A Computational Approach to Language Contact -- A Case Study of Persian

तकनीकी सारांश: भाषा संपर्क का एक कम्प्यूटेशनल दृष्टिकोण – फारसी का एक केस स्टडी

समस्या विवरण
भाषा संपर्क संरचनात्मक विविधीकरण और परिवर्तन का एक प्राथमिक चालक है, जो शाब्दिक उधार (lexical borrowing) से लेकर गहरे व्याकरणिक पुनर्गठन तक फैला हुआ है। जबकि पारंपरिक भाषाविज्ञान ने इन घटनाओं का व्यापक दस्तावेजीकरण किया है, विशेष रूप से फारसी (फ़ारसी) के संदर्भ में—जो तुर्किक, अरबी और अन्य परिवारों के साथ सहस्राब्दियों के संपर्क वाली भाषा है—यह स्पष्ट नहीं है कि क्या ऐसे संपर्क-प्रेरित परिवर्तनों को एकलभाषी न्यूरल लैंग्वेज मॉडल के आंतरिक निरूपणों (internal representations) के भीतर पहचाना, परिमाणित और व्याख्यायित किया जा सकता है। विशेष रूप से, यह अज्ञात है कि क्या केवल फारसी डेटा पर प्रशिक्षित मॉडल अपने संपर्क भाषाओं के अंतर्निहित संरचनात्मक निशानों को कूटबद्ध (encode) करता है, या इसके निरूपण केवल प्रशिक्षण भाषा की मूल संरचना और सार्वभौमिक वाक्यात्मक गुणों द्वारा आकार लेते हैं।

कार्यप्रणाली
यह अध्ययन ParsBERT के मध्यवर्ती निरूपणों (intermediate representations) की जांच करने के लिए एक कम्प्यूटेशनल ढांचे का उपयोग करता है, जो लगभग 3.9 बिलियन टोकन के फारसी पाठ पर प्रशिक्षित एक एकलभाषी, एनकोडर-ओनली ट्रांसफॉर्मर मॉडल है। कार्यप्रणाली में आठ संपर्क भाषाओं (अरबी, अंग्रेजी, फ्रेंच, जर्मन, हिंदी, जापानी, रूसी और तुर्की) के वाक्यों को फारसी मॉडल में पारित करना और परिणामी एम्बेडिंग्स (embeddings) का विश्लेषण करना शामिल है।

विश्लेषण दो प्राथमिक तकनीकों का उपयोग करता है:

1. सूचना-सैद्धांतिक प्रोबिंग (Information-Theoretic Probing): वैरिएशनल यूसेबल इंफॉर्मेशन ($\hat{IV}$) का उपयोग करते हुए, अध्ययन विशिष्ट लक्षित चरों ($Y$), जैसे कि भाषा पहचान, यूनिवर्सल पार्ट-ऑफ-स्पीच (UPOS) टैग, CASE, और GENDER के संबंध में मॉडल के मध्यवर्ती स्तरों में कूटबद्ध भाषाई जानकारी की मात्रा को परिमाणित करता है। इस मीट्रिक को लक्ष्य विशेषता की मार्जिनल एंट्रॉपी द्वारा सामान्यीकृत किया जाता है ताकि उस अनिश्चितता के अनुपात को दर्शाया जा सके जिसे निरूपण से पुनः प्राप्त किया जा सकता है।
2. एट्रिब्यूशन विश्लेषण (Attribution Analysis): लैंग्वेज एक्टिवेशन प्रोबेबिलिटी एंट्रॉपी (LAPE) का उपयोग करके, अध्ययन यह पहचानता है कि निरूपणों के भीतर कौन से विशिष्ट तत्व (न्यूरॉन्स) इन विशेषताओं को कूटबद्ध करने में सबसे अधिक योगदान देते हैं। कम LAPE स्कोर उच्च चयनात्मकता (विशिष्ट स्थितियों के प्रति प्राथमिकता से प्रतिक्रिया करने वाले न्यूरॉन्स) को दर्शाते हैं, जबकि उच्च स्कोर समान या गैर-भेदभावपूर्ण सक्रियता का सुझाव देते हैं।

