The power of context: Random Forest classification of near synonyms. A case study in Modern Hindi
تُظهر هذه الدراسة أن مصنف "الغابة العشوائية" (Random Forest) المدرب على تضمينات الكلمات الهندية يمكنه بنجاح التمييز بين المترادفات السنسكريتية والفارسية العربية بناءً فقط على أنماط الاستخدام السياقي، مما يقدم دليلاً كمياً على أن الأصل الاشتقاقي يترك بصمة يمكن اكتشافها في اللغة حتى عندما تتشارك الكلمات في المعنى ذاته.
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
السؤال الكبير: هل يمكن سماع "أصل" الكلمة في صوتها؟
تخيل أن لديك غرفة مليئة بالتوائم. يبدون متطابقين تماماً، يرتدون نفس الملابس، ويقولون نفس الأشياء بالضبط. في الواقع، هم متشابهون لدرجة أنك إذا سألتهم عن وصف "كوب من الشاي"، فسيقدم كلاهما لك التعريف نفسه.
في علم اللغويات، تُسمى هذه الكلمات المترادفات. يطرح البحث سؤالاً محيراً: حتى لو كانت هذه الكلمات تعني الشيء نفسه، هل "تبدو" مختلفة بسبب المكان الذي جاءت منه؟
استقصى المؤلف، جيسيك باكووسكي (Jacek Bąkowski)، هذا الأمر باستخدام اللغة الهندية الحديثة. الهندية لغة فريدة لأنها تشبه "ساندوتش ثقافي" ضخم. لديها طبقتان رئيسيتان من المفردات:
- طبقة السنسكريتية: الجذور الأصلية القديمة للهند (مثل الخبز).
- الطبقة الفارسية-العربية: كلمات استُعيرت منذ قرون من المتحدثين بالفارسية والعربية الذين حكموا المنطقة (مثل الحشوة اللذيذة).
على مر القرون، عاشت هاتان الطبقتان جنباً إلى جنب. على سبيل المثال، كلمة "جيش" يمكن أن تكون Senā (سنسكريتية) أو Fauj (فارسية). كلاهما يعني الشيء نفسه، لكن البحث أراد معرف معرفة: إذا نظرنا فقط إلى الرفقة التي ترافق هذه الكلمات (الكلمات الأخرى المحيطة بها)، فهل يستطيع الكمبيوتر تمييز أي منها "أصيل" وأيها "دخيل"؟
التجربة: "متحري الكلمات"
لحل هذا الغموض، لم يستعن المؤلف بخبراء بشريين، بل بنى "الغابة العشوائية" (Random Forest)، وهي نوع من عقول الكمبيوتر (تعلم الآلة) التي تعمل كمتحرٍ ذكي للغاية.
إليك كيف عمل هذا المتحري:
- الأدلة (السياق): لم ينظر الكمبيوتر إلى التعريفات القواميسية. بل نظر إلى "تضمينات الكلمات" (Word Embeddings). فكر في هذا الأمر كخريطة عملاقة حيث كل كلمة هي نقطة. موقع النقطة يتحدد بناءً على الكلمات الأخرى التي "تتسكع" معها. فإذا كانت الكلمة تُرى دائماً مع "ملوك" و"قصور" و"شعر"، فإنها ستستقر في جزء مختلف من الخريطة عن الكلمة التي تُرى مع "فلاحين" و"حقول" و"أدوات".
- التدريب: عُرض على الكمبيوتر 135 زوجاً من المترادفات (مثل Nation مقابل Qaum). قيل له: "هذه هي الكلمة؛ أخبرني إن كانت سنسكريتية أم فارسية".
- الاختبار: كان على الكمبيوتر تخمين أصل كلمات لم يسبق له رؤيتها من قبل، بناءً فقط على الرفقة التي تحيط بها.
النتائج: لقد أصاب الكمبيوتر الهدف!
كانت النتيجة مفاجئة وقوية. لقد أصاب الكمبيوتر بنسبة 88% تقريباً.
ماذا يعني هذا؟
هذا يعني أنه رغم أن Senā و Fauj تعنيان الشيء نفسه، إلا أنهما تعيشان في أحياء مختلفة.
