A Lemmatized Corpus of the Pali Canon with Critical Apparatus
تقدم هذه الورقة مدونة لغوية مفتوحة الوصول، ومُجذرة (lemmatized)، تتكون من 1.6 مليون توكن من "قانون بالي" (Pāli Canon)، وتتميز بوجود جهاز نقدي عبر خمسة تقاليد نصية، ومعالجة متخصصة لقواعد "الساندي" (sandhi) والمتغيرات العروضية، وتجذير عالي التغطية يتيح مهام لغوية حوسبية متقدمة كانت غير ممكنة سابقاً لهذه اللغة ذات الموارد المحدودة.
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
اللغة كائن حي، لكن كلمات النصوص القديمة غالباً ما تبدو وكأنها محبوسة خلف زجاج. وبالنسبة للباحثين الذين يدرسون اللغات الكلاسيكية في العالم القديم — مثل السنسكريتية واللاتينية واليونانية — أصبحت الحواسيب أدوات قوية لفك رموز هذه النصوص؛ إذ يمكن لهذه الأدوات إحصاء الكلمات، وتتبع كيفية تغير المعاني بمرور الوقت، وحتى رسم العلاقات النحوية بين الكلمات في الجملة. ومع ذلك، هناك فجوة كبيرة في هذا التقدم الرقمي. فبينما تم رسم خرائط اللغات الكلاسيكية العظيمة بالكامل بواسطة الحواسيب، ظلت لغة "بالي" (Pāli)، التي تحمل النصوص المقدسة لبوذية "ثيرفادا"، متأخرة إلى حد كبير. النصوص موجودة بكميات هائلة، لكنها تظل صعبة القراءة بالنسبة للآلات لأن كلماتها يتغير شكلها باستمرار اعتماداً على دورها في الجملة، وغالباً ما تندمج مع بعضها البعض بطرق تخفي معناها الحقيقي. وبدون وسيلة لتفكيك هذه الكلمات إلى أشكالها الأساسية الموجودة في القواميس، لن تتمكن الحواسيب من فهم القصص أو الفلسفة أو التاريخ المحتوى فيها.
لقد بنى دان زيجموند (Dan Zigmond)، وهو باحث مستقل، جسراً عبر هذه الفجوة. فقد أنشأ مجموعة نصوص ضخمة "مُجذرة" (lemmatized corpus) لـ "كانون بالي" (Pāli Canon)، وهو المجموعة الكاملة للمكتوبات البوذية. وببساطة، "التجذير" (lemmatization) هو عملية أخذ كل كلمة في النص وإيجاد شكلها الأصلي غير المتغير. تخيل مكتبة حيث كُتب كل كتاب فيها بشفرة قد تظهر فيها كلمة "run" (يجري) بصيغ مثل "running" أو "ran" أو "runs" أو "runner"، ويرى الحاسوب هذه الصيغ كأربع كلمات مختلفة تماماً. التجزئة أو التجذير هو فعل إخبار الحاسوب بأن كل تلك الاختلافات هي في الواقع مجرد الكلمة "run". عمل زيجموند هذا على كامل "كانون بالي"، وهي مجموعة تحتوي على ما يقرب من 1.6 مليون كلمة. ومن خلال القيام بذلك، حوّل زحاماً فوضوياً من النصوص القديمة إلى قاعدة بيانات مهيكلة وقابلة للبحث يمكن للحواسيب أخيراً استخدامها للتعلم والتحليل.
