What makes a word hard to learn? Modeling L1 influence on English vocabulary difficulty
تقدم هذه الورقة نموذجاً حوسبياً يستخدم خوارزميات تعزيز التدرج وقيم شابلي للتنبؤ بصعوبة المفردات الإنجليزية للمتعلمين من خلفيات إسبانية وألمانية وصينية، مما يكشف أنه بينما تسود الألفة مع الكلمات عالمياً، فإن تأثير الانتقال الإملائي يختلف بشكل كبير اعتماداً على اللغة الأم للمتعلم.
المؤلفون الأصليون:Jonas Mayer Martins, Zhuojing Huang, Aaricia Herygers, Lisa Beinborn
تخيل أنك تحاول تعلم لغة جديدة، مثل الإنجليزية. قد تعتقد أن بعض الكلمات صعبة بطبيعتها للجميع، بينما غيرها سهل. لكن هذه الورقة البحثية تجادل بأن من أنت (تحديداً اللغة التي تتحدثها في المنزل) يغير درجة صعوبة كل كلمة على حدة.
قام الباحثون ببناء "معلم رقمي" لمعرفة السبب الدقيق وراء كون الكلمة صعبة أو سهلة لأشخاص مختلفين. وقد اختبروا هذا المعلم على ثلاث مجموعات من المتعلمين: أولئ ever كانت لغتهم الأولى هي الإسبانية، أو الألمانية، أو الصينية.
إليك تفصيل نتائجهم باستخدام تشبيهات بسيطة:
1. "المفتاحان" الرئيسيان للتعلم
وجد الباحثون أنه بالنسبة للجميع، فإن المفتاح الأهم لفتح قفل الكلمة هو الألفة (Familiarity).
التشبيه: فكر في الكلمة كأنها شخص مشهور. إذا كنت ترى هذا المشهور (الكلمة) كل يوم على التلفاز (التكرار العالي) أو قابلته عندما كنت طفلاً (سن الاكتساب المبكر)، فستتعرف عليه فوراً. أما إذا لم تره من قبل، فهو لغز بالنسبة لك.
النتيجة: كان هذا هو السبب الأول وراء سهولة أو صعوبة الكلمات لجميع المجموعات الثلاث. إذا كنت قد سمعت الكلمة من قبل، فهي أسهل.
2. "الجسر" لمتحدثي الإسبانية والألمانية
بالنسبة لمتحدثي الإسبانية والألمانية، كان هناك مفتاح ثانٍ قوي: الجسر (النقل/التحويل - Transfer).
التشبيه: تخيل أنك تحاول عبور نهر للوصول إلى جزيرة جديدة (الإنجليزية).
إذا كنت تتحدث الألمانية، فسترى جسراً مصنوعاً من الخشب يشبه تماماً الجسر الموجود في بلدك الأم. يمكنك فقط السير عبره. (مثال: الكلمة الألمانية Kabel تشبه إلى حد كبير الكلمة الإنجليزية Cable).
إذا كنت تتحدث الإسبانية، فسترى جسراً مشابهاً، وإن كان مطلياً بلون مختلف قليلاً. لا يزال بإمكانك العبور منه بسهولة. (مثال: كلمة Fantasía بالإسبانية قريبة جداً من Fantasy بالإنجليزية).
النتيجة: بالنسبة لهاتين المجموعتين، إذا كانت الكلمة تشبه كلمة في لغتهم الأصلية، فإنها تصبح سهلة للغاية، حتى لو لم يسمعوها من قبل. أدرك النموذج الحاسوبي أن هذا "الجسر البصري" كان العامل الثاني الأكثر أهمية لهما.
3. "السباحة" لمتحدثي الصينية
بالنسبة لمتحدثي اللغة الصينية، لم يكن الجسر موجوداً.
التشبيه: تخيل أن النهر عريض، والجانب الآخر مصنوع من مادة مختلفة تماماً. لا يوجد جسر. عليك أن تسبح.
النتيجة: لأن الحروف الصينية لا تشبه الحروف الإنجليزية بتاتاً، فقد كان "الجسر" عديم الفائدة (كان صفراً). بدلاً من ذلك، اعتمد المتعلمون الصينيون على مزيج مختلف من الأدوات:
الألفة: عدد المرات التي رأوا فيها الكلمة.
السمات السطحية: شكل الكلمة نفسها. ما مدى طولها؟ كم عدد حروفها؟ هل يعطي الحرف الأول تلميحاً؟
النتيجة: بالنسبة للمتعلمين الصينيين، تحددت الصعوبة بناءً على مدى معرفتهم بالكلمة ومدى تعقيد شكل إملائها، بدلاً من أي صلة بلغتهم الأم.