डेटासेट पैरेलल यूनिवर्सल डिपेंडेंसीज (PUD) ट्रीबैंकों से बना है, जो सुसंगत एनोटेशन और संरेखित वाक्य संरचनाओं के माध्यम से क्रॉस-भाषाई तुलनीयता सुनिश्चित करता है। चयनित परीक्षण भाषाएं फारसी के साथ उनके संपर्क की डिग्री और प्रकार (ऐतिहासिक, आधुनिक, क्षेत्रीय, या न्यूनतम) के आधार पर भिन्न होती हैं।

मुख्य परिणाम
जांच से पता चलता है कि भाषा संपर्क की उपस्थिति में सार्वभौमिक वाक्यात्मक श्रेणियों और रूपात्मक (morphological) विशेषताओं के कूटबद्ध होने के बीच एक स्पष्ट विषमता है:

• भाषा पहचान: Parsert, एकलभाषी प्रशिक्षण के बावजूद, गैर-फारसी भाषाओं के बारे में पर्याप्त जानकारी कूटबद्ध करता है। सूचना लाभ (information gain) तीसरे स्तर के बाद चरम पर होता है। विशेष रूप से, मॉडल अरबी, हिंदी और रूसी के बारे में सबसे अधिक सूचनात्मक है, जो संभवतः महत्वपूर्ण शाब्दिक प्रभाव या वंशावली संबंधों को दर्शाता है। हालांकि, LAPE विश्लेषण दिखाता है कि भाषा-विशिष्ट संकेत शायद ही कभी संकुचित, चयनात्मक विशेषताओं में स्थानीयकृत होते हैं; इसके बजाय, वे साझा निरूपणों में वितरित होते हैं, सिवाय जापानी के, जो उच्च चयनात्मकता प्रदर्शित करती है जो संभवतः ऑर्थोग्राफिक विसंगति के कारण है।
• यूनिवर्सल सिंटैक्स (UPOS): UPOS टैग के लिए पुनः प्राप्त जानकारी काफी हद तक स्तरों में स्थिर रहती है और संपर्क की डिग्री के प्रति असंवेदनशील है। न तो टाइपोलॉजिकल समानता और न ही संपर्क तीव्रता सार्वभौमिक वाक्यात्मक श्रेणियों के कूटबद्ध होने को महत्वपूर्ण रूप से प्रभावित करती है, जो यह सुझाव देती है कि ये निरूपण संपर्क-प्रेरित भिन्नता के प्रति सुदृढ़ (robust) हैं।
• रूपात्मक विशेषताएं (CASE और GENDER):
  • CASE: मॉडल उन भाषाओं की ओर एक मजबूत पूर्वाग्रह प्रदर्शित करता है जिनमें न्यूनतम या अवशिष्ट केस मार्किंग (जैसे अंग्रेजी, फ्रेंच, जापानी) होती है, जहाँ सूचना लाभ उच्च होता है। इसके विपरीत, यह समृद्ध विभक्तित्मक केस प्रणालियों (जैसे जर्मन, रूसी, तुर्की) को कूटबद्ध करने में विफल रहता है जो फारसी में अनुपस्थित हैं। अरबी मध्यम प्रदर्शन दिखाती है, जो संभवतः शाब्दिक ओवरलैप और समकालीन लिखित अरबी में केस के सीमित कार्यान्वयन के कारण है। हिंदी का पोस्टपोजिशनल केस संरचनात्मक विसंगतियों के कारण ठीक से कैप्चर नहीं किया गया है।
    माडल जेंडर (GENDER): ParsBERT व्याकरणिक लिंग (gender) की अनुपस्थिति (जापानी, तुर्की) और सर्वनामों में लिंग के मामूली कार्यान्वयन (अंग्रेजी) से संबंधित संकेतों को प्रभावी ढंग से कैप्चर करता है। पूर्णतः व्याकरणिक लिंग प्रणालियों वाले भाषाओं के लिए प्रदर्शन कम है। दो-लिंग वाली प्रणालियाँ (फ्रेंच, हिंदी, अरबी) मध्यम रिकवरेबिलिटी दिखाती हैं, जबकि तीन-लिंग वाली प्रणालियाँ लगभग शून्य दिखाती हैं। मॉडल की चयनात्मकता न्यूटर संज्ञाओं (neuter nouns) से जुड़ी विशेषताओं में केंद्रित है, जो उस श्रेणी की अर्थ संबंधी विविधता को दर्शाती है।