إن التحدي في التعامل مع لغة "بالي" يكمن في كونها لغة معقدة للغاية. إذ يمكن أن يظهر الاسم الواحد بعشرات الأشكال المختلفة اعتماداً على ما إذا كان هو فاعل الجملة، أو مفعولها، أو مضافاً إليه. علاوة على ذلك، تستخدم اللغة عملية تسمى "ساندي" (sandhi)، حيث تندمج الكلمات في نهاية عبارة ما بسلاسة مع الكلمات في بداية العبارة التالية، مما يغير غالباً إملاءها لجعل تدفق الجملة أكثر سلاسة. بالنسبة للقارئ البشري، يبدو هذا طبيعياً؛ أما بالنسبة للحاسوب، فيبدو الأمر كأنه سلسلة واحدة غير مفهومة من الحروف. كان على مشروع زيجموند حل هذه الألغاز لكل كلمة في "الكانون". لم يعتمد فقط على نسخة واحدة من النص، بل جمع خمس نسخ تاريخية مختلفة من الكتب المقدسة، تمثل تقاليد من سريلانكا وبورما وتايلاند والمنح الدراسية الأوروبية. ومن خلال مقارنة هذه النسخ الخمس جنباً إلى جنب، استطاع رصد الاختلافات، وتصحيح الأخطاء، وإنشاء "جهاز نقدي" (critical apparatus) — وهو سجل مفصل يوضح مواضع اختلاف المخطوطات القديمة وأي القراءات هي الأكثر احتمالاً للصحة.
والنتيجة لهذا الجهد الهائل هي مجموعة بيانات تم فيها تحديد وربط 99.78 بالمائة من كل ظهور للكلمات بجذرها المعجمي. وهذا مستوى مذهل من التغطية للغة لم يسبق أن امتلكت مورداً كهذا. أما الجزء الضئيل المتبقي من الكلمات التي لم يستطع الحاسوب حلها، فهي غالسباً مصطلحات نادرة وشاعرية توجد في مقاطع الأبيات، أو مركبات معقدة لم تصفها القواميس الموجودة بعد بشكل كامل. ووجد الباحث أن حوالي نصف هذه الكلمات غير المحلولة هي على الأرجح كلمات "بالي" شرعية تحتاج فقط إلى الإضافة إلى القاموس، بينما البقية هي تنويعات ناتجة عن الوزن الشعري أو الاختلافات في الإملاء عبر المناطق. هذا التمييز أمر بالغ الأهمية لأنه يخبرنا بالضبط أين يجب أن يستمر العمل. كما كشف المشروع أنه من خلال تقليص الآلاف من الأشكال السطحية المختلفة للكلمة الواحدة إلى جذر واحد، يتقلص حجم المفردات الإجمالي للكانون بأكثر من ثلاثة أضعاف. وهذا الاختزال يجعل من الممكن استخدام الأساليب الإحصائية الحديثة لإيجاد أنماط في النص كانت غير مرئية سابقاً.
ومع هذا المورد الجديد، يمكن للباحثين الآن القيام بمهام كانت مستحيلة في السابق. يمكنهم تجميع النصوص معاً بناءً على مفرداتها لمعرفة كيفية ارتباط الأجزاء المختلفة من "الكانون" ببعضها البعض. ويمكنهم تدريب الحواسيب على فهم قواعد لغة "بالي"، مما قد يؤدي في النهاية إلى آلات يمكنها تحليل الجمل وإظهار كيفية اتصال الكلمات ببعضها البعض، تماماً مثل خريطة لبنية الجملة. كما يسمح العمل بإجراء مقارنات مباشرة مع اللغة السنسكريتية، وهي اللغة التي تطورت منها لغة "بالي"، مما يساعد العلماء على تتبع كيفية تغير الأفك والألفاظ البوذية أثناء انتقالها من ثقافة إلى أخرى. لقد تم إصدار النظام بأكمله، بما في ذلك الكود المستخدم لبنائه والبيانات نفسها، للجمهور، لدعوة علماء آخرين لتحسينه. ورغم أن المشروع لا يتضمن بعد كل وسم قواعدي ممكن أو مراجعة بشرية لكل كلمة، إلا أنه يوفر الأساس الجوهري الذي سيُبنى عليه كل العمل الرقمي المستقبلي على هذه النصوص القديمة. إنه يحول "كانون بالي" من مجموعة ثابتة من الكتب القديمة إلى مجموعة بيانات ديناميكية وحية يمكن للعالم الحديث أخيراً استكشافها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.