The Morphological Core of Dungan: A Two-Dialect Finite-State Model and a Multi-Genre Evaluation

تخيل أنك محقق تحاول حل لغز، ولكن بدلاً من مسرح جريمة، فإن مسرح جريمتك هو لغة. هذا البحث يعيش في عالم اللسانيات الحاسوبية، وهو مجال يبني فيه العلماء أدوات رقمية لفهم كيفية عمل اللغات البشرية. ولحل هذا اللغز، يستخدمون نوعاً معيناً من الأدوات يسمى نموذج الحالة المحدودة (finite-state model). فكر في هذا النموذج كأنه فهرس بطاقات مكتبة منظم للغاية أو خريطة لمحطة قطار. هو لا يحاول فهم "معنى" الجملة كما يفعل البشر؛ بل يتحقق فقط مما إذا كانت الكلمة تتوافق مع نمط معين. يسأل: "هل تمتلك هذه الكلمة جذراً (الجزء الأساسي) ووسماً (قطعة صغيرة مضافة في نهايتها)؟" إذا تطابق النمط، تقول الأداة: "فهمت!". وإذا لم يتطابق، تقول: "لا أعرف هذه الكلمة".

لماذا يهتم أي شخص بهذا؟ لأنه بالنسبة للعديد من اللغات، لدينا قواميس وكتب قواعد، ولكن ليس لدينا هذه الخرائط الرقمية. وبدونها، لا تستطيع الحواسيب الترجمة، أو التدقيق الإملائي، أو البحث في النصوص بتلك اللغات بفعالية. السؤال الذي يعالجه هذا البحث بسيط ولكنه شائ�ك: ما هو مقدار ما يتكون منه اللسان فعلياً من هذه القطع الصغيرة ذات الأنماط، وما هو مقدار ما هو مجرد قائمة ضخمة من الكلمات الفريدة؟ إذا كانت اللغة تتكون في الغالب من كلمات فريدة، فإن "الخريطة" ستحتاج لأن تكون ضخمة. أما إذا كانت تتكون في الغالب من أنماط، فإن الخريطة يمكن أن تكون صغيرة ومنظمة.

---

لغز لغة الدونغان

تعرف على الدونغان، وهي لغة تتحدث بها مجتمعات من المسلمين في آسيا الوسطى انتقلوا إلى هناك منذ أكثر من مائة عام. هي ابنة عم لغة الماندرين الصينية، ولكن مع لمسة مختلفة: فبدلاً من استخدام الرموز الصينية، يكتبونها باستخدام الأبجدية السيريلية (نفس الخط المستخدم في اللغة الروسية). ولأنهم تخلوا عن الرموز والنغمات الموسيقية التي تساعد عادة في تمييز الكلمات، فإن لغة الدونغان تشبه قليًلاً لعبة "من هو؟" (Guess Who?) حيث تبدو العديد من الرموز متطابقة تماماً على الورق.

قرر مؤلفا هذا البحث، أنتون وسيرجي، بناء "خريطة" رقمية (محلل حالة محدودة) للغة الدونغان لمعرفة كيف تعمل قواعدها في الواقع. لم يرغبوا في اختراع قواعد جديدة؛ بل أرادوا أخذ القواعد المكتوبة بالفعل في كتب القواعد القديمة وتحويلها إلى آلة عاملة لقياس اللغة. لقد بنوا هذه الخريطة لثنائي من اللهجات: تنوع غانسو (النسخة الأدبية القياسية) وتنوع شانشي.

الاكتشاف الكبير: جوهر صغير ومعجم ضخم

عندما قاموا بتشغيل خريطتهم على آلاف الجمل من ثلاثة أنواع مختلفة من النصوص (موسوعات، قصص شعبية، وروايات دينية)، وجدوا شيئاً مفاجئاً.

1. القواعد "غير المرئية"
في العديد من اللغات، تتغير أشكال الكلمات باستمرار (مثل تحول "walk" إلى "walked" أو "walking" أو "walks"). في الدونغنا، يحدث هذا نادراً جداً. وجد المؤلفون أنه في نص الموسوعة، 9.3% فقط من الكلمات كانت تمتلك بالفعل "وسماً" ملتصقاً بها. وفي القصص الشعبية، كانت النسبة 13.4%، وفي الرواية الدينية، كانت 27.1%.

• التشبيه: تخيل مدينة حيث 90% من المباني هي مجرد كتل بسيطة بلا زينة. فقط القليل منها لديه أعلام أو زخارف فوقها. "قواعد" لغة الدونان هي تلك الأعلام القليلة. معظم الوقت، تظل الكلمات كما هي دون تغيير.

