Contextual Embedding Evidence for Main--Light Verb Distinctions in Urdu

तकनीकी सारांश: उर्दू में मुख्य-हल्के क्रिया (Main–Light Verb) भेदों के लिए प्रासंगिक एम्बेडिंग साक्ष्य

समस्या और प्रेरणा
उर्दू व्याकरण में 'लाइट वर्ब कंस्ट्रक्शन' (LVCs) की विशेषता है, जहाँ एक लेक्सिकल क्रिया (V1) एक दूसरी क्रिया (V2) के साथ जुड़ती है, जो पहलू (aspectual), पूर्णता (completive), या घटना-संरचनात्मक अर्थ में योगदान देती है, जबकि स्वयं कम लेक्सिकल सामग्री प्रदर्शित करती है। जबकि भाषाई सिद्धांत, विशेष रूप से बट (Butt, 1995, 2003, 2010) और बट एवं लाहिरी (Butt and Lahiri, 2013) का कार्य, यह प्रतिपादित करता है कि हल्की क्रियाएं (light verbs) अपनी मुख्य क्रिया समकक्षों से भिन्न होती हैं फिर भी एक विशिष्ट लेक्सिकल संबंध बनाए रखती हैं, यह स्पष्ट नहीं है कि क्या प्रासंगिक भाषा मॉडल (contextual language models) इस अंतर को समाहित करते हैं। विशेष रूप से, यह अज्ञात है कि क्या एनकोडर-आधारित मॉडलों की प्रतिनिधि ज्यामिति (representational geometry) उन सैद्धांतिक भविष्यवाणियों को दर्शाती है कि: (1) मुख्य और हल्की उपयोगिताएँ व्यवस्थित रूप से विभेदित हैं, (2) समान-लेम्मा (same-lemma) उपयोग, बेमेल लेम्मा युग्मों की तुलना में एक-दूसरे के अधिक निकट रहते हैं, और (3) व्यक्तिगत हल्की क्रियाएं एक सजातीय वर्ग में विलीन होने के बजाय विशिष्ट प्रोफाइल बनाए रखती हैं।

कार्यप्रणाली
यह अध्ययन सात मानक हल्की क्रियाओं (आया, उठा, बैठा, पड़ा, दिया, गया, लिया) वाले 1,126 स्वाभाविक रूप से उत्पन्न उर्दू वाक्यों का विश्लेषण करता है। डेटासेट का निर्माण एक 1.6 GB के इन-हाउस कॉर्पस से किया गया था, जिसमें वे वाक्य निकाले गए जहाँ लक्षित क्रिया वाक्य के अंत में स्थित थी। एनोटेशन एक सख्त तीन-तरफा सहमति प्रोटोकॉल का पालन करता था: GPT-5.1 ने पहले बट के भाषाई मानदंडों पर आधारित प्रॉम्प्ट्स का उपयोग करके प्रत्येक वाक्य को वर्गीकृत किया, और फिर दो विशेषज्ञ मानव एनोटेटरों ने स्वतंत्र रूप से GPT द्वारा दिए गए लेबल की समीक्षा की। केवल वे वाक्य रखे गए जिनके लिए तीनों स्रोत (GPT-5.1, एनोटेटर 1, और एनोटेटर 2) पूर्ण सहमति में थे; किसी भी वाक्य को हटा दिया गया जिसमें एक भी असहमति थी।

तीन एनकोडर-आधारित मॉडलों का मूल्यांकन किया गया:

1. UrduBERT: एक BERT-बेस मॉडल जिसे 5.8 GB के डीडुप्लिकेटेड उर्दू कॉर्पस पर स्क्रैच से प्रशिक्षित किया गया है।
2. DunbaaBERT: एक RoBERTa-शैली का मॉडल जिसे 17 GB के उर्दू कॉर्पस पर प्रशिक्षित किया गया है।
3. Multilingual BERT (mBERT): एक मानक बहुभाषी मॉडल जो विशेष रूप से उर्दू के लिए अनुकूलित नहीं है।

कार्यप्रणाली में अंतिम हिडन लेयर्स से निकाले गए प्रासंगिक एम्बेडिंग्स पर तीन पूरक विश्लेषणों का उपयोग किया गया:

• प्रतिनिधिक पृथक्करण (Representational Separation): प्रत्येक क्रिया और मॉडल के लिए मुख्य-उपयोग और हल्की-उपयोग के सेंट्रॉइड्स के बीच कोसाइन दूरी (Cosine distance) और सिलुएट स्कोर (silhouette scores) की गणना की गई। सांख्यिकीय महत्व का आकलन लेबल-परम्यूटेशन परीक्षणों के माध्यम से किया गया।
• लेक्सिकल संबद्धता (Lexical Relatedness): समान-लेम्मा मुख्य-हल्की सेंट्रॉइड्स के बीच की दूरी की तुलना बेमेल क्रॉस-लेम्मा दूरियों से की गई ताकि यह परीक्षण किया जा सके कि क्या समान-लेम्मा युग्म अधिक निकट रहते हैं।
• क्रिया-विशिष्ट संरचना (Verb-Specific Structure): विशिष्ट हल्की क्रिया की पहचान करने के लिए एक सात-तरफा वर्गीकरण कार्य किया गया। इसमें एक "मास्क्ड-टारगेट" स्थिति शामिल थी जहाँ लक्षित क्रिया को मास्क टोकन से बदल दिया गया था, और एक "प्रीसीडिंग-फॉर्म-डिस्जॉइंट" मूल्यांकन शामिल था ताकि बार-बार होने वाले V1–V2 संयोजनों से परे सामान्यीकरण का परीक्षण किया जा सके।

