MUESCA: A Multi-Genre Corpus and Annotation Scheme for Subjectivity in Spanish

في المشهد الشاسع للغة البشرية، يوجد توتر مستمر بين ما هو حقيقي ببساطة وما يُشعر بأنه حقيقي. لعقود من الزمن، حاول العلماء العاملون في مجال معالجة اللغات الطبيعية تعليم الحواسيب التمييز بين جملة تمثل حقيقة وبين تعبير عن رأي شخصي. هذه المهمة، المعروفة باسم كشف الذاتية، تعد بالغة الأهمية لكل شيء، بدءاً من تصنيف المقالات الإخبارية وصولاً إلى فهم المشاعر العامة. ومع ذلك، غال'اً ما كان النهج التقليدي بسيطاً للغاية، حيث يعامل اللغة كمفتاح ثنائي تكون فيه الجملة إما موضوعية أو ذاتية. وفي الواقع، نادراً ما يكون التواصل البشري أبيض أو أسود بهذا الشكل. فقد يقدم تقرير إخباري حقيقة بينما يؤطرها ببراعة من منظور صحفي؛ وقد تعرض ورقة علمية بيانات صلبة بينما تستخدم لغة حذرة لوصف احتمالات مستقبلية. يكمن التحدي في التقاط هذه المنطقة الوسطى المائعة، حيث تختبئ "بصمة المؤلف" داخل كلمات تبدو محايدة على السطح.

لقد اتخذ فريق من الباحثين في جامعة أليكانتي في إسبانيا خطوة كبيرة نحو حل هذا اللغز من خلال إنشاء مورد جديد يسمى MUESCA. وبدلاً من إجبار النصوص على الدخول في صناديق جامدة، قاموا ببناء مجموعة بيانات تعامل الذاتية كمقياس منزلق، أو كمتصل. وللقيام بذلك، جمعوا وحللوا ثلاثة أنواع مختلفة تماماً من الكتابة: الملخصات العلمية، التي تمثل الطرف الأكثر موضوعية في الطيف؛ ومراجعات المستهلكين، التي تمثل الطرف الأكثر ذاتية؛ والمقالات الإخبارية، التي تقع في المنتصف الهجين والمضطرب. ومن خلال فحص كيفية استخدام المؤلفين في هذه الأنواع المختلفة لأدوات لغوية محددة — مثل الكلمات التي تظهر اليقين، أو العبارات التي تظهر الشك، أو الضمائر التي تكشف عن المشاركة الشخصية — رسم الباحثون خريطة توضح بدقة كيف يتغير "صوت" الكاتب عبر هذه الأساليب. يوفر عملهم طريقة جديدة لقياس الوجود غير المرئي للمؤلف البشري داخل النص، مما يقدم خريطة أكثر دقة للحواسيب للتنقل في العالم المعقد للتعبير البشري.

جوهر هذا المشروع هو متن MUESCA، وهو مجموعة تضم 1,865 جملة مستمدة من 135 وثيقة. لم يكتفِ الباحثون بجمع هذه الجمل فحسب، بل قاموا بتوسيمها بدقة، وتحديد سمات قواعدية ومعجمية محددة تشير إلى مدى التزام المؤلف بما يقوله. وقد قسموا هذه الإشارات إلى مجموعتين رئيسيتين: الالتزام العالي للمؤلف والالتزام المنخفض للمؤلف. يشمل الالتزام العالي علامات اليقين، مثل استخدام زمن المستقبل أو ذكر الشيء كحقيقة، وعلامات المشاركة، مثل استخدام "أنا" أو "نحن". أما الالتزام المنخفض فيشمل علامات الشك، مثل صيغة الشك (المضارع المنصوب/المجازي) أو كلمات مثل "ربما"، وعلامات التباعد، مثل استخدام المبني للمجهول لإخفاء من قام بالفعل. ومن خلال عد هذه السمات، استطاع الفريق رؤية كيف تميل الملخصات العلمية إلى الاعتماد على بيانات محددة وهياكل غير شخصية، بينما تمتلئ المراجعات بالآراء الشخصية والتفاعل المباشر. وكما هو متوقع، أظهرت المقالات الإخبارية مزيجاً من كليهما، مما أكد وضعها كنوع هجين.

