Variation is the Norm: Embracing Sociolinguistics in NLP
تقترح هذه الورقة إطار عمل يدمج المبادئ اللغوية الاجتماعية في معالجة اللغات الطبيعية للتعامل مع التباين اللغوي كسمة ذات دلالة بدلاً من كونه ضجيجاً، وتثبت من خلال دراسة حالة للغة اللوكسمبورغية أن مراعاة التباين الإملائي صراحةً أثناء عملية الضبط الدقيق يحسن بشكل كبير من متانة النموذج وأدائه.
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 تحاول تعليم روبوت فهم لغة البشر. في عالم علوم الحاسوب (معالجة اللغات الطبيعية - NLP)، دأب المهندسون تقليديًا على معاملة اللغة كخط تجميع في مصنع؛ حيث يريدون لكل شيء أن يكون موحدًا، نظيفًا، ومتوقعًا. إذا كتب إنسان جملة تحتوي على خطأ مطبعي، أو كلمة عامية، أو لهجة إقليمية، فإن الروبوت يراها كـ "ضجيج" أو "عيب". الإجراء القياسي هو تنظيف تلك الجملة وإجبارها على الدخول في قالب "قياسي" قبل أن يحاول الروبوت فهمها.
تجادل هذه الورقة البحثية بأن هذا النهج معيب بشكل جوهري.
يقترح المؤلفون، وهم فريق من اللغويين وعلماء الحاسوب، طريقة جديدة للتفكير: الاختلاف ليس خطأً برمجياً، بل هو ميزة. تماماً كما يتغير صوت الإنسان اعتماداً على الشخص الذي تتحدث إليه (مديرك مقابل صديقك المقرب)، تتغير اللغة طبيعياً. ومن خلال محاولة "تنميط" كل شيء، نحن في الواقع نحذف الإشارات الاجتماعية التي تجعل اللغة ذات معنى.
إليك تفصيل لأفكارهم باستخدام تشبيهات بسيطة:
1. استعارة "الحاوية"
فكر في اللغة ليس كمبنى واحد صلب، بل كمحيط شاسع ومفتوح.
- الرؤية القياسية: تحاول اللسانيات ومعالجة اللغات الطبيعية التقليدية بناء صندوق زجاجي في وسط المحيط والقول: "المياه الموجودة داخل هذا الصندوق فقط هي اللغة 'الحقيقية'. أما ما عدا ذلك فهو مجرد أمواج فوضوية".
- رؤية اللسانيات الاجتماعية: يقول المؤلفون: "المحيط بأكمله هو اللغة". الأمواج، والمد والجزر، والتيارات هي اللغة. إنهم يقدمون إطاراً لرسم خرائط لهذه "الحاويات" (اللهجات، العامية، الكلام الرسمي) ليس لاستبعادها، بل لفهم كيفية ترابطها معاً.
2. تجربة "اللغة اللوكسمبورغية"
لإثبات وجهة نظرهم، استخدم الفريق اللغة اللوكسيمبورغية، وهي لغة صغيرة في أوروبا تشبه الحرباء اللغوية. فهي مرتبطة بالألمانية ولكن لها قواعدها الخاصة، وتستعير الكثير من الفرنسية. والأهم من ذلك، عندما يكتب الناس بها، لا يتبعون دائماً القواعد الرسمية للقاموس؛ فالبعض يكتبها مثل صحيفة رسمية، والبعض الآخر يكتبها مثل رسالة نصية لصديق، مع الكثير من الاختلافات في التهجئة.
أجرى الباحثون "اختبار تذوق" لنموذجين من الذكاء الاصطناعي (تخيلهما كطالبين يخضعان للاختبار):
- الطالب (أ): تم تدريبه فقط على لغة لوكسمبورغية "مثالية" وصحيحة وفقاً للقاموس.
- الطالب (ب): تم تدريبه على مزيج من النصوص المثالية والنصوص الواقعية "الفوضوية" بكل ما فيها من اختلافات في التهجئة.
