\textit{Versteasch du mi?} Computational and Socio-Linguistic Perspectives on GenAI, LLMs, and Non-Standard Language
تجمع هذه الورقة البحثية متعددة التخصصات بين اللسانيات الاجتماعية النقدية واللسانيات الحاسوبية لفحص كيفية تكييف النماذج اللغوية الكبيرة تقنياً للتعامل مع المتنوعات اللغوية غير المعيارية مثل لهجات جنوب تيرول والكردية، بهدف معالجة الفجوات اللغوية الرقمية وتعزيز استراتيجيات الذكاء الاصطناعي لإنهاء الاستعمار.
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 الإنترنت والذكاء الاصطناعي كمكتبة عظيمة صاخبة. لفترة طويلة، كانت هذه المكتبة تقتصر فقط على الكتب المكتوبة بلغات "مثالية" محددة (مثل الإنجليزية القياسية، أو الألمانية، أو الماندرين). وقرر أمناء المكتبة (مطوروا الذكاء الاصطناعي) أن هذه الكتب "المثالية" فقط هي التي تستحق القراءة والتنظيم والفهم.
هذه الورقة البحثية، التي كتبها الباحثون فيرينا بلاتزغمر، وجون مكري، وسينا أحمدي، تجادل بأن هذه المكتبة تترك ملايين البشر في العراء. وهي تركز على مجموعتين محددتين من الناس يتم تجاهلهما: المتحدثون بلهجات جنوب تيرول (نسخة محلية غير رسمية من الألمانية يتحدثها الناس في إيطاليا)، والمتحدثون بمختلف اللغات الكردية (التي تُتحدث عبر الشرق الأوسط).
إليك تفصيل الورقة البحثية باستخدام تشبيهات بسيطة:
1. المشكلة: المكتبة "المثالية" مقابل الحياة الواقعية
في العالم الحقيقي، لا يتحدث الناس دائمًا بقواعد لغوية "مثالية" أو نموذجية. إنهم يتحدثون بلهجات، ولغة عامية، وطرق غير رسمية.
- التشبيه: تخيل أنك تدخل مطعمًا فاخرًا لا يقبل إلا الحجوزات التي تتم بشفرة رسمية محددة. إذا حاولت الطلب بلكنتك المحلية أو بلغة عامية، فإن النادل (الذكاء الاصطناعي) لن يتجاهلك فحسب؛ بل قد لا يعرف حتى بوجودك.
- الواقع: يتم تدريب نماذج الذكاء الاصطناعي (LLMs) على بيانات لغوية "قياسية" موجودة في الكتب المدرسية والوثائق الرسمية. وهي تعامل اللهجات غير الرسمية كـ "ضجيج" أو أخطاء، بدلاً من كونها طرقًا صالحة للتحدث. وهذا يخلق فجوة لغوية رقمية: إذا كنت لا تتحدث النسخة "القياسية"، فلا يمكنك المشاركة الكاملة في العالم الرقمي.
2. الضريبة الخفية: كشك تحصيل رسوم "الرموز" (Tokens)
أحد أكثر الأجزاء التقنية في الورقة يشرح لماذا يعاني الذكاء الاصطناعي مع اللهجات، وذلك باستخدام مفهوم يسمى الترميز (Tokenization).
- التشبيه: فكر في الذكاء الاصطناعي كخدمة توصيل تفرض عليك رسومًا بناءً على عدد "الصناديق" (الرموز/Tokens) التي يستغرقها تغليف رسالتك.
- إذا تحدثت باللغة الإنجليزية القياسية، يقوم الذكال الاصطناعي بتعبئة جملتك في صندوق واحد أو اثنين مرتبين. إنه أمر رخيص وسريع.
- إذا تحدثت بـ لهجة (مثل جنوب تيرول أو نوع من أنواع الكردية)، فإن الذكاء الاصطناعي ليس لديه "صندوق" لتلك الكلمات المحددة. لذا، يضطر إلى تفتيت جملتك إلى قطع صغيرة عديمة المعنى (مثل تكسير الكلمة إلى حروف فردية) لتناسب نظامه.
- النتيجة: ينتهي بك الأمر بدفع 3 إلى 15 ضعفًا (في قدرة الحوسبة والمال) لإرسال نفس الرسالة بلهجتك مقارنة بالإنجليزية. تطلق الورقة على هذا اسم "ضريبة الترميز". إنه يشبه فرض رسوم إضافية عليك لمجرد التحدث بلغتك الأم.
3. درستا الحالة: من الذي يتم استبعاده؟
ينظر المؤلفون إلى مثالين محددين لإظهار مدى عمق المشكلة:
- لهجات جنوب تيرول (إيطاليا):
- يتحدث الناس في هذه المنطقة مزيجًا من اللهجات الألمانية في حياتهم اليومية (على واتساب، في المنزل، في السوق).
