تخيل أنك محقق تحاول حل لغز، ولكن بدلاً من البحث عن أدلة، أنت تحاول فهم لغة تتلاشى ببطء من العالم. هذا هو الواقع اليومي لعلماء اللسانيات الميدانيين، وهم علماء يسافرون إلى زوايا نائية من كوكب الأرض لتسجيل القصص والأغاني والمحادثات للغات المهددة بالانقراض قبل أن تضيع إلى الأبد. لديهم آلاف الساعات من التسجيلات الصوتية، لكن هناك عقبة هائلة: تحويل تلك التسجيلات إلى نص مكتوب. القيام بذلك يدوياً يشبه محاولة الشرب من خرطوم حريق؛ الأمر يستغرق وقتاً طويلاً جداً، ويتطلب تركيزاً شديداً، وهو أمر مرهق للغاية.

لتسريع العملية، حاول العلماء تعليم الحواسيب القيام بالاستماع والكتابة نيابة عنهم. يُسمى هذا التعرف التلقائي على الكلام (ASR). فكر في الأمر كأنه روبوت ذكي جداً يستمع إلى محادثة ويكتبها. لدينا اليوم روبوتات مذهلة، مثل الروبوت الشهير "Whisper"، وهي بارعة في فهم الإنجليزية أو الإسبانية. ولكن عندما يتعلق الأمر باللغات النادرة أو غير المعروفة جيداً، فإن هذه الروبوتات غالباً ما تشعر بالارتباك. فهي تحتاج إلى "تدريب" على لغة معينة لتعمل بشكل جيد. المشكلة هي أن تدريب هذه الروبوتات يتطلب عادةً فريقاً من خبراء الكمبيوتر، وحواسيب فائقة القوة، والكثير من المعرفة التقنية التي لا يمتلك معظم اللغويين مثل هذه المهارات. بالإضافة إلى ذلك، هناك مشكلة البداية الصعبة: إذا كان لديك كومة فوضوية من التسجيلات، فأي منها يجب أن تقدمه للروبوت أولاً ليتعلم بأسرعة؟ هل تختار التسجيلات الأكثر وضوحاً وهدوءاً، أم تلك التي تحتوي على كلمات أكثر إثارة للاهتمام؟

تقدم هذه الورقة أداة جديدة تسمى Easper (المعرف التلقائي للكلام المتكامل مع ELAN) وتجيب على سؤال "أي تسجيل أولاً؟". Easper يشبه تطبيقاً سهل الاستخدام ولا يتطلب معرفة برمجية (no-code)، يتيح للغويين أخذ تسجيلاتهم، وتنظيفها، وتدريب روبوت مخصص للتعرف على الكلام مباشرة عبر متصفح الويب الخاص بهم، دون الحاجة لأن يكونوا عباقرة في البرمجة. اختبر الباحثون هذا النظام على ثلاث لغات من فانواتو (Bislama، وNafsan، وNguna) لمعرفة ما إذا كان يعمل. ولكن السحر الحقيقي يكمن فيما اكتشفوه حول كيفية تدريب هذه الروبوتات. لقد وجدوا حقيقة مذهلة: عند تعليم روبوت لغة جديدة، ما يسمعه الروبوت يهم أقل مما يتعلمه.

المشكلة: "البداية الباردة" والجدار التقني

تخيل أنك تحاول تعليم كلب خدعة جديدة. لديك كومة من فيديوهات التدريب. بعض الفيديوهات تم تصويرها في غرفة معيشة هادئة (صوت واضح)، والبعض الآخر تم تصويره في حديقة كلاب صاخبة وفوضوية (صوت ضجيج). لديك أيضاً بعض الفيديوهات حيث يقوم الكلب بنفس الخدعة مراراً وتكراراً، وأخرى يحاول فيها مئات الخدع لمرة واحدة فقط.

