Wisdom in Unity: The Role of Multilingual Training in Figurative Language Identification in Proverbs
تُثبت هذه الورقة أن الإشراف متعدد اللغات، لا سيما عند دمج الأشكال المجازية المتنوعة مثل الأمثال الثقافية وأمثال المواعظ والأخلاق، يعزز بشكل كبير أداء تحديد اللغة المجازية، ويقترح تحولاً نحو أطر عمل متعددة الأبعاد وقائمة على المفاهيم تتجاوز النهج المتمحور حول الاستعارة.
المؤلفون الأصليون:Rama Alomair, Remas Alsubaie, Walaa Saifalislam, Rima Alsonbul, Mona Alnajjar, Razan Aldossari, Haya Alibrahim, Abeer Aldayel
تخيل أنك تحاول تعليم روبوت فهم النكات، والألغاز، والأمثال الشعبية البشرية. لا يقتصر الأمر هنا على مجرد ترجمة الكلمات من لغة إلى أخرى؛ بل يتعلق بفهم "المعنى الخفي" وراءها. في عالم علوم الحاسوب، يُطلق على هذا اسم "اللغة المجازية". فكر في الأمر كأنه شفرة سرية حيث لا يعني قولنا "إنها تمطر قططاً وكلاباً" أن حيوانات تسقط من السماء، بل يعني أن المطر غزير. وتُعد الأمثال الاختبار النهائي لهذه الروبوتات لأنها قصيرة، ومحملة بالحكمة الثقافية، وغالباً ما تبدو غير منطقية إذا أخذتها بمعناها الحرفي. لفترة طويلة، حاول العلماء تعليم الحواسيب كيفية رصد هذه الأمثال باستخدام لغة واحدة فقط في كل مرة، مثل دراسة النكات الإنجليزية في فصل دراسي مخصص للغة الإنجليزية فقط. لكن العالم الحقيقي فوضوي ومتعدد اللغات، لذا أراد الباحثون معرفة: إذا عرضنا على الروبوت أمثالاً بلغات عديدة في وقت واحد، فهل سيصبح أكثر ذكاءً؟ هل رؤية المثل بالفرنسية واليابانية والعربية يساعد الروبوت على فهم المثل بالإنجليزية بشكل أفضل؟
هذه الورقة البحثية، التي تحمل عنوان "الحكمة في الوحدة"، تغوص في هذا السؤال تحديداً باستخدام مجموعة ضخمة تضم 742 مفهوماً للأمثال المترجمة إلى سبع لغات مختلفة (العربية، الإنجليزية، الفرنسية، الألمانية، الروسية، اليابانية، والإسبانية)، بإجمالي يتجاوز 6,700 مثال. لم يكتفِ الباحثون بالسؤال عما إذا كان المثل "مجازياً" أم "حرفياً" فحسب؛ بل قسموه إلى أربعة نكهات محددة من المعنى: الاستعاري (استخدام الصور أو الرموز)، الأخلاقي/الإرشادي (تقديم درس أو تحذير)، السبب والنتيجة (ربط فعل بنتيجة)، والمرتبط بالثقافة (الذي يتطلب معرفة محلية عميقة لفهمه). وقد اختبروا خمسة نماذج حاسوبية مختلفة، تتراوح من المشفرات القياسية إلى النماذج اللغوية الكبيرة (LLMs) المتقدمة "المضبوطة بالتعليمات"، لمعرفة مدى أدائها عند تدريبها باستخدام كميات مختلفة من هذه الأمثلة المترجمة.
إليك ما اكتشفوه، وهو يشبه إلى حد كبير العثور على الوصفة المثالية لـ "سموذي" متعدد اللغات. أولاً، وجدوا أنك لست بحاجة لتغذية الروبوت بكل الأمثال المترجمة للحصول على نتائج رائعة. في الواقع، كان إطعام النماذج حوالي 50% من بيانات التدريب المترجمة كافياً للوصول إلى أداء يقارب الكمال. ولم يساعد إضافة المزيد من البيانات بعد ذلك (من 50% إلى 100%) كثيراً، مما يشير إلى أن النماذج وصلت إلى "نقطة مثالية" حيث تعلمت ما يكفي للتعميم.
ثانياً، ومن المثير للدهشة حقاً، أن نوع المثل يهم كثيراً. فقد وجد الباحثون أن الأمثال "المرتبطة بالثقافة" — وهي تلك الأصعب في الفهم لأنها تعتمد على التاريخ أو الدين المحلي — شهدت في الواقع أكبر تحسن عند تدريب النماذج ببيانات متعددة اللغات. الأمر كما لو أن رؤية المثل في سياقات ثقافية مختلفة ساعد الروبوت أخيراً على فك شفرة ما يجعله فريداً. وفي الوقت نفسه، فإن الأنواع الأكثر شيوعاً، مثل الاستعارات، لم تحصل على دفعة كبيرة من اللغات الإضافية.
