Citation Intent Classification for Turkish Academic Literature with Prompt-Optimized LLMs and Language-Specific Encoders
يقدم هذا البحث TurkCite، وهو إطار عمل ومجموعة بيانات مشروحة من قبل خبراء لتصنيف مقاصد الاستشهاد في الأدبيات الأكاديمية التركية، مما يثبت أن المشفرات المحولة (Transformer encoders) الخاصة باللغة تتفوق على النقل القائم على الترجمة، مع تقديم نماذج لغوية كبيرة محسنة عبر التلقين كبدائل فعالة خالية من التدريب للتحليل الببليومتري غير الإنجليزي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في المشهد الشاسع للبحث الأكاديمي، لا يعد الاستشهاد مجرد حاشية أو إيماءة مهذبة لسلف سابق؛ بل هو فعل تواصلي محدد، وإشارة صغيرة تُرسل من ورقة بحثية إلى أخرى لتكشف بدقة كيف تستخدم العمل الجديد العمل القديم. فأحياناً يستشهد الباحث بدراسة سابقة لأنه يبني مباشرة على منهجيتها؛ وأحياناً أخرى يستشهد بها ليظهر كيف تتعارض نتائجه معها، أو ببساطة لتوفير سياق تاريخي. ولعقود من الزمن، قاس العالم الأكاديمي قيمة البحث في المقام الأول عبر عدّ هذه الإشارات، وتجميع عدد المرات التي ذُكرت فيها الورقة لحساب التأثير. ومع ذلك، فإن هذا النهج يعامل كل ذكر كأنه متطابق، مما يغفل الفرق الجوهري بين الدين الفكري العميق والإشارة العابرة. ولفهم الطبيعة الحقيقية للتأثير العلمي، يحتاج العلماء ليس فقط لمعرفة عدد مرات الاستشهاد بورقة ما، بل لمعرفة السبب.
هذا التمييز هو جوهر تصنيف نية الاستشهاد، وهو مجال يسعى إلى فرز هذه المراجع إلى فئات وظيفية. وبينما حقق الباحثون تقدماً كبيراً في القيام بذلك بالنسبة للأدبيات المكتوبة باللغة الإنجليزية، حيث تتوفر مجموعات بيانات ضخمة وأدوات حاسوبية متقدمة، إلا أن الأدوات ذاتها فشلت إلى حد كبير في العمل مع اللغات الأخرى. ويمثل النشر الأكاديمي التركي منظومة ضخمة ومتنامية، مدعومة بقواعد بيانات وطنية تفهرس آلاف المجلات، ومع ذلك فقد افتقرت إلى نظام قادر على فهم الأسباب المحددة التي يستشهد بها الباحثون الأتراك ببعضهم البعض. إن البنية اللغوية للغة التركية تختلف تماماً عن الإنجليزية، مما يجعل من الصعب مجرد ترجمة الأدوات الإنجليزية وتوقع عملها. وبدون وجود نظام أصيل، ظلت المحادثات الغنية والدقيقة التي تجري في المجلات التركية غير مرئية للتحليل الآلي، عالقة خلف جدار من الأرقام الخام.
لقد شرع فريق من الباحثين في بناء ذلك النظام المفقود، فأنشأوا إطار عمل جديداً صُمم خصيصاً للأدبيات الأكاديمية التركية. بدأوا ببناء مجموعة بيانات متخصصة تسمى "TurkCite"، والتي تتكون من ما يقرب من 2800 مثال استشهاد مستمد من أوراق علوم الحاسوب المنشورة في تركيا. لم تُجمع هذه الأمثلة فحسب، بل تمت مراجعتها وتصنيفها بعناية من قبل خبراء بشريين حددوا النية المحددة وراء كل مرجع، وصنفوها إلى خمس فئات متميزة: السياق الخلفي، والأساس المنهجي، والنتائج الداعمة، والنتائج المتعارضة، والمناقشة النقدية. كان هذا الأساس المصنف بشرياً ضرورياً لأن الفريق اختبر أولاً ما إذا كان بإمكانهم ببساطة ترجمة الاستشهادات التركية إلى الإنجليزية واستخدام الأدوات الإنجليزية الحالية لتحليلها. وكانت النتائج واضحة: الترجمة وحدها لم تكن كافية. فالإشارات الدقيقة وأنماط الخطاب التي تشير إلى النية في اللغة التركية فُقدت في الترجمة، مما أثبت أن الحل الأصيل كان ضرورياً.
