From Traditional Taggers to LLMs: A Comparative Study of POS Tagging for Medieval Romance Languages

تخيل أنك تحاول قراءة مكتبة من الكتب القديمة المكتوبة بثلاث لغات من العصور الوسطى: الأوكسيتانية من العصور الوسطى، والكتالونية من العصور الوسطاء، والفرنسية من العصور الوسطى. هذه ليست مجرد نسخ قديمة من اللغات الحديثة؛ بل هي أشبه بأقارب برية غير مروضة. يتغير الإملاء من صفحة إلى أخرى (أحياناً تُكتب كلمة "نار" كـ fuoc، وأحياناً foc)، وقواعدها معقدة، وهناك عدد قليل جداً من القواميس أو المعلمين لمساعدتك على فهمها.

الهدف من هذه الورقة البحثية هو تعليم الحواسيب كيفية تصنيف كل كلمة في هذه الكتب حسب "وظيفتها" (مثل الاسم، أو الفعل، أو الصفة). تسمى هذه العملية توسيم أجزاء الكلام (Part-of-Speech Tagging). وهي الخطوة الأولى الأساسية قبل أن يتمكن الكمبيوتر حقاً من فهم القصة، أو ترجمتها، أو تحليل تاريخها.

لقد تساءل الباحثون: هل يمكن للذكاء الاصطناعي الحديث "فائق الذكاء" (نماذج اللغات الكبيرة أو LLMs) أن يؤدي وظيفة أفضل من الأدوات التقليدية التي كنا نستخدمها سابقاً؟

إليك تفصيل تجربتهم، مشروحاً عبر تشبيهات بسيطة:

1. المتسابقون

وضعت الدراسة سباقاً بين نوعين من "الموسِمين" (الذين يضعون الوسوم):

• الحرس القديم (الموسِمون التقليديون): فكر فيهم كـ أُمناء مكتبة يتبعون قواعد صارمة. لديهم كتاب قواعد صارم يعتمد على اللغات الحديثة. يحاولون تخمين وظيفة الكلمة من خلال النظر إلى شكلها ومقارنتها بأنماط معروفة. هم سريعون ورخيصو التكلفة، لكنهم يرتبكون بسهء عند مواجهة إملاء غريب أو كلمة نادرة.
• المنافسون الجدد (نماذج اللغات الكبيرة - LLMs): هؤلاء يشبهون متعددي لغات عباقرة قرأوا كل شيء كُتب تقريباً. هم لا يتبعون القواعد فحسب؛ بل يفهمون السياق. يمكنهم النظر إلى جملة و"الشعور" بما يُحتمل أن تكون عليه الكلمة، حتى لو كان الإملاء غريباً.

2. طرق التدريب (كيف علموا الذكاء الاصطناعي)

لم يترك الباحثون الذكاء الاصطناعي يخمن فحسب؛ بل جربوا طرقاً مختلفة لتعليمه:

• التعلم بدون أمثلة (القراءة الباردة - Zero-Shot): أعطوا الذكاء الاصطناعي أمراً يقول: "أنت خبير. إليك كلمة، أخبرني بوظيفتها"، دون عرض أي أمثلة له. إنه يشبه سؤال سائح لترجمة قائمة طعام دون إعطائه كتيب عبارات.
• التعلم بأمثلة قليلة (ورقة الغش - Few-Shot): أعطوا الذكاء الاصطناعي قائمة صغيرة جداً من الأمثلة أولاً (على سبيل المثال: "هذه الكلمة اسم، وهذه الكلمة فعل"). إنه يشبه تسليم السائح بعض العبارات الرئيسية قبل أن يبدأ.
• الضبط الدقيق (التلمذة - Fine-Tuning): أخذوا الذكاء الاصطناعي ودربوه خصيصاً على النصوص التي تعود للعصور الوسطى. إنه يشبه توظيف ذلك السائح كمتدرب لمدة شهر لدراسة هذه الكتب تحديداً.
• النقل عبر اللغات (لم شمل العائلة اللغوية - Cross-Lingual Transfer): هذا هو الجزء الأكثر إثارة للاهتمام. قاموا بتدريب الذكاء الاصطناعي على مزيج من اللغات. على سبيل المثال، درّبوه على الكتالونية والأوكسيتانية معاً، ثم اختبروه على الأوكسيتانية. إنه يشبه تعليم شخص ما الإسبانية والإيطالية، ثم رؤية ما إذا كان بإمكانه فهم البرتغالية بشكل أفضل لأن اللغات مترابطة.

