An Investigation of Translationese in the Generations of Multilingual Large Language Models
تبحث هذه الورقة فيما إذا كانت النماذج اللغوية الكبيرة متعددة اللغات تنتج "لغة ترجمة" تشبه النصوص المترجمة بشرياً، وذلك عبر تحليل السمات اللغوية عبر خمس لغات ومقارنة توليدات النماذج اللغوية الكبيرة بكل من النصوص غير المترجمة والنصوص المكتوبة بشرياً كخطوط أساس.
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
عندما يتحدث شخص أو يكتب بلغة ليست لغته الأم، غالبًا ما تحمل كلماته بصمة خفية وغير مرئية. فقد يستخدمون تراكيب جمل تبدو متصلبة نوعًا ما، أو يختارون كلمات صحيحة تقنيًا ولكنها نادرة الاستخدام لدى السكان المحليين، أو يرتبون العبارات بطريقة تكشف عن تأثير لغتهم الأولى. يطلق اللغويون على هذه الظاهرة اسم "لغة الترجمة" (translationese). إنها الصدى المتبقي من اللغة الأصلية، والذي يظهر بوضوح حتى عندما يتم ترجمة النص بنجاح. لعقود من الزمن، تمت دراسة هذا المفهوم في الترجمة البشرية، حيث يحلل الباحثون كيف تغير عملية الترجمة نسيج اللغة. أما اليوم، فقد برز سؤال جديد في مجال الذكاء الاصطناعي؛ فنماذج اللغات الكبيرة، وهي الأنظمة الحاسوبية القوية التي يمكنها الكتابة بطلاقة في عشرات اللغات، أصبحت شائعة بشكل متزايد. وبينما يمكن لهذه الآلات إنتاج نصوص تبدو مثالية في الظاهر، بدأ الباحثون يتساءلون عما إذا كانت تفكر حقًا في اللغة التي تكتب بها، أم أنها تترجم سرًا كل شيء من لغة داخلية مهيمنة، يرجح أنها الإنجليزية، قبل إخراج النتيجة النهائية. وإذا كانت تفعل ذلك، فإن مخرجاتها ستحمل نفس البصمات الخفية للترجمة التي يتركها المترجمون البشر وراءهم.
لقد شرع فريق من الباحثين في استقصاء هذا الاحتمال عبر التعامل مع النص الذي تولده نماذج الذكاء الاصطناعي هذه كما لو كان ترجمة. أرادوا معرفة ما إذا كانت الآلات تنتج نصًا يبدو وكأنه مترجم، حتى عندما يُطلب منها الكتابة مباشرة بلغة معينة. وللقيام بذلك، جمعوا عينات نصية بخمس لغات مختلفة: الإنجليزية، والألمانية، والإسبانية، واليونانية، والبشتوية. وأنشأوا مجموعة ضخمة من الكتابات تضمنت ثلاثة أنواع متميزة: نصوص كتبها متحدثون أصليون بشكل طبيعي، ونصوص تمت ترجمتها فعليًا بواسطة بشر، ونصوص ولدها اثنان من أكثر نماذج الذكاء الاصطناعي تقدمًا المتاحة حاليًا. كما أدرجوا نوعًا رابعًا، حيث كتب الذكاء الاصطناعي بالإنجليزية وقام برنامج حاسوبي منفصل بترجمته إلى اللغة المستهدفة، لمعرفة مدى مقارنة ذلك بالكتابة المباشرة للذكاء الاصطناعي في اللغة المستهدفة. ثم استخدم الباحثون برنامجًا حاسوبيًا متطورًا مدربًا على التعرف على الأنماط المحددة لـ "لغة الترجمة". وقد تم تدريب هذا البرنامج على آلاف الأمثلة من الكتابة البشرية والترجمات البشرية، ليتعلم كيفية رصد الاختلافات الإحصائية الدقيقة التي تفصل المتحدث الأصلي عن المترجم.