لفترة طويلة، اعتقد اللغويون أن أفضل طريقة لبدء تدريب روبوتات التعرف على الكلام الخاصة بهم هي اختيار فيديوهات "غرفة المعيشة الهادئة". افترضوا أنه إذا كان الضجيج في الخلفية منخفضاً ولم يكن هناك أشخاص يتحدثون فوق بعضهم البعض، فإن الروبوت سيتعلم بشكل أسرع. واعتقدوا أيضاً أن اختيار التسجيلات التي تحتوي على تنوع هائل في الكلمات سيكون الأفضل.

ومع ذلك، أدرك الباحثون في هذه الورقة أن معظم اللغويين الميدانيين لا يمتلكون المهارات التقنية لإعداد هذه الأنظمة التدريبية المعقدة. الأمر يشبه امتلاك سيارة فيراري ولكن دون رخصة قيادة. كانوا بحاجة إلى طريقة تجعل العملية بسيطة، مثل زر "النقر لمرة واحدة". كما كانوا بحاجة إلى معرفة ما إذا كان افتراضهم بشأن "الصوت الهادئ" صحيحاً بالفعل.

الحل: Easper، ورشة العمل "بدون كود"

بنى الفريق Easper، وهو سير عمل مفتوح المصالم وقابل للنقل، يعمل كجسر بين ملاحظات اللغوي وعقل الكمبيوتر.

1. الإعداد: يستخدم اللغويون أداة قياسية تسمى ELAN لتمييز ملفاتهم الصوتية (مثل تحديد الجمل في كتاب). يأخذ Easper هذه الملفات ويجهزها تلقائياً للتدريب. فهو يتحقق من الأخطاء، مثل ما إذا كانت الجملة طويلة جداً أو إذا كان شخصان يتحدثان في وقت واحد، ويقدم للغوي تقريراً بسيطاً للإصلاح.
2. التدريب: بدلاً من الحاجة إلى سوبر كمبيوتر في قبو، يستخدم Easper موارد سحابية (مثل Google Colab) للقيام بالعمل الشاق. يأخذ بيانات اللغوي ويقوم بضبط نموذج قوي يسمى Whisper (تحديداً نسخة "small"، التي تحتوي على حوالي 244 مليون معلمة/parameter).
3. النتيجة: بمجرد تدريب النموذج، يمكن للغوي تنزيله واستخدامه على حاسوبه المحمول الخاص، حتى بدون اتصال بالإنترنت. يقوم الروبوت بعد ذلك بالاستماع إلى تسجيلات جديدة لم تُنسخ بعد، ويكتشف من المتحدث، ويكتب النص. يتعين على اللغوي فقط القراءة وتصحيح أي أخطاء، وهو أمر أسرع بكثير من البدء من الصفر.

الاكتشاف الكبير: التكرار يهزم الصمت

الجزء الأكثر إثارة في الورقة هو التجربة التي أجروها لحل مشكلة "البداية البدة". لقد قاموا بمحاكاة سيناريو حيث كان عليهم اختيار التسجيلات التي سيغذون بها الروبوت أولاً. اختبروا خمس استراتيجيات مختلفة:

1. العشوائية (Random): اختيار التسجيلات عشوائياً.
2. أنظف صوت أولاً (Cleanest Audio First): اختيار التسجيلات ذات أفضل نسبة إشارة إلى ضجيج (SNR) وأقل قدر من تداخل الأشخاص في الكلام.
3. أكثر الكلمات أولاً (Most Words First): اختيار التسقيات التي تحتوي على أعلى تنوع من الكلمات الفريدة (نسبة النوع إلى الرمز - Type-Token Ratio).
4. أكثر التكرار أولاً (Most Repetition First): اختيار التسجيلات التي تتكرر فيها نفس الكلمات كثيراً (نسبة الرمز إلى النوع الموحدة - Normalized Token-to-Type Ratio).

