Cleaning the Chaos: Building a Structured Corpus from Rajya Sabha Debates
تقدم هذه الورقة مجموعة بيانات مهيكلة، ومنقحة، ومصنفة موضوعياً من مناظرات "راجيا سابها" المستمدة من سجلات إلكترونية غير مهيكلة، تتضمن تحديد المتحدثين، ومطابقة التواريخ، وتصنيف المواضيع بمساعدة نموذج "LLaMA" لتمكين التحليل الحوسبي للخطاب البرلماني الهندي.
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 الأرشيف الشاسع للحوكمة البشرية، تمتلك الكلمة المنطوقة قوة فريدة. فعندما يجتمع المشرعون في أمة ما لمناقشة القوانين والميزانيات والأزمات، فإنهم يصنعون سجلاً حياً لكيفية تفكير المجتمع، وجداله، وتحديد مستقبله. وبالنسبة للباحثين، تُعد هذه النصوص المحولة إلى نصوص (transcripts) كنزاً ثميناً، حيث توفر وسيلة لقياس نبض الديمقراطية، وتتبع صعود وهبوط الاهتمامات السياسية، وفهم النبرة العاطفية للسياسة العامة. ومع ذلك، فإن تحويل هذه الكلمات المنطوقة إلى شيء يمكن للحاسوب دراسته غالباً ما يكون مهمة جسيمة. فالأرقام الخام غالباً ما تكون فوضوية، ومدفونة في وثائق ممسوحة ضوئياً، ومختلطة بين لغات مختلفة، ومزدحمة بالضجيج الإجرائي الذي يحجب الحجج الفعلية. ولإضفاء معنى على هذه الفوضى، يستخدم العلماء مجالاً يسمى معالجة اللغات الطبيعية، والذي يعلم الآلات كيفية قراءة وفهم النص البشري. ومن خلال تنظيف هذه السجلات وتنظيمها، يمكن للباحثين طرح أسئلة كبرى: ما هي القضايا التي تهيمن على المحادثة؟ كيف يشعر السياسيون تجاهها؟ وكيف تتغير هذه المواضيع بمرور الوقت؟
لقد تولى باحث من المعهد الهندي لتكنولوجيا المعلومات والاتصالات في ناغبور هذا التحدي خصيصاً لمجلس الشيوخ (Rajya Sabha)، وهو الغرفة العليا في البرلمان الهندي. لسنوات، كانت السجلات الرسمية لهذه المناقشات متاحة عبر الإنترنت، لكنها كانت موجودة كوثائق ممسوحة ضوئياً غير منظمة يصعب تحليلها. سعى الباحث لبناء جسر بين هذه الملفات الخام الفوضوية والبيانات النظيفة والمنظمة اللازمة للتحليل الحاسوبي الحديث. لم يكن هدفهم مجرد تخزين النص، بل تحويله إلى مكتبة مهيكلة حيث يتم تحديد كل خطاب، وتنظيفه، ووسمه بموضوعه الرئيسي. هذا العمل يخلق مجموعة بيانات تأسيسية تسمح لأي شخص بدراسة تاريخ الخطاب السياسي الهندي باستخدام أدوات حاسوبية قوية.
بدأت الرحلة بجمع البيانات الخام. وصل الباحث إلى الموقع الرسمي للبرلمان وقام بتنزيل آلاف سجلات المناقشات الممتدة من عام 2008 إلى عام 2025. ركزوا على فترة محددة تتوفر فيها السجلات كملفات رقمية مهيكلة، حيث جمعوا في النهاية أكثر من 6300 وثيقة. لم تكن هذه الملفات مجرد مستندات نصية بسيطة؛ بل كانت صوراً ممسوحة ضوئياً للصفحات، مما يعني أن النص كان محبوساً داخل الصور. ولتحرير الكلمات، استخدم الباحث تقنية تسمى التعرف الضوئي على الحروف (OCR)، والتي تعمل كعين رقمية يمكنها قراءة الحروف من الصورة. قامت هذه العملية بتحويل الصفحات الممسوحة ضوئياً إلى نص خام، لكن النتيجة لم تكن مثالية على الإطلاق. فقد كان النص المستخرج مليئاً بالأخطاء، والعناوين المتكررة، وأرقام الصفحات، وشظايا الجمل التي لا معنى لها بمفردها.
تطلب تنظيف هذا النص نهجاً دقيقاً وخطوة بخطوة. كان على الباحث إزالة الضجيج الإجرائي، مثل العناوين المتكررة والملاحظات الإدارية، تاركاً فقط الكلمات التي نطق بها أعضاء البرلمان. كما كان عليه حل لغز "من قال ماذا". ففي النص الخام، غالباً ما يظهر اسم المتحدث قبل نقطتين رأسيتين، متبوعاً بكلامه. كتب الباحث برنامجاً للعثور على هذه الأنماط، وفصل تيار النص الطويل والمتواصل إلى خطابات فردية. قاموا بإزالة الألقاب التشريفية وإصلاح الأسطر المقطوعة، لضمان أن يكون كل خطاب كتلة متماسكة مرتبطة بشخص وتاريخ محددين. وكانت النتيجة مجموعة ضخمة ومنظمة من ما يقرب من 95,000 خطاب فردي، بإجمالي ما يقرب من 9 ملايين كلمة، جاهزة جميعها للتحليل.