- المشكلة: نظرًا لأن هذه اللهجة ليس لها "رمز تعريف رسمي" (رمز ISO) في عالم الكمبيوتر، فإن أنظمة الذكاء الاصطناعي لا تعرف حرفيًا أنها موجودة. الأمر يشبه مدينة لا تظهر على نظام تحديد المواقع (GPS). ورغم أن الناس يستخدمونها يوميًا، إلا أن الذكاء الاصطناعي يعاملها كأنها غير مرئية.
- التنوعات الكردية:
- الكردية ليست مجرد لغة واحدة؛ بل هي عائلة من العديد من اللهجات التي يتحدث بها 40 مليون شخص. بعضها مدعوم جيدًا (مثل الكردية الشمالية والوسطى)، لكن غيرها (مثل الكردية الجنوبية أو الهورامية) يتم تجاهلها تمامًا تقريبًا.
- المشكلة: تعرضت هذه اللغات للقمع من قبل الحكومات لعقود، مما يعني وجود نصوص مكتوبة قليلة جدًا متاحة لتدريب الذكاء الاصطناعي. يرى الذكاء الاصطناعي هذه اللغات على أنها "منخفضة الجودة" لأنها لم تُغذَّ ببيانات كافية، مما يخلق حلقة مفرغة حيث يؤدي نقص البيانات إلى ذكاء اصطناعي سيء، مما يؤدي بدوره إلى بيانات أقل.
4. "الاختبار" منحاز
تشير الورقة أيضًا إلى أن طريقة اختبار الذكاء الاصطناعي غير عادلة.
- التشبيه: تخيل اختبار قيادة حيث يتم اختبار الجميع على قيادة سيارة فيراري على طريق سريع. إذا كنت تقود جرارًا على طريق ترابي، فستفشل في الاختبار، رغم أنك سائق ماهر في بيئتك الخاصة.
- الواقع: تعتمد معايير اختبار الذكاء الاصطناعي (Benchmarks) بشكل أساسي على الثقافة الغربية واللغة الإنجليزية والقواعد القياسية. وهي لا تختبر ما إذا كان الذكاء الاصطناعي يفهم الأمثال المحلية، أو النكات الثقافية، أو الكلام غير الرسمي. لذا، قد يحصل الذكاء الاصطناعي على "درجة مثالية" في اختبار ما، لكنه يفشل في فهم محادثة بشرية حقيقية بلهجة محلية.
5. ما الذي يجب أن يحدث؟ (الحل)
يجادل المؤلفون بأن إصلاح هذا ليس مجرد مشكلة تقنية؛ بل هي مشكلة سياسية واجتماعية. لا يمكننا مجرد "تعديل الكود". نحن بحاجة إلى نهج جديد:
- وقف "الاستخراج": لا ينبغي لشركات التكنولوجيا الكبرى مجرد سحب البيانات من الإنترنت دون إذن. عليهم العمل مع المجتمعات.
- "لا شيء عنا بدوننا": هذه هي القاعدة الذهبية. يجب أن تمتلك المجتمعات التي تتحدث هذه اللهجات بياناتها الخاصة وتساعد في بناء أدوات الذكاء الاصطناعي. يجب أن يكونوا هم المهندسين المعماريين، وليس مجرد موضوعات للدراسة.
- قواعد جديدة للشركات: يجب إلزام شركات التكنولوجيا الكبرى بالإبلاغ عن مدى جودة عمل ذكائها الاصطناعي مع اللهجات المختلفة (تقرير فجوة اللهجات) ودفع "ضريبة" أو رسوم لدعم تطوير هذه اللغات.
- مساعدة الحكومات: تحتاج الحكومات إلى تمويل إنشاء بيانات لهذه اللغات، والتعامل معها كمنفعة عامة وليس كمجرد هواية ثانوية.
الخلاصة
تخلص الورقة إلى أنه إذا لم نصلح هذا، فسيصبح العالم الرقمي مكانًا يمتلك فيه المتحدثون بـ "اللغات القياسية" فقط صوتًا، بينما يُسكت الجميع غيرهم. لكي يكون لدينا إنترنت ديمقراطي حقًا، يحتاج الذكاء الاصطناعي إلى تعلم فهم الطرق الفوضوية والجميلة والمتنوعة التي يتحدث بها البشر فعليًا، وليس فقط النسخ النظيفة والمعيارية الموجودة في الكتب المدرسية.
باخت-القول: الذكاء الاصطناعي حاليًا هو شخص متعالٍ لا يتحدث إلا مع الأشخاص الذين يرتدون ويتحدثون مثله. تطلب هذه الورقة من الذكاء الاصطناعي خلع غطرسته، وتعلم العامية المحلية، ومعاملة كل صوت بشري باحترام.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.