SA-RGLP: Syntax-Aware Residual Graph Label Propagation with LLM Soft Priors for Metaphor Detection

اللغة كائن حي غالباً ما يتحدث بالألغاز. عندما يقول كاتب إن طالباً "استوعب" (grasped) فكرة صعبة، فهو لا يصف حركة يد مادية تغلق على جسم صلب، بل يستخدم استعارة، وهي اختصار معرفي حيث نفهم شيئاً ما عبر استعارة لغة شيء آخر. بالنسبة للحواسيب، التي تعالج اللغة كسلاسل من البيانات، تُعد هذه الألغاز صعبة الحل بشكل ملحوظ. يمكن للآلة أن تدرك بسهولة أن كلمة "استوعب" تعني عادةً الإمساك بأداة، لكنها تجد صعوبة في معرفة متى تغير معنى الكلمة نفسها لتصف فهماً مجرداً. وتكمن أهمية هذه الصعوبة في أن الاستعارات ليست مجرد زخارف شعرية، بل هي أساسية لكيفية تفكير البشر وشعورهم وتواصلهم. فإذا لم يستطع الحاسوب التمييز بين القبضة المادية والقبضة الذهنية، فلن يتمكن حقاً من فهم قصة، أو تقرير إخباري، أو محادثة.

لسنوات، حاول الباحثون تعليم الحواسيب كيفية رصد هذه المعاني الخفية. وقد تعاملت معظم الطرق مع كل جملة كجزيرة معزولة، حيث تحلل الكلمات المحيطة بكلمة مستهدفة لتقرير ما إذا كانت تُستخدم بشكل استعاري. وبينما يعمل هذا بشكل جيد بما يكفي في الحالات البسيطة، إلا أنه يغفل الصورة الأكبر. فالاستعارات ليست حوادث عشوائية، بل تتبع أنماطاً؛ فطريقة استخدامنا لكلمة "استوعب" لتعني "فهم" هي موضوع متكرر عبر آلاف الجمل المختلفة. ومن خلال النظر في جملة واحدة فقط في كل مرة، تغفل الحواسيب الروابط بينها. علاوة على ذلك، ورغم أن النماذج اللغوية الكبيرة —وهي أنظمة ذكاء اصطناوي قوية مدربة على كميات هائلة من النصوص— تمتلك معرفة عميقة بكيفية استخدام الكلمات، إلا أنها غالباً ما تكافح لتطبيق تلك المعرفة باستمرار على حالات محددة ومعقدة دون توجيه بشري.

قام فريق من الباحثين في جامعة شينجيانغ بتطوير نهج جديد لسد هذه الفجوة، أطلقوا عليه اسم SA-RGLP. وبدلاً من معاملة كل جملة كأحجية منفصلة، ينظر نظامهم إلى المجموعة الكاملة من الجمل كخريطة واحدة متصلة. تخيل مكتبة ضخمة حيث كل كتاب هو جملة؛ الطرق التقليدية تقرأ كتاباً واحداً، ثم تغلقه، ثم تنتقل إلى التالي. أما هذا النظام الجديد، فيتجول عبر الممرات، ملاحظاً أن الكتاب الذي يتحدث عن "استيعاب مفهوم" يقع على نفس الرف الذي يوجد عليه الكتاب الذي يتحدث عن "إمساك أداة"، وأن الكتاب الذي يتحدث عن "الإمساك بحبل" قريب منه أيضاً. ومن خلال رؤية كيف ترتبط هذه الاستخدامات المختلفة ببعضها البعض، يمكن للنظام تقديم تخمين أكثر ذكاءً حول معنى كلمة ما في سياق معين.

تبدأ العملية بتحليل دقيق وخطوة بخوة للجملة نفسها. ينظر النظام أولاً إلى الكلمة المستهدفة ومحيطها المباشر، مع إيلاء اهتمام وثيق للقواعد والأدوار المحددة التي تؤديها الكلمات. ويتساءل: هل يتعارض الفعل المادي الموصوف بالكلمة مع الفكرة المجردة التي تقترن بها؟ إذا كان طالب "يستوعب" مفهوماً، يلاحظ النظام التوتر بين فعل الإمساك المادي والطبيعة المجردة للفكرة. ينتج عن هذا الفحص الأولي تخمين أول، لكن الباحثين أدركوا أن هذه الرؤية المحلية غالباً ما تكون غير كافية لليقين.