प्रमुख योगदान

• फारसी संपर्क का प्रथम कम्प्यूटेशनल अध्ययन: यह कार्य फारसी भाषा संपर्क की न्यूरल निरूपण स्तर पर पहली कम्प्यूटेशनल जांच प्रस्तुत करता है।
• संपर्क का चयनात्मक कूटबद्ध होना: अध्ययन इस बात का प्रमाण देता है कि एकलभाषी भाषा मॉडल भाषा संपर्क के चय적인 और संरचनात्मक रूप से बाधित निशानों को ककूटबद्ध करते हैं। संपर्क प्रभाव सार्वभौमिक वाक्यात्मक श्रेणियों के बजाय प्रशिक्षण भाषा (एनालिटिक/कॉन्फ़िगरेशनल) के साथ संरेखित रूपात्मक और निर्माण संबंधी पैटर्न में अधिक आसानी से प्रतिबिंबित होते हैं।
• कार्यप्रणाली ढांचा: सूचना-सैद्धांतिक प्रोबिंग को एट्रिब्यूशन विश्लेषण के साथ जोड़कर, यह शोध पत्र न्यूरल मॉडल का उपयोग करके शास्त्रीय भाषा संपर्क प्रश्नों की जांच के लिए एक सिद्धांतगत ढांचा प्रदान करता है।

महत्व और दावे
यह शोध दावा करता है कि एकलभाषी भाषा मॉडल केवल प्रशिक्षण डेटा को ही नहीं दर्शाते बल्कि ऐतिहासिक भाषा संपर्क के निशानों को भी अंतर्निहित रूप से कूटबद्ध करते हैं, बशर्ते वे निशान प्रशिक्षण भाषा के संरचनात्मक गुणों के साथ संरेखित हों। निष्कर्ष बताते हैं कि जबकि सार्वभौमिक वाक्यात्मक निरूपण संपर्क-प्रेरित भिन्नता के प्रति सुदृढ़ रहते हैं, रूपात्मक विशेषताएं भाषा-विशिष्ट संरचना के प्रति अत्यधिक संवेदनशील होती हैं।

लेखक निष्कर्ष निकालते हैं कि इन मॉडलों में संपर्क प्रभाव संपर्क भाषाओं के प्रत्यक्ष संपर्क का परिणाम नहीं हैं, बल्कि इनसे उत्पन्न होते हैं:

1. फारसी की स्वयं की संरचनात्मक विशेषताएं जो ऐतिहासिक संपर्क को दर्शाती हैं।
2. उधार लिए गए शब्दों (borrowings), कैल्क्स (calques), और हाइब्रिड निर्माणों का सांख्यिकीय छाप।
3. विभिन्न भाषाओं के बीच साझा किए गए सार्वभौमिक भाषाई गुण।

अध्ययन इस बात पर प्रकाश डालता है कि न्यूरल मॉडल सतह-स्तर के या अर्थ संबंधी संरेखण (जैसे शाब्दिक उधार, एनालिटिक रणनीतियां) को कैप्चर करते हैं, न कि गहरे व्याकरणिक पुनर्गठन (जैसे विभक्तित्मक प्रतिमानों का स्थानांतरण) को। यह भाषा परिवर्तन के अध्ययन के लिए न्यूरल लैंग्वेज मॉडल के उपयोग की सीमाओं और संभावनाओं को रेखांकित करता है, जो यह दर्शाता है कि वे संपर्क घटनाओं को संसाधित करते समय प्रशिक्षण भाषा के "संरचनात्मक बाधाओं" को प्रतिबिंबित करते हैं।

सीमाएं
लेखक स्वीकार करते हैं कि PUD डेटासेट में कई भाषाएं शामिल नहीं हैं जो फारसी के इतिहास के लिए महत्वपूर्ण हैं, जैसे कि अज़रबैजानी, तुर्कमेन और उर्दू, जो निरंतर द्विभाषिता और संरचनात्मक अभिसरण के सबसे मजबूत मामलों का मूल्यांकन करने की क्षमता को सीमित करती है। फलस्वरूप, विश्लेषण PUD ढांचे के भीतर उपलब्ध भाषाओं तक ही सीमित है।