3. النتائج: من الفائز؟

كانت النتائج واضحة، ولكن مع بعض التحولات المثيرة للاهتمام:

• الذكاء الاصطناعي يفوز: في معظم الحالات، تفوق الذكاء الاصطناعي الحديث (LLMs) على الأدوات القديمة القائمة على القواعد. فقد تعامل "متعددو اللغات العباقرة" مع الإملاءات الغريبة والفوضوية بشكل أفضل بكثير من "أُمناء المكتبة الملتزمين بالقواعد".
• التدريب مهم: أدى الذكال الاصطناعي بشكل أفضل عندما تم تدريبه فعلياً على البيانات (الضبط الدقيق) بدلاً من مجرد التخمين.
• "الوضع المثالي" لخلط اللغات:
  • بالنسبة لأصغر وأصعب مجموعة بيانات (الأوكسيتانية من العصور الوسطى): تعلم الذكاء الاصطناعي بشكل أفضل عندما درس اللغات الثلاث معاً (ثلاثي اللغة). كان الأمر يشبه حاجة الطالب لسماع جميع اللهجات ذات الصلة ليفهم أخيراً تلك اللهجة الصعبة.
  • بالنسبة للنص الطبي (الفرنسية من العصور الوسطى): أدى الذكاء الاصطناعي بشكل أفضل عندما اقترن بالكتالونية فقط (ثنائي اللغة). إضافة اللغة الثالثة جعلت الأداء أسوأ قليلاً. إنه يشبه طالباً يتعلم الفرنسية؛ أحياناً إضافة لغة ثالثة (مثل الإسبانية) يساعد، ولكن أحياناً يكون التركيز فقط على أقرب قريب (الإيطالية/الكتالونية) أكثر فعالية لمهمة محددة وصغيرة.

4. "لماذا" الفوز؟

وجد الباحثون أن الذكاء الاصطناعي كان بارعاً بشكل خاص في تحديد الكلمات التي لها معنى وسياق، مثل الصفات، والظروف، والضمائر. كانت الأدوات القديمة تعاني مع هذه الفئات لأنها تعتمد على قواعد جامدة. أما الذكاء الاصطناعي، فبإمكانه النظر إلى الجملة كاملة وقول: "آه، هذه الكلمة تصف الاسم، لذا لا بد أن تكون صفة"، حتى لو كان الإملاء غريباً.

5. العقبة (القيود)

الورقة البحثية صريحة بشأن ما لم تفعله:

• التكلفة: "متعددو اللغات العباقرة" (نماذج الذكاء الاصطناعي الكبيرة) مكلفون في التشغيل ويتطلبون حواسيب قوية. الأدوات القديمة مجانية وسريعة.
• حجم البيانات: كانت مجموعات البيانات مختلفة جداً في الحجم (إحداها تحتوي على 2,000 كلمة، والأخرى 59,000 كلمة). لم يستطع الباحثون الفصل تماماً بين ما إذا كان الذكاء الاصطناعي قد نجح بسبب اللغة أم لمجرد أنه امتلك بيانات أكثر للتعلم منها.
• التخصص: لقد اختبروا هذه اللغات الثلاث فقط. لا نعرف بعد ما إذا كان هذا سينجح مع لغات قديمة أخرى ليست من اللغات الرومانسية.

الخلاصة

تثبت هذه الورقة أن الذكاء الاصطناعي الحديث هو أداة جديدة قوية لقراءة النصوص القديمة الفوضوية من العصور الوسطى. هو لا يستبدل الطرق القديمة فحسب، بل يحسنها بشكل كبير، خاصة عندما تعلمه عن طريق خلط اللغات ذات الصلة. ومع ذلك، لا توجد استراتيجية "واحدة تناسب الجميع". أحياناً تحتاج لخلط جميع اللغات معاً، وأحياناً تحتاج للتركيز على لغتين فقط، اعتماداً على النص المحدد الذي تحاول قراءته.

بالنسبة للمؤرخين والباحثين في العلوم الإنسانية الرقمية، هذا يعني أنه يمكننا الآن بناء أدوات أفضل لتنظيم وفهم آلاف السنين من الأدب التي كانت سابقاً عصية على الفهم من قبل الحواسيب بسبب فوضويتها.