أخيراً، أظهرت الدراسة أنه لا تكفي "نكهة" واحدة من الأمثال وحدها. فقد حققت النماذج أفضل أداء عندما تم تدريبها على مزيج من الأنواع الأربعة جميعها. ويبدو أنه بينما قد يكون بعض النماذج بارعاً في رصد الدروس الأخلاقية والبعض الآخر في رصد السبب والنتيجة، فإن دمج كل هذه المنظورات المختلفة يخلق فهماً أقوى بشكل عام. ويقترح المؤلفون أنه بدلاً من مجرد البحث عن الاستعارات، يحتاج الذكاء الاصطناعي في المستقبل إلى التدرب على التعرف على هذه الطبقات المختلفة والمتكاملة من المعنى لفهم الحكمة المخفية في مجموعتنا العالمية من الأمثال حقاً.
ملخص تقني: الحكمة في الوحدة
بيان المشكلة لا يزال تفسير اللغة المجازية، ولا سيما الأمثال، يمثل عقبة كبيرة أمام معالجة اللغات الطبيعية (NLP). فخلافًا للنصوص الحرفية، غالبًا ما تكون الجوهر الدلالي للمثل "غير تركيبي"، مما يعني أن معناه لا يمكن استخلاصه بمجرد فهم المعاني الفردية لكلماته المكونة له. وبينما ركزت الأعمال السابقة على الظاهرة المجازية كظاهرة لغوية تركز على أساليب بلاغية محددة (مثل الاستعارة، والتشبيه، والتعابير الاصطلاحية)، إلا أن هناك نقصًا في الفهم المتعلق بكيفية مساهمة الإشراف متعدد اللغات المترجم في تحديد اللغة المجازية. علاوة على على ذلك، تعتمد النهج الحالية غالبًا على بيانات تدريب متجانسة لغويًا أو تصنيف ثنائي، مما يفتقر إلى إطار عمل دقيق لتحليل كيفية انتقال الأبعاد المختلفة للمعنى المجازي عبر اللغات.
المنهجية تعالج الدراسة هذه الفجوات من خلال تقييم شامل للإشراف متعدد اللغات على تحديد الأمثال باستخدام مجموعة بيانات تضم 742 مفهومًا فريدًا للأمثال ممثلة بـ 6,787 حالة مترجمة عبر سبع لغات: العربية، والإنجليزية، والفرنسية، والألمانية، والروسية، واليابانية، والإسبانية.
إطار عمل للترميز متعدد الأبعاد: تجاوزًا للتصنيف الثنائي (مجازي مقابل حرفي)، قدم المؤلفون إطار عمل للترميز دقيقًا وقائمًا على النظرية يستند إلى "نظرية الصلة" (Relevance Theory). يحدد هذا الإطار الأمثال من خلال أربعة أشكال مجازية متكاملة وغير حصرية:
الاستعاري (Metaphorical): المعنى الذي يتم نقله عبر الصور، أو القياس، أو الكيانات الرمزية.
الأخلاقي/الإرشادي (Moral/Advisory): التوجيه، أو التحذير، أو الأحكام الأخلاقية.
السبب والنتيجة (Cause–Effect): الروابط بين الأفعال ونتائجها.
المرتبط بالثقافة (Culture-Specific): المعاني التي تتطلب معرفة ثقافية، أو دينية، أو تاريخية، أو محلية. تم إجراء الترميز على مجموعة فرعية من "الحقيقة الأرضية" (83 مفهومًا) بواسطة مُرمِّمين بشريين، محققين توافقًا جوهريًا (معامل كوهين κ يصل إلى 0.622). تم وسم بقية مجموعة البيانات باستخدام نماذج إشراف ضعيف (XLM-RoBERTa للتصنيف الثنائي، وتضمينات E5 مع الانحدار اللوجستي للتصنيف متعدد الملصقات).
الإعداد التجريبي: قيم المؤلفون خمسة نماذج تمثل عائلات معمارية مختلفة: الانحدار اللوجستي (خط الأساس)، mBERT، وXLM-RoBERTa Large، وAya-8B، وQwen2.5-3B (نماذج لغوية كبيرة مضبوطة بالتعليمات).
الإشراف التدريجي (RQ1): تم تدريب النماذج باستخدام بيانات لغة المصدر الثابتة مع زيادة تدريجية في نسبة بيانات التدريب المترجمة متعددة اللغات (0%، 10%، 50%، و100%).
