Contextual Embedding Evidence for Main--Light Verb Distinctions in Urdu

ملخص تقني: أدلة التضمين السياقي للتمييز بين الفعل الرئيسي والفعل الخفيف في اللغة الأردية

المشكلة والدوافع
تتميز قواعد اللغة الأردية بتركيبات الأفعال الخفيفة (LVCs)، حيث يندمج فعل معجمي (V1) مع فعل ثانٍ (V2) يساهم في المعنى الجانبي، أو التكميلي، أو البنيوي للحدث، بينما يُظهر محتوى معجمياً منخفضاً. وبينما تفترض النظرية اللغوية، ولا سيما أعمال بوت (Butt 1995, 2003, 2010) وبوت ولاهيري (Butt and Lahiri 2013)، أن الأفعال الخفيفة تختلف عن نظيراتها من الأفعال الرئيسية ولكنها تحتفظ بعلاقة معجمية محددة، فإنه لا يزال من غير الواضح ما إذا كانت النماذج اللغوية السياقية تشفر هذا التمييز. وتحديداً، من غير المعروف ما إذا كانت الهندسة التمثيلية للنماذج القائمة على الترميز (encoder-based models) تعكس التنبؤات النظرية التي تنص على أن: (1) الاستخدامات الرئيسية والخفيفة تتمايز بشكل منهجي، (2) الاستخدامات ذات الكلمة الأصلية (lemma) الواحدة تظل أقرب إلى بعضها البعض مقارنة بالأزواج المتباينة من الكلمات الأصلية، و(3) الأفعال الخفيفة الفردية تحتفظ بملفات تعريف مميزة بدلاً من الاندماج في فئة متجانسة.

المنهجية
تحلل الدراسة 1,126 جملة من اللغة الأردية التي ظهرت بشكل طبيعي وتحتوي على سبعة أفعال خفيفة نموذجية (āyā, uṭhā, baiṭhā, paṛā, diyā, gayā, liyā). تم بناء مجموعة البيانات من متن لغوي داخلي بحجم 1.6 جيجابايت، حيث استُخرجت الجمل التي ظهر فيها الفعل المستهدف في نهاية الجملة. اتبع التوسيم بروتوكول اتفاق ثلاثي صارم: قام نموذج GPT-5.1 أولاً بتصنيف كل جملة باستخدام مطالبات (prompts) قائمة على المعايب اللغوية لـ "بوت"، ثم قام خبيران بشريان بمراجعة التصنيفات التي حددها GPT بشكل مستقل. تم الاحتفاظ فقط بالجمل التي اتفقت فيها المصادر الثلاثة (GPT-5.1، والموسم 1، والموسم 2) توافقاً تاماً؛ وأي جملة شهدت اختلافاً واحداً تم استبعادها.

تم تقييم ثلاثة نماذج قائمة على الترميز:

1. UrduBERT: نموذج BERT-base تم تدريبه من الصفر على متن لغة أردية خالٍ من التكرار بحجم 5.8 جيجابايت.
2. DunbaaBERT: نموذج من نمط RoBERTa تم تدريبه على متن لغة أردية بحجم 17 جيجابايت.
3. Multilingual BERT (mBERT): نموذج متعدد اللغات قياسي لم يتم تحسينه خصيصاً للغة الأردية.

استخدمت المنهجية ثلاثة تحليلات متكاملة على التضمينات السياقية المستخرجة من الطبقات المخفية النهائية:

• الانفصال التمثيلي: تم حساب مسافة جيب التمام (Cosine distance) ودرجات السيلويت (silhouette scores) بين مراكز الاستخدام الرئيسي والاستخدام الخفيف لكل فعل، وتم تقييم الدلالة الإحصائية عبر اختبارات تبديل الملصقات.
• الارتباط المعجمي: تمت مقارنة المسافة بين مراكز الكلمة الأصلية الواحدة للاستخدامين الرئيسي والخفيف مقابل المسافات المتباينة بين الكلمات الأصلية المختلفة لاختبار ما إذا كانت أزواج الكلمة الأصلية الواحدة تظل أقرب.
• البنية الخاصة بالفعل: تم إجراء مهمة تصنيف سباعية لتوقع هوية الفعل الخفيف. شمل ذلك حالة "الهدف المقنع" (masked-target) حيث تم استبدال الفعل المستهدف برمز قناع (mask token)، وتقييم "النمط السابق غير المتطابق" لاختبار التعميم خارج تركيبات V1–V2 المتكررة.