أجروا هذه المحاكاة على ثلاث لغات: Bislama (لغة كريول يتحدث بها حوالي 300,000 نسمة)، وNafsan (لغة أصلية يتحدث بها حوالي 5,000 نسمة)، وNguna (لغة أصلية أخرى يتحدث بها حوالي 9,500 نسمة). وقاسوا مدى سرعة انخفاض أخطاء الروبوت، باستخدام درجة تسمى معدل خطأ الحروف (CER)، والتي تحسب عدد الحروف التي يخطئ فيها الروبوت.

النتيجة: استراتيجية "أنظف صوت أولاً" كانت في الواقع واحدة من أسوأ الطرق للبدء. لم يتعلم الروبوت بسرعة أكبر من التسجيلات الهادئة. في الواقع، الاستراتيجية التي حققت أفضل النتائج كانت إعطاء الأولوية للتكرار (ToTy).

وجد الباحثون أن الروبوت تعلم بشكل أسرع عندما تمت تغذيته بتسجيلات تتكرر فيها نفس الكلمات والعبارات مراراً وتكراراً، حتى لو كان التسجيل به بعض الضجيج أو كان هناك أشخاص يتحدثون فوق بعضهم البعض. اتضح أن نماذج الذكاء الاصطناعي الحديثة (مثل Whisper) جيدة جداً بالفعل في تجاهل الضوضاء في الخلفية. ما تحتاجه حقاً لتعلم لغة جديدة هو رؤية نفس الكلمات مرات عديدة حتى تتمكن من فهم كيفية ربط تلك الأصوات بتلك الحروف المحددة.

فكر في الأمر كتعلم أغنية جديدة. إذا استمعت إلى تسجيل بجودة استوديو مثالية للأغنية لمرة واحدة، فقد لا تتعلم الكلمات. ولكن إذا استمعت إلى نسخة حية من الأغنية بها بعض الخدوش حيث تتكرر اللازمة (اللازمة الموسيقية) عشر مرات، فستتعلم الكلمات بشكل أسرع بكثير. التكرار هو المفتاح، وليس جودة الصوت المثالية.

لماذا هذا مهم؟

هذا الاكتشاف يغير قواعد اللعبة لعلماء اللسانيات الميدانيين. لسنوات، ربما قضوا ساعات في محاولة العث البحث عن التسجيل "المثالي" الهادئ لبدء مشروعهم، أو ربما تجنبوا التسجيل في الأسواق المزدحمة أو التجمعات العائلية لأنها كانت "صاخبة جداً".

تشير الورقة إلى أن هذا هو النهج الخاطئ. إذا كنت تريد بناء أداة للتعرف على الكلام للغة نادرة بسرعة، فيجب عليك إعطاء الأولوية للثراء اللغوي والتكرار. يجب عليك تسجيل أشخاص يروون قصصاً يستخدمون فيها نفس المفردات الأساسية مراراً وتكراراً، حتى لو كان هناك ضجيج في الخلفية. يمكن للروبوت التعامل مع الضوضي، هو فقط يحتاج إلى التكرار ليتعلم "هيكل" اللغة.

باستخدام Easper، يمكن للغويين الآن تجاوز الحاجة إلى خبراء الكمبيوتر والأجهزة باهظة الثمن. يمكنهم أخذ تسجيلاتهم الميدانية، واختيار تلك التي تحتوي على أكبر قدر من التكرار والثراء اللغوي، وتدريب روبوتهم المخصص للمساعدة في نسخ بقية أرشيفهم. وهذا يعني أنه يمكن توثيق المزيد من اللغات، والحفاظ عليها، وجعلها متاحة لمجتمعاتها قبل أن تتلاشى.

باخت-الكلمات، تظهر الورقة أنه عند تعليم الكمبيوتر لغة جديدة، فإن التكرار هو المعلم، والضوضي ليس سوى موسيقى خلفية. الروبوت لا يحتاج إلى غرفة صامتة؛ هو فقط يحتاج إلى سماع الكلمات بما يكفي لفهمها.