النتائج:
- الطالب (أ) كان بارعاً في قراءة الكتاب المدرسي المثالي، لكنه فشل فشلاً ذريعاً عند مواجهة نصوص من العالم الحقيقي. كان الأمر أشبه بطالب درس فقط من أجل امتحان كتابي، لكنه لم يستطع فهم محادثة في مقهى صاخب.
- الطالب (ب) (الذي تدرب على البيانات "الفوضوية") كان أكثر قوة ومتانة. استطاع التعامل مع النصوص الرسمية والنصوص غير الرسمية على حد سواء.
الاكتشاف الكبير:
كانت النتيجة الأكثر إثارة للدهشة هي أن خلط البيانات جعل الذكاء الاصطناعي أكثر ذكاءً في فهم النص "المثالي" أيضاً. فمن خلال تعريض الذكاء الاصطناعي للاختلافات، تعلم الهيكل الأساسي للغة بشكل أفضل، بدلاً من مجرد حفظ التهجئة "الصحيحة". الأمر يشبه تعلم القيادة من خلال التدرب على كل من الطرق السريعة الناعمة والطرق الترابية الوعرة؛ ستصبح سائقاً أفضل على الطريق السريع مما لو كنت قد تدربت فقط على الطريق الناعم.
3. "المعنى الاجتماعي" للأخطاء المطبعية
تؤكد الورقة أنه عندما "يكسر" الناس قواعد التهجئة أو القواعد النحوية، فهم لا يرتكبون مجرد أخطاء، بل يرسلون إشارة.
- تشبيه: تخيل ارتداء بدلة في جنازة مقابل ارتداء بدلة في حفلة شاطئ. البدلة هي نفسها، لكن السياق يغير المعنى.
- في اللغة، كتابة "gonna" بدلاً من "going to" ليست مجرد خطأ مطبعي؛ بل هي إشارة تقول: "أنا مسترخٍ"، أو "أنا جزء من هذه المجموعة المحددة".
- عندما تقوم أنظمة معالجة اللغات الطبيعية بـ "التنميط" (الإصلاح)، فإنها تجرد الكلمات من الهوية الاجتماعية وشخصية المتحدث. يصبح الذكاء الاصطناعي روبوتاً يسمع الجميع فيه يتحدثون بنفس الطريقة تماماً، وهو تقليد سيء جداً للتواصل البشري الحقيقي.
4. الحل المقترح: "بطاقة الهوية اللسانية الاجتماعية"
يقترح المؤلفون أنه قبل تغذية الذكاء الاصطناعي بالبيانات، يجب أن نعطيه "بطاقة هوية لسانية اجتماعية".
- بدلاً من الاكتفاء بالقول: "هذه لغة فرنسية"، يجب أن نقول: "هذه لغة فرنسية، لكنها العامية التي يستخدمها المراهقون في باريس، وهي تحتوي على الكثير من الكلمات المستعارة من الإنجليزية، وتُستخدم في الدردشة غير الرسمية".
- من خلال فهم السياق الاجتماعي للبيانات، يمكن للمهندسين بناء نماذج مرنة بما يكفي للتعامل مع فوضوية الحياة الواقعية، بدلاً من محاولة حشر العالم في صندوق اصطناعي نظيف.
الخلاصة
الورقة هي دعوة للعمل لمطوري الذكاء الاصطناعي: توقفوا عن محاولة تنظيف لغة العالم.
اللغة فوضوية، متطورة، ومرتبطة بعمق بالهوية البشرية. إذا أردنا من الذكاء الاصطناعي أن يفهمنا حقاً، فعلينا التوقف عن معاملة الاختلاف كـ "ضجيج" يجب حذفه، والبدء في معاملته كالإشارة الغنية والملونة التي هو عليها بالفعل. من خلال احتضان الفوضى، نبني آلات أكثر ذكاءً وأكثر شبهاً بالبشر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.