استئصال اختيار الحالات (RQ2): لعزل تأثير أشكال مجازية محددة، قام المؤلفون بتدريب النماذج على مجموعات فرعية ذات حجم ثابت (600 حالة) تحتوي فقط على أشكال مجازية محددة (مثل: استعاري فقط، أو مرتبط بالثقافة فقط) مدمجة مع بيانات المصدر.
النتائج الرئيسية
تأثير الإشراف متعدد اللغات: يؤدي زيادة الإشراف متعدد اللغات باستمرار إلى تحسين الأداء عبر جميع النماذج واللغات. ومع ذلك، تظهر النتائج عوائد تناقصية؛ حيث يكفي حوالي 50% من بيانات التدريب المترجمة متعددة اللغات لتحقيق أداء قريب من الأمثل، مع ملاحظة مكاسب أقل بين 50% و100% من الإشراف.
أداء النماذج: تحقق النماذج اللغوية الكبيرة المضبوطة بالتعليمات (Aya-8B، Qwen2.5-3B) عمومًا تحسينات أكبر مع كميات صغيرة من الإشراف الإضافي مقارنة بالنماذج القائمة على الترميز (Encoder-based). حقق Qwen2.5-3B أعلى درجة في مقياس Macro-F1 في أربع من أصل سبع لغات (العربية، والفرنسية، والألمانية، والروسية)، بينما كان أداء mBERT هو الأفضل في الإسبانية، وXLM-R Large هو الأفضل في اليابانية.
المزايا المتفاوتة للأشكال المجازية: وجدت الدراسة أن الأشكال المجازية المختلفة تستفيد بشكل غير متكافئ من الإشراف متعدد اللغات.
المرتبط بالثقافة: رغم أنه الشكل الأقل تكرارًا (حوالي 6-14% من البيانات) والأقل تداخلًا مع الأشكال الأخرى، إلا أنه يظهر أكبر مكاسب في الأداء تحت الإشراف متعدد اللغات.
التكامل: بينما توفر الأشكال الفردية إشارات محددة (على سبيل المثال، يستفيد الشكل الأخلاقي/الإرشادي من Qwen2.5-3B، ويستفيد شكل السبب والنتيجة من XLM-R Large)، فإن دمج جميع الأشكال المجازية المتنوعة يحقق أقوى أداء إجمالي.
الحفاظ على الأشكال: يظل انتشار الأشكال المجازية الأربعة مستقرًا نسبيًا عبر اللغات السبع المترجمة، مما يشير إلى أن توزيع المعنى المجازي يتم الحفاظ عليه عمومًا في الترجمة، حتى لو اختلفت التفسيرات الفردية لكل حالة.
الأهمية والمساهمات تدعي الورقة ثلاث مساهمات رئيسية:
التقييم التجريبي لمستويات الإشراف: تقدم تقييمًا منهجيًا لكيفية تأثير زيادة الإشراف متعدد اللغات تدريجيًا (من 0% إلى 100%) على تحديد المجاز عبر بنيات نماذج متنوعة وسبع لغات مستهدفة.
إطار عمل نظري للتحليل: تقدم إطار عمل للترميز متعدد الأبعاد يتجاوز التصنيفات التي تركز فقط على الاستعارة. يسمح هذا الإطار بتحليل أكثر دقة لكيفية انتقال الأبعاد المتكاملة للمعنى المجازي (الاستعاري، الأخلاقي، السبب والنتيجة، المرتبط بالثقافة) عبر اللغات.
رؤى حول القابلية للانتقال: تُظهر النتائج أن الإشراف متعدد اللغات يفيد الأشكال المجازية بشكل غير متساوٍ. وتحديدًا، تسلط الدراسة الضوء على أن المعرفة "المرتبطة بالثقافة"، والتي تُعتبر غالبًا عائقًا في الانتقال عبر اللغات، تظهر أكبر المكاسب في الأداء عند إدخال البيانات متعددة اللغات.
الخاتمة يجادل المؤلفون بأن هذه النتائج تحفز التحول في أبحاث تحديد اللغة المجازية متعددة اللغات. فبدلاً من معاملة اللغة المجازية كظاهرة واحدة أو الاعتماد فقط على النهج المتمحور حول الاستعارة، يجب أن تتبنى الأطر المستقبلية نماذج قائمة على المفاهيم ومتعددة الأبعاد. يجب أن تأخذ هذه النماذج في الاعتبار صراحةً الأشكال المتكاملة للمعاني المجازية التي تمثل السياق المحدد، مع الإقرار بأن الأشكال المختلفة من المعرفة المجازية تمتلك خصائص انتقال متميزة.