النتائج الرئيسية

• التمييز المنهجي: أظهرت جميع مقارنات (الفعل-النموذج) الـ 21 انفصالاً تمثيلياً معنوياً بين الاستخدامات الرئيسية والخفيفة ($p < 0.001$). أظهر نموذج UrduBERT أكبر مسافات بين المراكز (متوسط 0.177) وأعلى درجات سيلويت (متوسط 0.272)، يليه mBERT ثم DunbaaBERT.
• القابلية للاسترداد الخطي وغير الخاضع للإشراف: حقق التقصي اللوجستي (Logistic probing) دقة عالية في التمييز بين الاستخدام الرئيسي والخفيف عبر جميع النماذج (متوسط F1 لـ UrduBERT بلغ 0.997). ومع ذلك، أظهرت عملية التجميع غير الخاضعة للإشراف (KMeans clustering) أنه بينما حقق UrduBERT متوسط معامل (Adjusted Rand Index - ARI) قدره 0.778، كان أداء النماذج الأخرى قريباً من مستوى الصدفة، مما يشير إلى أن القابلية العالية للانفصال الخطي لا تضمن بالضرورة تشكيل كتلتين كرويتين مهيمنتين.
• الارتباط المعجمي: كانت مراكز الكلمة الأصلية الواحدة (الرئيسية والخفيفة) أقرب باستمرار من أزواج الكلمات الأصلية المتباينة عبر جميع النماذج. بلغت دقة المطابقة من النوع (Top-1) قيمة 1.0 لجميع النماذج، مما يدعم التنبؤ بأن الاستخدامات الرئيسية والخفيفة تحتفظ بالارتباط المعجمي رغم تمايزها.
• هوية الفعل الخفيف: في حالة "الهدف المقنع"، حقق UrduBERT دقة 0.866 ودرجة F1 كلي (macro-F1) بلغت 0.852 في توقع هوية الفعل الخفيف المحدد، متفوقاً بشكل كبير على مستوى الصدفة. وتحت تقييم "النمط السابق غير المتطابق"، احتفظ UrduBERT بدقة 0.782، مما يشير إلى القدرة على التعميم خارج التواجد السطحي المباشر. أظهر DunbaaBERT و mBERT أداءً أقل ولكنه ظل معنوياً في الحالات المقنعة.

الأهمية والادعاءات
تقدم الورقة دليلاً حاسوبياً يتوافق مع التفسير اللغوي لـ "بوت" حول الأفعال الخفيفة في الأردية. وتثبت النتائج أن التضمينات السياقية تميز بشكل منهجي بين الاستخدامات الرئيسية والخفيفة مع الحفاظ على البنية الخاصة بالكلمة الأصلية. وتحديداً، تدعم النتائج وجهة النظر القائلة بأن الأفعال الخفيفة ليست علامات قواعدية فارغة دلالياً، بل تحتفظ بمساهمات خاصة بالفعل وعلاقة بكلماتها الأصلية المقابلة.

يصرح المؤلفون صراحةً بأن هذه النتائج توفر دليلاً على التبعات التمثيلية لتحليل "بوت" دون إثبات هيكل مدخل معجمي رسمي معين أو مسار تاريخي لغوي. وتكمل هذه الدراسة العمل السابق على الأفعال الخفيفة في اللغة الإنجليزية من خلال توسيع التحقيق ليشمل اللغة الأردية وتقييم تنبؤات محددة تتعلق بالارتباط المعجمي وخصوصية الفعل التي تعد مركزية في النظرية اللغوية للأردية. وتشير النتائج إلى أن النماذج القائمة على الترميز، وخاصة تلك المدربة على بيانات أحادية اللغة للأردية، تلتقط الهندسة التمثيلية الدقيقة لتركيبات الأفعال الخفيفة.