كشفت النتائج عن نمط واضح. فعندما كتبت نماذج الذكاء الاصطناعي بالإنجليزية، نادرًا ما تم تصنيف نصوصها كترجمة، مما يشير إلى أنها تعمل بشكل طبيعي في لغتها المهيمنة. ومع ذلك، بمجرد أن انتقلت النماذج إلى لغات أخرى، تغيرت القصة. ففي الألماني والإسباني، أظهرت النصوص المولدة بواسطة الذكاء الاصطناعي علامات قوية على "لغة الترجمة". فقد حدد البرنامج الحاسوبي جزءًا كبيرًا من النص الألماني وكمية كبيرة من النص الإسباني على أنها تحمل العلامات المميزة للترجمة. ويشير هذا إلى أنه حتى عندما يتم توجيه النماذج للكتابة مباشرة بهذه اللغات، فقد تكون تعتمد على عملية داخلية تشبه الترجمة، وربما تفكر بالإنجليزية أولاً ثم تحول الأفكار. كان التأثير أكثر وضوحًا عندما نظر الباحثون في الكلمات المحددة التي اختارتها النماذج؛ إذ وجدوا أن الذكاء الاصطناعي يميل إلى تجنب الأخطاء الأكثر وضوحًا وخرقًا التي قد يرتكبها البشر، لكنه لا يزال يعاني مع التوزيع الدقيق للكلمات الشائعة. فعلى سبيل المثال، في الألمانية، استخدمت النماذج كلمات ربط معينة بأنماط تطابق النصوص المترجمة بدلاً من الكلام الأصلي، بينما في الإسبانية، استخدمت أدوات التعريف مثل "the" (بمعنى الـ) بمعدل أقل بكما يستخدمه المتحدث الأصلي.
ومن المثير للاهتمام أن درجة تأثير "الترجمة" هذه اعتمدت بشكل كبير على اللغة نفسها. فقد أدت النماذج أداءً أفضل في اليونانية والبشتوية، وهما لغتان تتوفر لهما موارد رقمية أقل للتدريب، مقارنة بالألمانية والإسبانية. وفي هاتين اللغتين ذات الموارد الأقل، كان النص المولد بواسطة الذكاء الاصطناعي أقل عرضة للتصنيف كترجمة. ويرى الباحثون أن هذا قد يكون بسبب احتواء بيانات التدريب للغتين الألمانية والإسبانية على كم هائل من المواد المترجمة الموجودة بالفعل، والتي تقوم النماذج بمجرد محاكاتها. وفي المقابل، قد تحتوي بيانات التدريب لليونانية والبشتوية على محتوى مترجم أقل، مما يجبر النماذج على الاعتماد أكثر على البنى الأصلية المتاحة لها. كما طلب الفريق من القراء البشر الحكم على عينة صغيرة من النص، ومن المثير للدهشة أن البشر كانوا غالبًا غير قادرين على اكتشاف "لغة الترجمة" التي وجدها البرنامج الحاسوبي بسهولة تامة. فقد لاحظ البشر في الغالب اختيارات غريبة للكلمات أو تركيبات غريبة، بينما رصد الحاسوب التحولات الإحصائية الأعمق في كيفية ترتيب الكلمات. وهذا يشير إلى أنه بينما قد يخفي الذكاء الاصطناعي الأخطاء الأكثر وضوحًا، فإن البنية الأساسية لكتابته لا تزال تفضح نقص الطلاقة الأصلية.
تخلص الدراسة إلى أن نماذج اللغات القوية هذه لا تولد النصوص بعد بطريقة أصلية حقًا في اللغات غير الإنجليزية. بدلاً من ذلك، غالبًا ما تحمل مخرجاتها التوقيع الخفي للترجمة، مما يشير إلى أن معالجتها الداخلية قد تظل مرتكزة على الإنجليزية. هذا لا يعني أن النماذج تفشل؛ فهي غالبًا ما تكون فعالة ومفيدة للغاية. ومع ذلك، فإنه يكشف عن قصور جوهري في كيفية تعلمها وعملها؛ إذ يبدو أنها تتقن المستوى السطحي للعديد من اللغات بينما لا تزال تعتمد على إطار عمل مركزي قائم على الإنجليزية للتفكير. ويشير الباحثون إلى أن هذه النتيجة تساعد في تفسير سبب معاناة هذه النماذج أحيانًا مع الفروق الثقافية الدقيقة أو التدفق الطبيعي للغة التي ليست الإنجليزية. ومن خلال تحديد هذه البصمات الخفية، توفر الدراسة طريقة جديدة لقياس الجودة الحقيقية للنصوص المولدة آليًا، متجاوزة مجرد الصحة اللغوية لتقييم الطبيعة الحقيقية للصوت الذي تحاول الآلة محاكاته.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.