ومع حصولهم على مجموعة البيانات الجديدة، استكشف الباحثون مسارين مختلفين لحل مشكلة التصنيف. اعتمد المسار الأول على النماذج اللغوية الكبيرة، وهي أنظمة الذكاء الاصطناعي القوية التي يمكنها توليد النصوص والإجابة على الأسئلة. واختبروا ما إذا كانت هذه النماذج قادرة على تعلم تصنيف الاستشهادات دون التدريب صراحة على البيانات التركية الجديدة، وهي طريقة تُعرف باسم "التعلم داخل السياق". ومن خلال صياغة التعليمات بعناية وتقديم بضعة أمثلة داخل المطالبة (prompt)، وجدوا أن هذه النماذج يمكنها تحقيق مستوى عالٍ من الدقة، حيث وصلت إلى ما يقرب من 87 بالمائة في تحديد النية الصحيحة. وقد أثبت هذا النهج قيمته كحل لـ "البداية الباردة" (cold-start)، حيث قدم وسيلة لتحليل الاستشهادات فوراً دون الحاجة إلى مجموعة بيانات ضخمة مصنفة مسبقاً. ومع ذلك، لاحظ الباحثون أن أداء هذه النماذج كان حساساً للغاية لكيفية كتابة التعليمات، كما أنها واجهت صعوبة في تحديد أنواع الاستشهادات الأقل شيوعاً باستمرار، مثل تلك التي تشير إلى عدم الاتفاق مع دراسة سابقة.
أما المسار الثاني فقد تضمن تدريب نماذج حاسوبية متخصصة من الصفر باستخدام مجموعة البيانات التركية الجديدة. قام الفريق بضبط خمسة أنواع مختلفة من بنيات الشبكات العصبية، واختبار أي منها يعمل بشكل أفضل للغة التركية. واكتشفوا أن النماذج التي تم تدريبها مسبقاً خصيصاً على النصوص التركية تفوقت بشكل ملحوظ على تلك المصممة للغات متعددة أو للإنجليزية. والنظام الأكثر نجاحاً، الذي جمع بين نموذج خاص باللغة التركية ومدخلات أكثر ثراءً تتضمن القسم الذي ظهر فيه الاستشهاد والجمل المحيطة به، حقق دقة تزيد عن 90 بالمائة. وفر هذا النهج الخاضع للإشراف طريقة مستقرة وموثوقة وفعالة من حيث التكلفة لمعالجة كميات كبيرة من النصوص الأكاديمية. ومع ذلك، حتى مع هذه الدقة العالية، ظل النظام يواجه تحدياً: البيانات نفسها كانت منحازة بشدة. ففي الكتابة الأكاديمية، تُستخدم الغالبية العظمى من الاستشهادات كخلفية عامة، حيث تشكل حوالي 78 بالمائة من مجموعة البيانات. وهذا الاختلال في التوازن يعني أنه بينما كانت النماذج ممتازة في رصد مراجع الخلفية الشائعة، إلا أنها ظلت أقل موثوقية في تحديد النوايا الأكثر ندرة وتعقيداً مثل الاختلاف أو المناقشة النقدية.
خلصت الدراسة إلى أنه بينما يوفر النظام الجديد أداة قوية لتحليل المنح الدراسية التركية، فإن صعوبة المهمة لا تكمن فقط في التكنولوجيا بل في طبيعة البيانات. وجد الباحثون أن مجرد إضافة المزيد من السياق أو تقسيم المشكلة إلى خطوات أصغر لم يحل تماماً مشكلة تحديد أنواع الاستشهاد النادرة. بدلاً من ذلك، فإن الطريق إلى الأمام يتضمن توسيع مجموعة البيانات لتشمل المزيد من الأمثلة على هذه النوايا غير الممثلة بشكل كافٍ. ومن خلال توفير إطار عمل قوي ومجموعة بيانات عالية الجودة، فتح الفريق الباب أمام فهم أكثر دقة للتأثير الأكاديمي التركي، مما يسمح للباحثين والمحررين بتجاوز مجرد العد البسيط ورؤية الهيكل الفعلي للمحادثة العلمية. ويعمل هذا العمل كنموذج للمجتمعات الأكاديمية غير الناطقة بالإنجليزية، موضحاً أنه بينما تعد الترجمة خطوة أولى مفيدة، فإن الفهم الحقيقي يتطلب أدوات مبنية خصيصاً للغة وخطاب العالم الأكاديمي المحلي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.