4. "المرآة السحرية" (النموذج)
استخدم الباحثون نوعاً من "الأدمغة الحاسوبية" (نموذج تعزيز التدرج - gradient-boosted model) للتنبؤ بمدى صعوبة الكلمة.
الاختبار: عرضوا على الكمبيوتر قائمة من الكلمات وسألوه: "ما مدى صعوبة هذه الكلمة بالنسبة لشخص ألماني؟ وكيف هي بالنسبة لمتحدث صيني؟"
النجاح: أصبح الكمبيوتر بارعاً جداً في التخمين. لقد تعلم أن كلمة مثل Handbook سهلة للألماني (لأن كلمة Handbuch مشابهة لها) ولكنها أصعب للمتحدث الصيني (الذي يتعين عليه حفظ الإملاء من الصفر).
المفاجأة: تعلم الكمبيوتر أنه بالنسبة لمتحدثي الإسبانية والألمانية، كان "الجسر" مهماً لدرجة أنه استطاع التنبؤ بصعوبة الكلمات حتى للكلمات التي لم يسبق للمتعلم رؤيتها، وذلك بمجرد النظر إلى التشابه في الهجاء.
5. فخ "النموذج الموحد للجميع"
اختبرت الورقة أيضاً ما إذا كان بإمكانهم استخدام نموذج واحد للجميع.
النتيجة: لم ينجح الأمر بشكل جيد. فالنموذج الذي تم تدريبه على المتعلمين الألمان فشل في التنبؤ بما سيكون صعباً على المتعلمين الصينيين، والعكس صحيح.
الدرس المستفاد: لا يمكنك معاملة جميع المتعلمين بنفس الطريقة. فالكلمة التي تمثل "جسراً" للألماني هي مجرد "شكل غريب" للمتحدث الصيني. ولكي يكون التعليم فعالاً، يجب أن تعرف أي "المفاتيح" (الألفة مقابل الجسر) تعمل مع كل طالب محدد.
الملخص
الجميع يحتاجون لمعرفة الكلمة جيداً (الألفة) ليجدوها سهلة.
متحدثو الإسبانية والألمانية يحصلون على "تصريح مجاني" للكلمات التي تشبه لغاتهم (الجسر).
المتحدثون الصينيون يعتمدون على شكل الكلمة ومدى تكرار رؤيتها، لأن الجسر غير موجود لديهم.
تخلص الورقة إلى أنه لجعل التعلم أسهل، نحتاج إلى تصميم دروس تستخدم هذه "المفاتيح" الخاصة بكل نوع من المتعلمين، بدلاً من استخدام قائمة واحدة من "الكلمات الصعبة" للجميع.
ملخص تقني: نمذجة تأثير اللغة الأم (L1) على صعوبة المفردات الإنجليزية
بيان المشكلة
يعد اكتساب مفردات اللغة الثانية (L2) تحديًا جوهريًا، ومع ذلك، تختلف صعوبة تعلم كلمات معينة بشكل كبير بناءً على اللغة الأم (L1) للمتعلم. وبينما تؤثر الخصائص المعجمية الجوهرية (مثل التكرار، والواقعية الملموسة) على جميع المتعلمين، فإن العوامل المرتبطة باللغة الأم (مثل التداخل الإملائي وحالة الكلمات المتشابهة - Cognates) تخلق منحنيات تعلم متباينة. تفشل النماذج الحسابية الحالية لصعوبة المفردات في مراعاة خلفيات المتعلمين الفردية، أو تقتصر على أزواج لغوية واحدة. تعالج هذه الورقة الفجوة في نمذجة صعوبة المفردات الإنجليزية للمتعلمين ذوي الخلفيات النمطية المتميزة: الإسبانية، والألمانية، والصينية.
المنهجية
البيانات
تستخدم الدراسة قوائم المفردات القائمة على المعرفة (KVL)، وهي مجموعة بيانات مستمدة من مصادر جماعية تحتوي على استجابات اختبار صعوبة المفردات من أكثر من 100,000 متعلم للغة الإنجليزية. تغطي مجموعة البيانات ثلاث مجموعات من اللغات الأم (الإسبانية، الألمانية، الصينية) مع ما يقرب من 6,091 عنصر تدريب، و677 عنصر تطوير، و748 عنصر اختبار لكل لغة.
صيغة المهمة: يترجم المتعلمون كلمة من اللغة الأم إلى الإنجليزية بناءً على الحرف الأول وعدد الحروف (على سبيل المثال، الألمانية Kabel←c _ _ _ _).
