PERCEPT: A Corpus for POS Tagging and Analysis of Persian-English Code-Mixing
تقدم هذه الورقة PERCEPT، وهو أول متن لغوي واسع النطاق للفارسية والإنجليزية المختلطة برمجياً والموسومة بوسوم أقسام الكلام (POS) الخاصة بـ Universal Dependencies، إلى جانب إطار عمل للترميز بمساعدة النماذج اللغوية الكبيرة (LLM) وتحليل لغوي شامل يكشف عن أنماط خاصة بالمنصات في خلط الرموز عبر وسائل التواصل الاجتماعي.
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 الإنترنت كأنه ملعب ضخم وفوضوي حيث يصرخ الناس من جميع أنحاء العالم، ويهمسون، ويتحدثون جميعاً في وقت واحد. في هذا الملعب، لا يكتفي الكثير من الناس بالتحدث بلغة واحدة؛ بل يمزجونها معاً مثل مكونات "السموذي". يُطلق على هذا "الخلط اللغوي" (code-mixing). يحدث هذا عندما يبدأ شخص ما جملة بلغته الأم ثم يلقي فجأة بكلمة إنجليزية لأنها تبدو مناسبة تماماً، أو لأنه الكلمة الوحيدة التي يعرفها لجهاز جديد. بالنسبة للحواسيب، يعد هذا كابوساً. إذا كان الحاسوب يحاول فهم جملة ما، فهو يتوقع أن تتبع الكلمات قواعد صارمة. ولكن عندما تختلط اللغات، يصاب الحاسوب بالارتباك، تماماً مثل طاهٍ يحاول اتباع وصفة تتحول فجأة من استخدام الأكواب المترية إلى الأونصات الإمبراطورية في منتصف خبز الكعكة. لتعليم الحواسيب كيفية التعامل مع هذا الواقع الفوضوي والممتع، يحتاج العلماء إلى قاموس خاص ومجموعة من القواعد — "متن لغوي" (corpus) — يوضح لهم بالضبط كيف تعمل هذه الكلمات المختلطة.
إليك مشروع PERCEPT، وهو مشروع جديد يعمل كمكتبة ضخمة ومنظمة للمتحدثين بالفارسية الذين يحبون دمج الإنجليزية في منشوراتهم. لاحظ الباحثون، وهم فريق من اللغويين وعلماء الحاسوب من إيران، أنه بينما توجد خرائط للأزواج اللغوية المختلطة الأخرى، فإن المزيج بين الفارسية والإنجليزية كان غابة مظلمة وغير مستكشفة. أرادوا بناء مصباح يدوي لرؤية ما يحدث هناك. لذا، قاموا بجمع 6,800 منشور من ثلاثة أماكن رقمية شهيرة: منصة إكس (تويتر سابقاً)، وإنستغرام، وديجي كالا (موقع تسوق عبر الإنترنت ضخم). لم يكتفوا بجمع الكلمات فحسب؛ بل استخدموا مساعد ذكاء اصطناعي فائق الذكاء يُدعى "Gemini" ليعمل كالمحقق، حيث قام بتصنيف كل كلمة إنجليزية (أو كلمة إنجليزية مكتوبة بأحرف فارسية) وتحديد "وظيفتها" في الجملة. في القواعد، تُسمى هذه الوظيفة "أجزاء الكلام" (Part-of-Speech). هل الكلمة اسم (شيء)؟ أم فعل (حركة)؟ أم صفة (وصف)؟ كما طلب الفريق من الذكاء الاصطناعي تخمين الموضوع الذي يتحدث عنه المنشور، مثل "التسوق"، أو "السياسة"، أو "الميمز المضحكة".
إليك الجزء المثير: لم يكتف الفريق ببناء المكتبة فحسب، بل دخلوا إليها وبدأوا في قراءة الكتب لمعرفة الأنماط التي يمكنهم العثال عليها. اكتشفوا أنه عندما يمزج المتحدثون بالفارسية لغتهم بالإنجليزية، فإنهم يستخدمونها غالباً في الأسماء (الأشياء). الأمر يشبه استعارة "الأشياء" من الإنجليزية مع الاحتفاظ بـ "الأفعال" و"الأوصاف" بالفارسية. على سبيل المثال، قد يقولون: "اشتريتُ laptop جديداً"، حيث تكون "laptop" هي الاسم المستعار، لكن بقية الجملة تظل فارسية. ومع ذلك، فإن "نكهة" هذا المزيج تتغير بناءً على المكان الذي تتواجد فيه. ففي موقع التسوق "ديجي كالا"، مزج الناس الكثير من أسماء العلامات التجارية وموديلات المنتجات (وهي أسماء خاصة، أو "أسماء علم"). أما على منصة "إكس"، فقد مزجوا المزيد من الأفعال (الأفعال)، وعلى إنستغرام، مالوا نحو الصفات (الأوصاف).
كما نظر الباحثون في أين تختبئ هذه الكلمات المختلطة في الجملة. ووجدوا اتساقاً مثيراً للدهشة: بغض النظر عن المنصة التي تستخدمها، تميل الكلمات المختلطة للظهور في بداية الجملة أو وسطها، ونادراً ما تظهر في نهايتها تماماً. وكأن المتحدثين يضعون الكلمة الإنجليزية مبكراً لتهيئة المشهد، ثم يكملون الفكرة بالفارسية. لكن الاكتشاف الأكثر إثارة للاهتمام كان حول "التحفيز". ففي "ديجي كالا"، إذا استخدم شخص ما كلمة إنجليزية واحدة، فمن المرجح جداً أن يستخدم كلمة أخرى بعدها مباشرة. الأمر يشبه أنه بمجرد البدء في التحدث عن علامة تجارية أو منتج معين، تتدفق الكلمات الإنجليزية باستمرار. لم يحدث هذا بنفس القدر على إنستغرام أو إكس.
أخيراً، تحققوا من المواضيع التي تسببت في أكبر قدر من الخلط اللغوي. ولم يكن ذلك مفاجئاً، حيث سجلت مواضيع "الصناعة والتجارة" و"العلامات التجارية والأعمال" أعلى معدل للخلط اللغوي. فعندما يتحدث الناس عن التسوق أو التكنولوجيا أو الأعمال، لا يسعهم إلا نثر بعض المصطلحات الإنجليزية. أكد الفريق عمل الذكاء الاصطناعي الخاص بهم من خلال جعل خبراء بشريين يراجعون عينة من البيانات، وقد اتفق البشر مع الذكاء الاصطناعي في معظم الأوقات، مما أثبت أن مكتبتهم الجديدة موثوقة.
باختصار، لا يقدم هذا البحث مجرد مجموعة بيانات جديدة فحسب؛ بل يعطينا صورة واضحة لكيفية دمج المتحدثين بالفارسية للغات بشكل طبيعي. إنه يشير إلى أنه بينما تتغير أنواع الكلمات التي يستعيرونها بناءً على المنصة، فإن طريقة خلطهم للغات تتبع إيقاعاً ثابتاً. هذه الخريطة مفتوحة الآن لأي شخص لاستخدامها، مما يساعد في بناء أدوات ترجمة أفضل، وروبوتات دردشة أكثر ذكاءً، وفهم أعمق لكيفية تواصلنا في عالم تتراقص فيه اللغات معاً باستمرار.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.