التعرف الضوئي على الحروف (OCR)، وتحديداً فواصل الأسطر المفقودة التي تعد حاسمة لفصل الكلمات عن تعريفاتها.
- الاستخراج القائم على القواعد: استخدام سكربتات Python لعزل مدخلات الكلمات.
- استخراج التعريف بواسطة LLM: استخدام نموذج GPT-OSS 120B لاستخراج تعريفات نظيفة باللغة الألمانية القياسية من النصوص غير المنظمة، مع تصفية الأمثلة والملاحظات الإضافية.
- التطبيع (Normalization): استخدام Llama-3.3 70B لتنظيف آثار الـ OCR (مثل الوصلات والرموز الخاصة).
إحصائيات مجموعة البيانات:
- إجمالي المدخلات الصالحة: 2,351 زوجاً من (كلمة-تعريف).
- التقسيم: 250 للتدريب، 250 للتطوير، 1,851 للعينة الاختبارية (تم تكثيف العينة الاختبارية عمداً لأغراض القياس المرجعي).
- الترخيص: CC BY-NC-ND 4.0 (متاح للبحث غير التجاري).

ب. الإعداد التجريبي

قام المؤلفون باختبار مجموعة متنوعة من النماذج اللغوية الكبيرة مفتوحة المصدر والمملوكة (تتراوح بين 4 إلى 120 مليار معلمة)، بما في ذلك Llama-3.3، و GPT-OSS، و Qwen، و Gemma، و Leo-HessianAI.

تم تقييم مهمتين رئيسيتين:

توليد التعريف (الفهم): إعطاء كلمة بلهجة "مينزيريش"، وتوليد معناها باللغة الألمانية القياسية.
- التقييم: استخدام "النموذج اللغوي كحكم" (LLM-as-a-Judge) باستخدام Llama-3.3 70B لمقارنة التعريفات المولدة مع الحقيقة الأرضية (ground truth)، مدعوماً بالتحقق اليدوي.
توليد الكلمة (الإنتاج): إعطاء تعريف باللغة الألمانية القياسية، وتوليد الكلمة المقابلة بلهجة "مينزيريش".
- التقييم: مطابقة السلسلة النصية بدقة مع الكلمة الأصلية للهجة.

ج. تجارب إضافية

لاستكشاف التحسينات المحتملة، تم اختبار استراتيجيتين إضافيتين على أفضل نموذج أداءً وهو (Llama-3.3 70B):

التعلم بلقطات قليلة (Few-Shot Learning): تقديم عدد $k$ من الأمثلة (من 1 إلى 50) في "البرومبت" (prompt) باستخدام الاختيار العشوائي أو الاختيار القائم على مسافة التحرير (edit-distance).
استخراج القواعد الآلي: استخدام DeepSeek-R1 لتحليل مجموعة التدريب وتوليد قواعد تحويل لغوية صريحة (مثل التغيرات الصوتية، وخرائط اللاحقات)، والتي تم حقنها لاحقاً في "البرومبت" أثناء الاستدلال.

3. المساهمات الرئيسية

أول مجموعة بيانات: إنشاء أول قاموس رقمي للهجة "مينزيريش" يحتوي على 2,351 كلمة لهجوية مقترنة بتعريفات بالألمانية القياسية.
أول قياس مرجعي: أول درسة تقيم قدرات النماذج اللغوية الكبيرة على لهجة ماينز، مما يضع خط أساس للأبحاث المستقبلية.
دليل تجريبي على الفشل: إثبات أن النماذج اللغوية الكبيرة المتطورة حالياً تفشل بشكل كبير في مهام الفهم والتوليد لهذه اللهجة، حتى مع استخدام تقنيات متقدمة في صياغة الأوامر (prompting).

4. النتائج

الأداء في توليد التعريف (الفهم)

دقة الـ Zero-Shot: منخفضة للغاية. بلغ متوسط الدقة عبر جميع النماذج 4.24%.
أفضل نموذج: حقق Llama-3.3 70B نسبة 6.27% فقط.
المقارنة: في المقابل، حققت نفس النماذج دقة بلغت 86.89% في مهمة قاموس إنجليزية مكافئة، مما يثبت أن النماذج تعمل بشكل صحيح ولكنها تفتقر إلى المعرفة باللهجة.

الأداء في توليد الكلمة (الإنتاج)

دقة الـ Zero-Shot: أقل حتى من توليد التعريف. بلغ متوسط الدقة 0.56%.
أفضل نموذج: وصل GPT-OSS 120B إلى 1.51%، ووصل Llama-3.3 70B إلى 1.03%.
المقارنة: بلغت دقة النموذج المرجعي الإنجليزي 58.77%، مما يسلط الض الضوء على فجوة هائلة في القدرة التوليدية للهجة.

تأثير التقنيات الإضافية

التعلم بلقطات قليلة (Few-Shot Learning): قدم تحسينات طفيفة.
- تحسن توليد التعريف إلى 9.24% (مع اختيار يعتمد على مسافة التحرير).
- تحسن توليد الكلمات قليلاً إلى 1.24%.
استخراج القواعد:
- تحسن توليد التعريف إلى 8.37%.
- انخفضت دقة توليد الكلمات فعلياً إلى 0.76%، وإن لم يكن ذلك ذا دلالة إحصائية.
الاستنتاج: بينما قدمت هذه التقنيات مكاسب طفيفة، إلا أن الدقة ظلت أقل بكثير من 10%، مما يشير إلى أن مجرد استخدام "البرومبت" ليس كافياً.

5. الأهمية والخاتمة

"فجوة اللهجة": تؤكد الدراسة أن النماذج اللغوية الكبيرة الحالية، حتى متعددة اللغات والمتطورة، تعاني من "فجوة لهجة" حادة. فهي لا تستطيع استنتاج المعاني اللهجوية أو توليد الأشكال اللهجوية دون بيانات تدريب محددة.
الحفاظ الثقافي: تسلط النتائج الضوء على الحاجة الملحة لأبحاث وتطوير موارد مخصصة للهجات الألمانية. إن الاعتماد على النماذج العامة هو أمر غير فعال حالياً للحفاظ على اللهجات المهددة مثل "مينزيريش".
الاتجاهات المستقبلية: يرى المؤلفون أن العمل المستقبلي يجب أن يتجاوز مجرد صياغة الأوامر (prompting) ويتجه نحو:
- إنشاء متون (corpora) لهجوية أكبر وعالية الجودة.
- ضبط النماذج (fine-tuning) خصيصاً على البيانات اللهجوية.
- تجنب الحلول التي تعتمد فقط على زيادة القدرة الحسابية، والتي قد تثقل كاهل الثقافات غير الممثلة بشكل كافٍ.
ملاحظة أخلاقية: تؤكد الورقة على المشاركة المجتمعية النشطة، بما في ذلك وجود متحدث أصلي للهجة كمؤلف مشارك، وتُقر بوجود مصطلحات حساسة في مجموعة البيانات والتي تم الاحتفاظ بها من أجل الأصالة اللغوية.

باختاً، تعمل هذه الورقة كتحذير صارخ: "Meenz bleibt Meenz" (ماينز تظل ماينز)، لكن تكنولوجيا الذكاء الاصطناعي الحالية لا تتحدث لغتها بعد. يتطلب الأمر جهداً مستهدفاً وكبيراً لجعل أدوات معالجة اللغات الطبيعية قابلة للتطبيق لهذه اللهجة وللهجات المماثلة.