المتغير المستهدف: يتم تقدير صعوبة العنصر عبر نموذج "راش" (Rasch model)، مما ينتج درجة لوغاريتمية مستمرة حيث تشير القيم الأعلى إلى الكلمات الأسهل.
هندسة الميزات
استخرج المؤلفون 24 ميزة لكل عنصر، مقسمة إلى أربع مجموعات متميزة لالتقاط الآليات المعرفية المختلفة:
الألفة (11 ميزة): تلتقط تأثيرات التعرض، بما في ذلك التكرار المحول لوغاريتميًا، والتنوع السياقي، وعمر الاكتساب (AoA)، ونسبة الموضحين الذين عرفوا الكلمة، ومستويات الكفاءة في الإطار الأوروبي المرجعي الموحد للغات (CEFR) (سواء توزيعات CEFR-J أو توزيعات corpus EFLLex).
المعنى (5 ميزات): تقيس التعقيد الدلالي باستخدام معيار ℓ2 لتمثيلات fastText، ومتوسط عمق التصنيف الهرمي (hypernym depth)، وعدد المعاني (من WordNet)، ونسبة هيمنة فئة الكلمة (POS)، وعلامة ثنائية لمتطلبات إزالة اللبس.
السطح (7 ميزات): تصف الشكل الإملائي، بما في ذلك طول الكلمة الهدف/المصدر، وعدد المقاطع اللفظية، ونسبة الحروف لكل صوت (الشفافية الإملائية)، وطول جملة السياق، والحروف الأولى من التلميح الإنجليزي والترجمة في اللغة الأم.
النقل (ميزة واحدة): تحسب تشابه جيب التمام (cosine similarity) بين ناقلات n-gram TF-IDF لـ character-level بين الكلمة الإنجليزية وترجمتها في اللغة الأم. يعمل هذا كوكيل للتشابه الإملائي (orthographic cognateness). ومن الجدير بالذكر أن هذه الميزة تعطي تشابهًا صفريًا بالنسبة للغة الصينية بسبب اختلاف الأنظمة الكتابية.
بنية النموذج
النموذج الأساسي: تم تدريب نموذج CatBoost (أشجار القرار المعززة بالتدرج) بشكل منفصل لكل لغة أم. سمح هذا الخيار بنمذجة التفاعلات غير الخطية وأهمية الميزات مع الحفاظ على القابلية للتفسير.
النماذج المرجعية (Baselines):
انحدار ريدج (Ridge Regression): نموذج خطي تم تدريبه على نفس الـ 24 ميزة لاختبار ضرورة التفاعلات غير الخطية.
النموذج القائم على المحولات (Transformer-based): نموذج لغوي مسبق التدريب تم ضبطه بدقة (Skidmore et al., 2025)، وتدرب مباشرة على درجات الصعوبة دون ميزات مصممة يدويًا.
التقييم: تم تقييم النماذج باستخدام جذر متوسط مربع الخطأ (RMSE) ومعامل ارتباط بيرسون (r) على مجموعات اختبار محجوزة. كما تم اختبار التعميم عبر اللغات (Cross-L1 generalization) عن طريق تقييم النماذج المدربة على لغة أم واحدة مقابل مجموعات اختبار اللغات الأخرى.
القابلية للتفسير: تُستخدم قيم SHAP (تفسيرات شابلِي المضافة) لنسب التنبؤات إلى الميزات الفردية. يتم تجميع أهمية الميزات حسب المجموعة لتحديد المساهمة النسبية لآليات الألفة، والمعنى، والسطح، والنقل.
النتائج الرئيسية
دقة التنبؤ
حققت نماذج CatBoost أدنى RMSE وأعلى ارتباط بيرسون عبر اللغات الثلاث مقارنة بكل من النماذج الخطية ونماذج المحولات المرجعية.
الإسبانية: RMSE لـ CatBoost هو 1.24 (مقابل 1.26 للمحول، و1.30 للنموذج الخطي).
الألمانية: RMSE لـ CatBoost هو 1.12 (مقابل 1.26 للمحول، و1.20 للنموذج الخطي).
الصينية: RMSE لـ CatBoost هو 1.04 (مقابل 1.14 للمحول، و1.07 للنموذج الخطي). تشير النتائج إلى أن التفاعلات غير الخطية للميزات والميزات النفسية اللغوية المختارة بعناية تتفوق على كل من التركيبات الخطية والتمثيلات الخام للمحولات في هذه المهمة المحددة.
أهمية الميزات والاختلافات بين اللغات الأم
كشف تحليل SHAP عن ملفات تعريف صعوبة متميزة بناءً على اللغة الأم:
الألفة: كانت هذه هي مجموعة الميزات المهيمنة عبر جميع اللغات الثلاث. ومع ذلك، اختلفت المحركات المحددة:
الإسبانية/الألمانية: مدفوعة أساسًا بـ عمر الاكتساب (AoA) والتكرار.