بمجرد تنظيف النص، واجه الباحث التحدي التالي: فهم موضوع هذه الخطابات. وبما أن البيانات لم تكن تحمل أي تسميات، لم يكن بإمكانهم ببساطة البحث عن الموضوع. بدلاً من ذلك، استخدموا نهجاً هجيناً يجمع بين التفكير الشبيه بالبشر والتجميع الإحصائي. أولاً، استخدموا نموذج لغة كبير (LLM)، وهو نوع من البرامج الحاسوبية المتقدمة المدربة على كميات هائلة من النصوص، لقراءة كل خطاب واقتراح وصف قصير لموضوعه الرئيسي. ثم تم إدخال هذه الاقتراحات في نظام تجميع (clustering)، والذي قام بتجميع الخطابات المتشابهة معاً بناءً على معناها. وجد الباحث أن الخطابات انقسمت طبيعياً إلى حوالي 47 مجموعة متميزة. ولجعل هذه المجموعات أكثر وضوحاً، استخدموا طريقة إحصائية لاستخراج الكلمات الأكثر شيوعاً من كل مجموعة، مما كشف عن المواضيع الجوهرية التي تتم مناقشتها.
كشف التحليل عن صورة واضحة للمشهد البرلماني. تراوحت المواضيع بين سمات واسعة مثل الأمن القومي والإرهاب إلى مخاوف محددة بشأن الزراعة والتعليم والرعاية الصحية. ركزت بعض المجموعات على الميزانية وتمويل الحكومة، بينما تناولت مجموعات أخرى الرعاية الاجتماعية والفقر. قام الباحث بتعيين أسماء واضحة وقابلة للقراءة البشرية لهذه المجموعات، مثل "المزارعون والزراعة" أو "الطب والصحة"، مما خلق خريطة للقضايا التي تهم البرلمان الهندي. ثم تتبعوا كيفية ظهور هذه المواضيع بمرور الوقت، ملاحظين كيف يتغير تركيز المناقشات مع تغير مواسم التقويم السياسي وظهور الأحداث الوطنية.
ولفهم النبرة العاطفية لهذه المناقشات، قام الباحث أيضاً بتحليل مشاعر الخطابات (sentiment analysis). ولأن النص كان مزيجاً من اللغتين الهندية والإنجليزية، ولأن الخطابات كانت غالباً طويلة جداً، عانى نموذج حاسوبي واحد في الوصول إلى الإجابة الصحيحة. بدلاً من ذلك، جمع الباحث أحكام عدة نماذج مختلفة، تاركاً إياها تصوت على ما إذا كان الخطاب إيجابياً أم سلبياً أم محايداً. وفر هذا النهج الجماعي (ensemble approach) نتيجة أكثر موثوقية. وأظهر التحليل أن الغالبية العظمى من الخطابات صُنفت على أنها سلبية. تشير هذه النتيجة إلى أن الخطاب البرلماني في الهند يركز بشكل كبير على النقد، وحل المشكلات، وإثارة المخاوف، بدلاً من الثناء أو الصياغة الإيجابية. كانت الثقة في هذه التنبؤات متوسطة، مما يعكس الصعوبة المتأصلة في تفسير اللغة السياسية الرسمية التي تمزج بين لغتين وغالباً ما تتعامل مع قضايا معقدة ومتعددة الأوجه.
أخيراً، اختبر الباحث ما إذا كانت مجموعة البيانات الجديدة هذه مفيدة للدراسات المستقبلية. قاموا بتدريب عدة نماذج تعلم حاسوبي للتنبؤ بموضوع الخطاب بناءً على النص فقط. تمكنت النماذج من تعلم أنماط البيانات بدرجة عالية من الدقة، مما أثبت أن المواضيع التي حددوها كانت متسقة وذات مغزى. كانت النماذج الأفضل أداءً هي تلك التي استطاعت تذكر تدفق الجملة بمرور الوقت، مما يشير إلى أن سياق الخطاب أمر بالغ الأهمية لفهم موضوعه. أكد هذا النجاح أن مجموعة البيانات المنظفة والمنظمة هي مورد قوي، قادر على دعم تحقيقات أعمق في السلوك السياسي واتجاهات السياسة العامة.
إن العمل الذي قام به هذا الباحث يحول أرشيفاً فوضوياً من الصفحات الممسوحة ضوئياً إلى مكتبة مهيكلة وقابلة للبحث من الفكر البشري. ومن خلال تحويل السجلات غير المنظمة إلى مجموعة بيانات نظيفة، فتح الباب أمام نوع جديد من العلوم السياسية، نوع يمكنه تحليل التاريخ الكامل للمناقشات البرلمانية بسرعة ونطاق الحاسوب. ورغم أن البيانات ليست مثالية، وأن الأساليب المستخدمة لا تزال في تطور، إلا أن الأساس الذي بناه يسمح للباحثين برؤية الأنماط وسط الضجيج. إنه يوفر وسيلة لمراقبة تاريخ مناقشات أمة وهي تتكشف، ليس فقط كمجموعة من الكلمات، بل كقصة مهيكلة لكيفية جدال الديمقراطية، واتخاذ القرار، والمضي قدماً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.