Extractive Summarization for Arabic Documents Using SAraBERT with a Semantic Siamese Similarity Evaluation Metric

في محيط المعلومات الشاسع المتاح عبر الإنترنت، يمكن أن يبدو العثور على الأجزاء الأكثر أهمية في نص طويل وكأنه بحث عن قطرة ماء محددة في بحر هائج. هذا هو التحدي اليومي الذي يدفع مجال التلخيص الآلي للنصوص، وهو فرع من علوم الحاسوب مخصص لتعليم الآلات كيفية قراءة المستندات الطويلة وكتابة ملخصات قصيرة ومفيدة. لعقود من الزمن، ركز الباحثون بشكل مكثف على اللغة الإنجليزية، وطوروا أدوات يمكنها استخراج الجمل الرئيسية أو إعادة صياغة الأفكار بكلمات جديدة. ومع ذلك، تقدم اللغة العربية مجموعة فريدة من العقبات التي تجعل بناء هذه الأدوات أصعب بكثير. فاللغة العربية لغة ذات جذور عميقة وأشكال غنية، حيث يمكن لكلمة واحدة أن يتغير معناها بشكل كبير بناءً على علامات صغيرة فوقها أو تحتها، وحيث يجعل غياب الحروف الكبيرة (Capital letters) من الصعب على الحواسيب تمييز الأسماء أو العناوين. وبسبب هذه التعقيدات، ظل إنشاء آلة يمكنها تلخيص الأخبار أو المقالات العربية بنفس المهارة التي تمتلكها للإنجليزية يمثل فجوة كبيرة في فهمنا التكنولوجي.

ولسد هذه الفجوة، قدم فريق من الباحثين في الجامعة الأمريكية في بيروت نهجاً جديداً يسمى SAraBERT، وهو نموذج حاسوبي متخصص مصمم لقراءة النصوص العربية واختيار الجمل الأكثر أهمية لتكوين ملخص. وخلافاً للطرق القديمة التي كانت تكتفي ببساطة بعدّ عدد مرات ظهور الكلمات أو النظر في مكان وجود الجمل داخل الفقرة، يستخدم هذا النموذج الجديد نظاماً متطوراً لفهم العلاقات بين الجمل. تخيل نموذجاً لا يقرأ الكلمات بمعزل عن بعضها البعض فحسب، بل ينظر إلى كيفية اتصال جملة بأخرى، مما يسمح له باستيعاب القصة الكاملة قبل اتخاذ القرار بشأن الأجزاء التي يجب الاحتفاظ بها. لقد درب الباحثون هذا النموذج باستخدام مجموعة ضخمة من المقالات الإخبارية الإنجليزية التي تُرجمت إلى العربية، مما علم النظام كيفية التعرف على الأفكار الجوهرية للقصة بغض النظر عن اللغة التي كُتبت بها.

لم يكن الابتكار الرئيسي في هذا العمل مجرد إنشاء النموذج، بل كان اختراع طريقة جديدة لقياس مدى جودة الملخص فعلياً. فغالباً ما تتحقق الأدوات التقليدية مما إذا كان الملخص الجديد يستخدم نفس الكلمات الموجودة في ملخص كتبه إنسان، ولكن هذا قد يخطئ الهدف إذا استخدمت الآلة كلمات مختلفة لقول الشيء نفسه. طور الباحثون طريقة تسجيل (scoring method) جديدة تنظر إلى المعنى الكامن وراء الكلمات، وتتحقق مما إذا كان الملخص يلتقط نفس الأفكار والسياق كما في النص الأصلي، حتى لو اختلف الصياغة. لقد دمجوا هذا الفهم للمعنى مع فحوصات للقواعد اللغوية وتنوع الكلمات لإنشاء درجة تعكس مدى جودة تغطية الملخص للنقاط الرئيسية دون تكرار.

وعندما اختبر الفريق نموذجهم الجديد مقابل الأساليب الموجودة، أظهرت النتائج تحسناً واضحاً. فقد تمكن نموذج SAraBERT من إنتاج ملخصات كانت أكثر دقة وغطت الأفكار الأساسية للوثائق العربية بشكل أفضل من المحاولات السابقة. ووجد الباحثون أنه من خلال تعليم النموذج الانتباه إلى الحدود بين الجمل وكيفية ارتباطها ببعضها البعض، استطاع اتخاذ قرارات أفضل بشأن ما يجب تضمينه. كما اكتشفوا أن قابلية القراءة للنص المترجم، أو ما إذا كان يتضمن تلك العلامات الصغيرة للنطق المعروفة باسم "الحركات" (diacritics)، لم تؤثر سلباً على قدرة النموذج على أداء مهمته. وبينما اعتمدت الدراسة على عمليات المحاكاة والمقارنات مع ملخصات كتبها بشر بدلاً من النشر في العالم الحقيقي، فإن النتائج تشير إلى أن هذا النهج الجديد يقدم خطوة قوية للأمام في معالجة النصوص العربية. إن هذا العمل يوضح أنه من خلال تطويع التكنولوجيا لتناسب البنية الخاصة للغة وإنشاء طرق أفضل لقياس النجاح، يمكننا جعل الآلات أكثر فائدة في التنقل عبر المكتبة المتنامية للمعلومات في العالم.