الصينية: مدفوعة أساسًا بـ مستويات الكفاءة (نطاق CEFR-J وEFLLex)، مما يشير إلى نمط اكتساب أكثر اعتمادًا على المناهج الدراسية.
النقل (التداخل الإملائي): عملت هذه الميزة كمميز حاسم.
بالنسبة لـ الإسبانية والألمانية، كان "النقل" هو أقوى متنبئ إجمالي (متوسط ∣SHAP∣≈0.51−0.52)، خاصة للكلمات الأقل ألفة. لقد وفر "مسارًا ثانيًا" نحو السهولة عبر الكلمات المتشابهة (cognates).
بالنسبة لـ الصينية، ساهمت هذه الميزة بـ أهمية صفرية بسبب غياب النظام الكتابي المشترك.
السطح مقابل المعنى: كانت ميزات السطح (الطول، الحروف الأولى) أكثر أهمية لمتعلمي اللغة الصينية مقارنة بمتعلمي الإسبانية أو الألمانية. وعلى العكس من ذلك، ساهمت ميزات المعنى بشكل ضئيل عبر جميع المجموعات، ويرجع ذلك على الأرجح إلى أن مهمة KVL تختبر استدعاء الشكل (الإملاء) وليس الفهم الدلالي.
التعميم عبر اللغات (Cross-L1 Generalization)
الإسبانية ↔ الألمانية: تعمم النماذج المدربة على إحدى اللغتين بشكل جيد نسبيًا على الأخرى (على سبيل المثال، النموذج المدرب على الإسبانية عند اختباره على مجموعة ألمانية: RMSE 1.18 مقابل 1.12 داخل الألمانية). يشير هذا إلى استراتيجيات معرفية مشتركة للغات ذات الصلة نمطيًا.
الصينية: كان النقل المتعلق بالصينية أسوأ بشكل ملحوظ. فشل النموذج المدرب على الصينية في التعميم على الإسبانية/الألمانية (RMSE > 1.5)، كما أن النماذج المدربة على الإسبانية/الألمانية أدت بشكل أسوأ على الصينية مقارنة بالنموذج الأصلي للصينية، رغم أنها لا تزال تتفوق على النماذج المرجعية. وهذا يؤكد أن آليات الصعوبة لمتعلمي اللغة الصينية متميزة نوعيًا.
الأهمية والمساهمات
تدعي الورقة تقديم عدة مساهمات في مجال اللغويات الحاسوبية وتكنولوجيا التعليم:
النمذجة المصممة خصيصًا للغة الأم: توضح أن صعوبة المفردات ليست مقياسًا عالميًا بل تتشكل بواسطة التفاعلات بين اللغة الأم واللغة الثانية. من خلال تدريب نماذج منفصلة، تمكن المؤلفون من التقاط هذه الفروق الدقيقة، متفوقين بذلك على النماذج المحايدة.
القابلية للتفسير: يسمح استخدام قيم SHAP بتفكيك سبب صعوبة الكلمة. حددت الدراسة مسارين متميزين نحو السهولة لمتعلمي الإسبانية والألمانية (الألفة أو النقل الإملائي) مقابل الاعتماد الموحد على الألفة والإشارات السطحية لمتعلمي الصينية.
الآثار على تصميم المناهج: تشير النتائج إلى أن المناهج الدراسية لمتعلمي الإسبانية والألمانية يمكنها الاستفادة من الكلمات المتشابهة لتسريع اكتساب المفردات، بينما يجب أن تعطي مناهج متعلمي الصينية الأولوية للتكرار ومستويات الكفاءة المنظمة.
القابلية للتوسع: يقدم المؤلفون عرضًا تفاعليًا وقاموسًا موسعًا (4,000–7,000 كلمة إضافية لكل لغة) مستمدًا من Wiktionary، مما يثبت أن هذه النماذج يمكنها توليد تقديرات الصعوبة بما يتجاوز مجموعة بيانات KVL الأصلية.
يتبنى المؤلفون موقفًا متواضعًا، مشيرين إلى أن تحليل أهمية الميزات لديهم يصف هياكل التنبؤ بالنموذج وليس العمليات المعرفية المباشرة. كما يقرون بالقيود المتعلقة بصيغة المهمة المحددة (استدعاء الإملاء) والتغطية اللغوية المحدودة، مقترحين أن العمل المستقبلي يمكن أن يستكرد التشابه الصوتي والكلمات المترجمة حرفيًا (calques) لالتقاط المزيد من التباين.