لضمان قوة نتائجهم، اختبر الباحثون ما إذا كانت هذه العلامات اللغوية يمكن أن تساعد الحواسيب فعلياً في التمييز بين أنواع الكتابة المختلفة. قاموا بتدريب نماذج تعلم آلي لتصنيف النصوص إلى فئات موضوعية، أو هجينة، أو ذاتية. وعندما كانت النماذج تُعطى النص الخام فقط، كان أداؤها جيداً بشكل معقول، ولكن عندما أضاف الباحثون العلامات البراغماتية (التداولية) المحددة من مخطط التوسيم الخاص بهم، أصبحت النماذج أفضل بكثير في أداء المهمة. وكان الجمع الأكثر فعالية بين الميزات يتضمن قياس مستوى التحديد ودرجة اليقين. سمح هذا النهج للحاسوب ليس فقط بفهم موضوع النص، بل بكيفية تقديم المؤلف لتلك المعلومات. كانت النتائج قوية بشكل خاص بالنسبة للنوع الإخباري، والذي غالباً ما يكون الأصعب في التصنيف لأنه يمزج الحقائق مع التفسير. ومن خلال استخدام هذه العلامات البراغماتية، حسن النموذج قدرته على رصد الطرق الدقيقة التي يؤطر بها الصحفيون قصصهم.

استكشف الباحثون أيضاً كيف يمكن لقواعدهم المصممة بشرياً أن تعمل جنباً إلى جنب مع الذكاء الاصطناعي الحديث. فقد دمجوا علاماتهم المحددة مع نموذج لغوي قوي يسمى BETO، وهو مدرب على كميات هائلة من النصوص الإسبانية. وعلى الرغم من أن هذا النموذج المتقدم كان جيداً جداً بالفعل في فهم اللغة، إلا أن إضافة علامات الذاتية المحددة أدى إلى تحسين أدائه. كان التحسن ضئيلاً من حيث النسبة المئوية، ولكنه كان ذا دلالة إحصائية، مما يشير إلى أن القواعد الصريحة حول التزام المؤلف ساعدت الحاسوب على حل حالات الغموض التي فاتته الأنماط الإحصائية البحتة. وهذا ينطبق بشكل خاص على المقالات الإخبارية، حيث زادت دقة النموذج عندما استطاع رؤية الإشارات اللغوية المحددة للشك أو اليقين. تؤكد الدراسة أنه على الرغم من قوة نماذج الذكاء الاصطناعي الكبيرة، إلا أنها لا تزال تستفيد من الفهم المهيكل لكيفية بناء البشر لحججهم والتعبير عن معتقداتهم.

كان أحد أكثر جوانب الدراسة كشفاً هو كيفية سلوك النوع الإخباري عند وضعه في مواجهة الطرفين الآخرين. عندما اختبر الباحثون النموذج عبر مطالبته بالتمييز بين الأخبار والملخصات العلمية، وجد النموذج أنه من السهل نسبياً التفريق بينهما. ومع ذلك، عندما طُلب منه التمييز بين الأخبار ومراجعات المستهلكين، كانت المهمة أصعب. يشير هذا إلى أن لغة الصحافة، رغم سمعتها في الحياد، تشترك في الحمض النووي البراغماتي مع مقالات الرأي الشخصية أكثر من اشتراكها مع لغة العلوم المنفصلة. فالمقالات الإخبارية غالباً ما احتوت على قدر كافٍ من التأطير الذاتي واللغة التقييمية لتموه الخط الفاصل مع جانب المراجعات، مما جعل فصلها عن القطب الذاتي أمراً صعباً. تدعم هذه النتيجة فكرة أن الذاتية ليست خاصية ثابتة لنوع النص، بل هي جودة مائعة يمكن أن تتغير اعتماداً على كيفية اختيار المؤلف لتقديم معلوماته.

لا يدعي مشروع MUESCA أنه حل مشكلة كشف الذاتية تماماً، لكنه يوفر أساساً متيناً للعمل المستقبلي. لقد أتاح الباحثون مجموعة البيانات الخاصة بهم وإرشادات التوسيم الخاصة بهم للآخرين، مما يسمح للمجتمع العلمي بالبناء على عملهم. وهم يخططون لتوسيع المتن ليشمل أنواعاً أخرى، مثل منشورات وسائل التواصل الاجتماعي والتقارير التقنية، لمعرفة ما إذا كانت طريقتهم ستصمد في البيئات الأكثر غير رسمية أو استقطاباً. كما يرون تطبيقات محتملة في كشف الخداع، حيث قد يكون أسلوب تقديم المعلومات — من خلال اليقين أو الشك — أكثر دلالة من الحقائق نفسها. ومن خلال التركيز على الأداء البراغماتي للمعلومات بدلاً من المحتوى فقط، يقدم هذا النهج عدسة جديدة لفهم كيفية استخدام البشر للغة لتشكيل الواقع. يوضح العمل أنه من خلال تفكيك المهمة المعقدة للذاتية إلى مكونات لغوية قابلة للقياس، يمكننا بناء أدوات ليست فقط أكثر دقة، بل أكثر شفافية بشأن كيفية وصولها إلى استنتاجاتها.