ولتحسين هذا التخمين، يستعين النظام بطبقة ثانية من الذكاء: نموذج لغوي كبير يعمل كمستشار واسع المعرفة. هذا المستشار لا يقدم مجرد إجابة بسيطة بـ "نعم" أو "لا"، بل يزن الأدلة ويقدم احتمالية دقيقة، قائلاً، على سبيل المثال، إن هناك احتمالاً بنسبة 75% أن الكلمة تُستخدم بشكل استعاري و25% أنها تُستخدم بشكل حرفي. هذه النصيحة "الناعمة" تحافظ على حالة عدم اليقين الشائعة في اللغة البشرية، بدلاً من فرض قرار صارم في وقت مبكر جداً.

ومع ذلك، فإن الابتكار الأكثر أهمية يحدث في المرحلة الثالثة. يأخذ النظام جميع الجمل التي حللها ويبني شبكة عالمية، رابطاً بينها بناءً على تشابه معانيها. إذا استخدمت جملة ما كلمة "استوعب" لتعني "فهم" وجملة أخرى استخدمتها لتعني "أمسك"، يدرك النظام هذا الرابط. ثم يستخدم عملية تسمى "انتشار تسمية الرسم البياني المتبقي" (residual graph label propagation) لمشاركة المعلومات عبر هذه الشبكة. فكر في الأمر كمجموعة من الأشخاص يحاولون حل لغز؛ إذا كان أحد الأشخاص غير متأكد، فإنه ينظر إلى جيرانه بحثاً عن أدلة. وإذا كان لدى الجيران أدلة قوية، فإن هذه الأدلة تساعد في توضيح الشك. في هذه الشبكة الرقمية، يسمح النظام للتنبؤات الواثقة من الأمثلة الواضحة بأن توجه بلطف التنبؤات غير المؤكدة للأمثلة الغامضة. إنه لا يمحو التخمين الأولي، بل يهذبه، مستخدماً الحكمة الجماعية لمجموعة البيانات بأكملها لتصحيح الأخطاء.

اختبر الباحثون هذه الطريقة على ثلاث مجموعات مختلفة من البيانات، تتراوح من مجموعات صغيرة تضم بضع مئات من الجمل إلى مجموعات بيانات ضخمة تضم آلاف الأمثلة. وكانت النتائج مذهلة. ففي مجموعات البيانات الأصغر، أدى النظام أداءً جيداً، ولكن في المجموعات الأكبر والأكثر تعقيداً، تفوق بشكل كبير على الطرق السابقة. لقد حقق أعلى درجات الدقة المسجلة لأهم معيارين يُستخدمان في هذا المجال. وأظهرت الدراسة أنه من خلال الجمع بين الفهم العميق للقواعد المحلية، والمعرفة الواسعة للنموذج اللغوي الكبير، وقوة الروابط بين الجمل، استطاع النظام اكتشاف الاستعارات بمستوى من الدقة لا تستطيع الطرق المنعزلة مضاهاته.

ومن الأهمية بمكان أن الباحثين اختبروا أيضاً ما يحدث عند إزالة هذه الأجزاء المختلفة من النظام. فعندما أزالوا القدرة على رؤية الروابط بين الجمل، انخفض أداء النظام بشكل حاد، مما أثبت أن الخريطة العالمية كانت ضرورية. وعندما أزالوا النصيحة الدقيقة من النموذج اللغوي الكبير، أصبح النظام أقل دقة، مما أظهر أن المعرفة الخارجية كانت مكملاً حيوياً. وخلصت الدراسة إلى أن أفضل طريقة لفهم الاستعارة ليست بالنظر إلى كلمة واحدة في فراغ، بل برؤيتها كجزء من شبكة واسعة ومترابطة من التعبير البشري. وهذا النهج ينقل مجال معالجة اللغات الطبيعية خطوة نحو الفهم الحقيقي لكيفية استخدام البشر للغة لبناء المعنى.