Creating and Evaluating Figurative Language Dataset for Sindhi
تقدم هذه الورقة SiNFluD، وهو مجموعة بيانات مرجعية جديدة لتصنيف اللغة المجازية في اللغة السندية تم إنشاؤها من مصادر متنوعة وتم ترميزها من قبل متحدثين أصليين، إلى جانب تقييم لنماذج مدربة مسبقاً مختلفة حيث حقق نموذج XLM-RoBERTa-XL أفضل أداء.
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 اللغة السندية كمكتبة شاسعة وقديمة مليئة بالقصص الجميلة، والقصائد، والمحادثات اليومية. لفترة طويلة، كانت الحواسيب التي تحاول "قراءة" هذه المكتبة (معالجة اللغات الطبيعية) قادرة فقط على فهم الحقائق المباشرة والسطحية. فإذا قال أحدهم: "الشمس تبتسم"، سيعتقد الحاسوب أن الشمس تملك فماً حقيقياً وهي تبتسم؛ لقد فاته المعنى الجوهري: وهو أن الكاتب استخدم استعارة لوصف صباح جميل.
هذه الورقة البحثية تدور حول بناء "دليل تدريب" خاص لتعليم الحواسيب كيفية فهم هذه المعاني الخفية في اللغة السندية. إليكم قصة كيفية قيامهم بذلك، مقسمة ببساطة:
١. المشكلة: الحواسيب تفوت "المزحة"
اللغة البشرية مليئة بالحيل. نحن نستخدم التعابير الاصطلاحية (مثل "تمطر قططاً وكلاباً" - كناية عن شدة المطر)، والأمثال (أقوال قديمة تحمل حكمة)، والاستعارات، والتشبيهات (المقارنات باستخدام "مثل" أو "كـ"). هذه التعبيرات لا يُقصد بها المعنى الحرفي.
بالنسبة للغات مثل الإنجليزية، لدينا قواميس ضخمة لهذه الحيل. ولكن بالنسبة للسندية — وهي لغة يتحدث بها الملايين في باكستان والهند ولها تاريخ غني بالشعر والتقاليد الصوفية — لم يكن هناك تقريباً أي خريطة رقمية لهذه التعبيرات غير الحرفية. كان الأمر يشبه محاولة تعليم طالب قراءة رواية معقدة دون إعطائه قاموساً للكلمات الصعبة.
٢. الحل: بناء مجموعة بيانات "SiNFluD"
أنشأ المؤلفون مورداً جديداً يسمى SiNFluD (مجموعة بيانات اللغة السندية غير الحرفية المجازية). فكر في هذا كأنه مجموعة ضخمة ومنظمة بعناية من البطاقات التعليمية.
- جمع البطاقات: لم يقوموا بابتكارها من العدم، بل بحثوا في الكتب القديمة، والمدونات، ومنشورات وسائل التواصل الاجتماعي، ومواقع مثل "ويكي مصدر" للعثد على أمثلة حقيقية لاستخدام الناس للغة السندية في هذه التعبيرات المجازية.
- اللمسة البشرية: قام متحدثان أصليان للغة السندية بدور "المعلمين". قرأ كل منهما كل جملة وصنفها:
- حرفي (0): "القطة على الحصيرة". (حقيقة مجردة).
- مجازي (1): "قلبه من حجر". (ليس حجراً حقيقياً، بل شخص لا يشعر).
- كما قاموا بتصنيف التعبيرات المجازية إلى أربعة فئات: التعابير الاصطلاحية، الأمثال، الاستعارات، والتشبيهات.
- التحقق المزدوج: للتأكد من اتفاقهما، قارنا عملهما. وقد اتفقا بنسبة 81% من المرات، وهي درجة عالية جداً، مما يعني أن هذه "البطاقات التعليمية" موثوقة.
- التنظيف: قاموا بإزالة التكرارات وإصلاح أخطاء التنسيق، لينتهي بهم الأمر بحوالي 4,451 مثالاً نظيفاً.
٣. الاختبار: تعليم الحواسيب
بمجرد حصولهم على هذه البطاقات التعليمية، احتاجوا لمعرفة ما إذا كان الذكاء الاصطناعي الحديث يمكنه التعلم منها. لقد تعاملوا مع الأمر كأنه امتحان مدرسي للحواسيب.
- الطلاب: اختبروا أربعة نماذج مختلفة من "طلاب" الذكاء الاصطناعي:
- mBERT: طالب متعدد اللغات قياسي.
- XLM-RoBERTa: طالب أكثر تقدماً قرأ كتباً أكثر.
- XLM-RoBERTa-XL: "الطالب الخارق" ذو الدماغ الضخم (عدد أكبر من المعلمات) الذي قرأ أكثر من 100 لغة.
- SetFit: "المتعلم السريع" المصمم للحصول على نتائج جيدة باستخدام أمثلة قليلة جداً (التعلم القليل).
- الامتحان: قاموا بتقسيم البيانات إلى مجموعات تدريب ومجموعات اختبار (مثل الاختبارات التجريبية والامتحانات النهائية) باستخدام طريقة "التحقق المتقاطع" لضمان أن النتائج لم تكن مجرد ضربة حظ.
٤. النتائج: من نجح؟
كانت النتائج مشجعة للغاية:
- الفائز: حصل نموذج XLM-RoBERTa-XL (الطالب الخارق) على أعلى درجة، حيث استطاع تحديد اللغة المجازية بدقة تصل إلى 92.27%.
- الوصيفون: أدى النماذج الأخرى بشكل جيد أيضاً، حيث سجلت درجات بين 90% و91%.
- الدرس المستفاد: يخبرنا هذا أن مجموعة البيانات عالية الجودة ومتوازنة. كما يظهر أن نماذج الذكاء الاصطعي الأكبر والأكثر تقدماً هي الأفضل في فهم "ظلال المعنى" الدقيقة في السندية، ومع ذلك، فإن "المتعلم السريع" الفعال (SetFit) قدم أداءً جيداً بشكل مفاجئ.
ملخص
باختيد، بنى المؤلفون أول "قاموس للمعاني الخفية" رئيسي للغة السندية. لقد أثبتوا أنه باستخدام هذه الأداة الجديدة، يمكن للحواسيب أخيراً أن تبدأ في فهم أن المتحدث بالسندية عندما يقول شيئاً شاعرياً أو اصطلاحياً، فهو لا يتحدث بهراء — بل يتحدث بعمق وثقافة. وهذا يمنح الباحثين أساساً متيناً لبناء أدوات ترجمة، وروبوتات دردشة، ومحللات مشاعر أفضل للغة السندية في المستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.