2. غموض "الوسيطين" (Two-Clitic Ambiguity)
بسبب ندرة تغير الكلمات، عندما تتغير، قد يصبح الأمر مربكاً. وجد المؤلفون أن 78.1% من الكلمات التي تعرفت عليها الأداة كانت لها معنى واحد فقط ممكن. هذه إشارة واضحة جداً! ومع ذلك، فإن الارتباك المتبقي كان عالقاً بالكامل في قطعتين صغيرتين فقط من الكلمات (clitics): -di و -ni.

• التشبيه: تخيل إشارة مرور تعمل بشكل مثالي بنسبة 78% من الوقت. الوقت الوحيد الذي يصبح فيه الأمر مربكاً هو عندما تتعطل الإشارة على اللون "الأصفر" أو "الأحمر"، ولا أحد يعرف ما إذا كان يعني "قف" أو "انطلق". في الدونغان، القطعة الصغيرة -di يمكن أن تعني "التبعية" (المضاف إليه) أو "الاستمرارية" (الماضي المستمر)، و -ni يمكن أن تعني "في مكان" (المكانية) أو "الوشوك" (المستقبل). لا يستطيع الكمبيوتر التمييز بينهما بدون سياق إضافي، لكنه على الأقل يعرف أين يكمن الارتباك.

3. الجوهر "المغلق"
الاكتشاف الأكثر أهمية يتعلق بمدى "اكتمال" خريطتهم. لقد سألوا: "عندما يفشل الكمبيوتر في التعرف على كلمة، هل السبب هو غياب قاعدة قواعدية، أم لأن الكلمة نفسها جديدة؟"
اكتشفوا أن ما بين 78% و 95% من الكلمات التي لم يستطع الكمبيوتر التعامل معها كانت ببساطة مفقودة من القاموس. أما قواعد القواعد نفسها فقد كانت في الواقع "مغلقة" ومكتملة. الأشياء التي لم يتضمنها النموذج (مثل بعض عادات الماضي النادرة أو تغيرات صوتية محددة) لم تشكل أكثر من 4.5% من حالات الفشل.

• التشبيه: تخيل أنك تحاول تحديد أنواع الحيوانات في حديقة حيوان. لديك دليل مثالي لكيفية التعرف على الأسد، أو النمر، أو الدب. إذا رأيت حيواناً لا تعرفه، فمن المؤكد تقريباً أنه نوع جديد لم تره من قبل، وليس لأن دليلك يفتقر إلى قاعدة حول كيفية مشي الأسود. "الحدود" في لغة الدونغان ليست القواعد؛ بل هي المفردات.

ماذا تخبرنا الأرقام

كان المؤلفون حريصين جداً على قياس ما يمكن لأداتهم القيام به بدقة.

• التغطية (Coverage): عندما اختبروا خريطتهم على نصوص جديدة لم ترها من قبل، نجحت في التعرف على 80-85% من الكلمات.
• قوة الصرف (Morphology): لو أنهم استخدموا فقط قائمة كلمات دون أي قواعد قواعدية، لكانوا قد تعرفوا على 67.4% من الكلمات. وبإضافة قواعد القواعد (الصرف)، رفعوا هذا الرقم إلى 72.6%. هذه زيادة قدرها 5.2 نقطة. إنها دفعة مفيدة، لكنها تثبت أن القواعد "رقيقة"؛ فالعمل الثقيل تقوم به قائمة الكلمات، وليس القواعد.
• الدقة (Accuracy): بالنسبة للكلمات التي تعرفوا عليها، كانت الأداة جيدة جداً في إيجال المعنى الصحيح، رغم أنها كانت تتعثر أحياناً في قطعتي -di و -ni المربكتين.

الخلا الخلاصة: خريطة للمستقبل

يخلص البحث إلى أن "الجوهر الصرفي" للغة الدونغان هو مدمج، ومنتج فقط في فئات قليلة، ومغلق بشكل فعال. القواعد بسيطة ومنتهية؛ التحدي يكمكمن فقط في تعلم كل الكلمات. إن الحدود المفتوحة ليست قواعد اللعبة؛ بل هي اللاعبون أنفسهم.

لقد نشر المؤلفون "خريطتهم" (المحلل)، والكود، والاختبارات ليستخدمها أي شخص. وهم يقرون بأن عملهم هو فرضية مبنية على الكتب والقواميس، وليس حكماً نهائياً من المتحدثين الأصليين. حتى أنهم أدرجوا "ورقة عمل" للمتحدثين الأصليين للمشاركة في تصحيح أي أخطاء. إنها نقطة انطلاق، أساس رقمي بُني للمساعدة في جعل الحواسيب تفهم أخيراً هذه اللغة الفريدة المكتوبة بالسيريلية. الحدود المفتوحة ليست في قواعد اللعبة؛ بل هي في اللاعبين أنفسهم.