मुख्य परिणाम

• व्यवस्थित विभेदन: सभी 21 क्रिया-मॉडल तुलनाओं ने मुख्य और हल्की उपयोगों के बीच महत्वपूर्ण प्रतिनिधि पृथक्करण दिखाया ($p < 0.001$)। UrduBERT ने सबसे बड़े सेंट्रॉइड अंतर (औसत 0.177) और उच्चतम सिलुएट स्कोर (औसत 0.272) प्रदर्शित किए, इसके बाद mBERT और DunbaaBERT का स्थान रहा।
• रैखिक और अनसुपरवाइज्ड रिकवरेबिलिटी: लॉजिस्टिक प्रोबिंग ने सभी मॉडलों में मुख्य से हल्की उपयोगों को अलग करने में उच्च सटीकता प्राप्त की (UrduBERT औसत F1: 0.997)। हालांकि, अनसुपरवाइज्ड KMeans क्लस्टरिंग ने दिखाया कि जबकि UrduBERT ने 0.778 का औसत एडजस्टेड रैंड इंडेक्स (ARI) प्राप्त किया, अन्य मॉडलों ने संयोग (chance) के करीब प्रदर्शन किया, जो दर्शाता है कि उच्च रैखिक पृथक क्षमता (linear separability) दो प्रमुख गोलाकार क्लस्टरों के निर्माण की गारंटी नहीं देती है।
• लेक्सिकल संबद्धता: सभी मॉडलों में समान-लेम्मा मुख्य-हल्की सेंट्रॉइड्स, बेमेल क्रॉस-लेम्मा युग्मों की तुलना में लगातार अधिक निकट पाए गए। सभी मॉडलों के लिए टॉप-1 मैचिंग सटीकता 1.0 थी, जो इस भविष्यवाणी का समर्थन करती है कि मुख्य और हल्की उपयोग अपने लेम्मा-विशिष्ट योगदान को बनाए रखते हुए लेक्सिकल संबद्धता बनाए रखते हैं।
• हल्की क्रिया की पहचान: मास्क्ड-टारगेट स्थिति में, UrduBERT ने विशिष्ट हल्की क्रिया की पहचान करने के लिए 0.866 सटीकता और 0.852 मैक्रो-F1 प्राप्त किया, जो संयोग से काफी बेहतर था। प्रीसीडिंग-फॉर्म-डिस्जॉइंट मूल्यांकन के तहत, UrduBERT ने 0.782 की सटीकता बनाए रखी, जो तत्काल सतही सह-उपस्थिति से परे सामान्यीकरण का सुझाव देती है। DunbaaBERT और mBERT ने मास्क्ड स्थितियों में कम लेकिन फिर भी महत्वपूर्ण प्रदर्शन दिखाया।

महत्व और दावे
यह शोध पत्र उर्दू की हल्की क्रियाओं के बारे में बट के भाषाई विवरण के अनुरूप कम्प्यूटेशनल साक्ष्य प्रदान करता है। निष्कर्षों से पता चलता है कि प्रासंगिक एम्बेडिंग्स लेम्मा-विशिष्ट संरचना को संरक्षित करते हुए मुख्य और हल्की उपयोगों को व्यवस्थित रूप से अलग करते हैं। विशेष रूप से, परिणाम इस दृष्टिकोण का समर्थन करते हैं कि हल्की क्रियाएं केवल अर्थहीन व्याकरणिक मार्कर नहीं हैं, बल्कि वे क्रिया-विशिष्ट योगदान और अपने मुख्य क्रिया समकक्षों के साथ संबंध बनाए रखती हैं।

लेखक स्पष्ट रूप से कहते हैं कि ये निष्कर्ष किसी विशिष्ट औपचारिक लेक्सिकल-एंट्री संरचना या डायक्रोनिक मार्ग को सीधे स्थापित किए बिना, बट के विश्लेषण के प्रतिनिधि परिणामों के लिए साक्ष्य प्रदान करते हैं। यह अध्ययन अंग्रेजी की हल्की क्रियाओं पर पिछले कार्यों के पूरक के रूप में उर्दू तक जांच का विस्तार करता है और लेक्सिकल संबद्धता और क्रिया-विशिष्टता के संबंध में विशिष्ट भविष्यवाणियों का मूल्यांकन करता है जो उर्दू भाषाई सिद्धांत के लिए केंद्रीय हैं। परिणाम बताते हैं कि एनकोडर-आधारित मॉडल, विशेष रूप से जो एकलभाषी उर्दू डेटा पर प्रशिक्षित हैं, हल्की क्रिया संरचनाओं की सूक्ष्म प्रतिनिधि ज्यामिति को पकड़ते हैं।