- الكلمات الفارسية تميل للتواجد في سياقات تتعلق بالإدارة، والبلاط، وأجواء ثقافية محددة.
- الكلمات السنسكريتية تميل للتواجد في سياقات أكثر عمومية أو دينية.
لم يحتج الكمبيوتر إلى معرفة كتب التاريخ. كان يحتاج فقط إلى "الاستماع" إلى "الدردشة" المحيطة بالكلمات. كان السياق (الكلمات الأخرى) صاخباً بما يكفي للكشف عن الأصل اللغوي (Etymology).
تشبيه "التوأم": لماذا يتشابه بعض التوائم؟
نظر البحث أيضاً في الكلمات التي أخطأ الكمبيوتر في تحديدها. ووجد نمطاً طريفاً:
- الكلمات المتخصصة (مثل المصطلحات الخاصة بـ "الدين" أو "الجيش") كان من السهل تحديدها. إنها مثل التوائم الذين يرتدون زيًا رسمياً مميزاً جداً.
- الكلمات الشائعة واليومية (مثل "ماء"، "حلم"، أو "واقع") كان من الصعب تحديدها. إنها مثل التوائم الذين يرتدون قمصانًا بيضاء بسيطة. ولأنها تُستخدم كثيراً في مواقف متنوعة، فإنها تندمج في الخلفية.
يشير المؤلف إلى أنه كلما كانت الكلمة أكثر شيوعاً، زاد احتمال كونها "متعددة المعاني" (Polysemous). إنها مثل المشهور الذي يُرى في كل مكان؛ يصعب معرفة من أين أتى لأنه موجود في كل مكان. أما "الكلمات المتخصصة" فهي مثل الفنانين المستقلين؛ تعرف تماماً أين ينتمون.
"سحر" الخريطة
أحد أروع أجزاء الدراسة كان اختبار مقدار ما يحتاجه الكمبيوتر من الخريطة.
- أُعطي الكمبيوتر خريطة بـ 200 بُعد (خريطة معقدة ومتعددة الطبقات).
- حاول المؤلف إعطاء الكمبيوتر أول 50 بُعداً فقط (خريطة ضبابية وجزئية).
- المفاجأة: لا يزال الكمبيوتر يعمل بشكل جيد تقريباً!
يشير هذا إلى أن "إشارة الأصل" قوية جداً ومنسوجة داخل اللغة لدرجة أنك لا تحتاج إلى خريطة مثالية وعالية الدقة لرؤيتها. الإشارة موجودة في كل مكان، مثل رائحة تبقى في الغرفة حتى لو لمحت منها مجرد نفحة.
الخلاصة: الكلمات لها "روح"
الاستنتاج الرئيسي لهذا البحث هو أن الكلمات هي أكثر من مجرد تعريفات.
حتى لو كانت الكلمتان مترادفتين تماماً، فإنهما تحملان "بصمة ثقافية".
- استخدام كلمة فارسية قد يوحي ببراعة بلمحة من الرسمية، أو ارتباط بالتاريخ، أو طبقة اجتماعية معينة.
- استخدام كلمة سنسكريتية قد يوحي بشيء أكثر تقليدية أو دينية.
يسمي المؤلف هذا "الإطار الدلالي" (Semantic Frame). تخيل صورة داخل إطار. الصورة داخل الإطار هي التعريف (مثلاً "جيش"). لكن الإطار نفسه مصنوع من تاريخ الكلمة. الإطار يغير الطريقة التي تنظر بها إلى الصورة.
ببساطة:
اللغة ليست مجرد قائمة من التعليمات. إنها كتاب تاريخ حي. حتى عندما نعتقد أننا نقوم فقط باستبدال كلمة بأخرى، فإننا في الواقع نختار منظوراً مختلفاً، وطابعاً ثقافياً مختلفاً، وقطعة مختلفة من التاريخ. وبفضل هذه الدراسة، أصبح لدينا الآن دليل رياضي على أن أجهزة الكمبيوتر يمكنها سماع هذا الفرق أيضاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.