💬 NLP

Neural Machine Translation for Coptic-French: Strategies for Low-Resource Ancient Languages

Dit artikel presenteert de eerste systematische studie over het vertalen van Koptisch naar het Frans en toont aan dat fijnafstemming met een corpus dat stilistisch gevarieerd en ruisbewust is, de vertaalkwaliteit aanzienlijk verbetert en waardevolle inzichten biedt voor talen met weinig bronmateriaal uit de oudheid.

Oorspronkelijke auteurs: Nasma Chaoui, Richard Khoury

Gepubliceerd 2026-05-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nasma Chaoui, Richard Khoury

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een zeer oud, stoffig en licht beschadigd boek hebt dat is geschreven in een oude taal genaamd Koptisch. Je wilt het vertalen naar modern Frans zodat meer mensen het kunnen lezen. Het probleem? Er zijn zeer weinig mensen die tegenwoordig Koptisch spreken, en er bestaan niet veel bestaande computerprogramma's (AI) die weten hoe ze deze vertaling moeten uitvoeren.

Dit artikel is als een receptenboek waarin de auteurs, Nasma Chaoui en Richard Khoury, verschillende "kookmethoden" testen om te zien hoe ze de best mogelijke vertaler voor deze specifieke taak kunnen bouwen. Ze gokken niet zomaar; ze voeren experimenten uit om de meest betrouwbare manier te vinden om oude tekst om te zetten in modern Frans.

Hier is een uiteenzetting van hun reis, met behulp van eenvoudige analogieën:

1. De Grote Vraag: Hoe beginnen we?

De auteurs stelden vier hoofdvragen, die ze behandelden als vier verschillende paden om een berg op te klimmen:

Pad A: De Rechtstreekse Route (Fijne Afstelling). Neem een slimme AI die een beetje over talen weet en "train" deze specifiek op Koptisch en Frans. Het is alsof je een algemene student een privéleraar huurt, uitsluitend voor Koptisch.
Pad B: De Omwegroute (De Omweg). Vertaal eerst Koptisch naar Engels, en vertaal vervolgens dat Engelse resultaat naar Frans. Het is alsof je probeert naar Parijs te komen door eerst naar Londen te vliegen en dan met de trein te gaan.
Pad C: De "Magische Prompt"-route. Vraag een slimme AI die Koptisch en Engels kent om gewoon "Frans te spreken" zonder extra training. Het is alsof je een chef-kok die alleen Italiaans kan koken, vraagt om plotseling een perfect Frans gerecht te maken, gewoon door het beleefd te vragen.
Pad D: De Meertalige Route. Gebruik een gigantische AI die 100 talen kent, maar in geen enkele gespecialiseerd is. Het is alsof je een Zwitsers zakmes gebruikt om een operatie te proberen; het heeft de gereedschappen, maar misschien niet de precisie.

Het Resultaat: De "Rechtstreekse Route" (Pad A) won het met gemak. Het trainen van een model specifiek voor Koptisch-naar-Frans was veel beter dan het gebruik van omwegen of hopen dat een algemene AI het zou uitvinden.

2. Het Kiezen van de Juiste "Student" (Het Model)

Zodra ze besloten een model te trainen, moesten ze kiezen welke ze als uitgangspunt zouden nemen. Ze testten vier verschillende "studenten":

De Specialist: Een AI die al Koptisch kende, maar alleen Engels sprak.
De Polyglot: Een AI die Koptisch en Frans kende, maar deel uitmaakte van een enorme groep van 100 talen.
De Generalist: Een AI die Frans kende, maar Koptisch helemaal niet.
De Neef: Een AI die getraind was op Hiërogliefen (de oude voorouder van Koptisch).

Het Resultaat: De Polyglot (degene die al zowel Koptisch als Frans kende) was de beste student. Echter, de Neef (de hiërogliefen-expert) deed verrassend goed mee! Dit is alsof je ontdekt dat als je iemand leert oude Egyptische hiërogliefen te lezen, die persoon Koptisch veel sneller oppakt dan iemand die nog nooit een oude taal heeft gezien. Het bewijst dat kennis van een "neef"-taal veel helpt.

3. De Kracht van Variatie (Meerdere Vertalingen)

Oude teksten zijn lastig omdat één zin in Koptisch op drie verschillende manieren in het Frans kan worden vertaald, waarbij alle drie correct zijn. De auteurs vroegen zich af: Moeten we de AI met slechts één vertaling trainen, of met alle drie?

Ze testten dit door de AI te trainen op slechts één versie van de Bijbelvertaling, en vervolgens op alle drie de versies door elkaar.

Het Resultaat: De AI die getraind was op alle drie de versies was het meest flexibel en mensachtig. Het leerde dat er niet slechts één "juiste" manier is om iets te zeggen. Het werd beter in het vangen van de betekenis in plaats van alleen woorden over te kopiëren. Het is alsof je een student leert door hen drie verschillende manieren te tonen om een essay te schrijven; ze leren het kernidee beter dan als je hen slechts één stijve sjabloon had getoond.

4. De AI "Sterk" Maken (Omgaan met Ruis)

Oude manuscripten zijn vaak beschadigd. Letters kunnen ontbreken (gaten in de pagina), vlekken hebben, of verkeerd zijn gelezen door scanners. De auteurs wilden weten: Kunnen we de AI sterk genoeg maken om deze fouten aan te kunnen?

Ze simuleerden dit door hun trainingsdata opzettelijk te "breken". Ze willekeurig letters verwijderd, ze omgeruild, of vervangen door soortgelijke letters, net als bij een beschadigd manuscript.

Het Resultaat:

Als je de AI traint op perfecte, schone tekst, faalt het hopeloos wanneer het een beschadigde pagina ziet.
Als je de AI traint op 50% beschadigde tekst, wordt het een superheld. Het leert de ontbrekende stukjes raden en de vlekken negeren.
Het sweet spot was trainen met 50% ruis. Dit creëerde een vertaler die robuust genoeg was om echte, stoffige, beschadigde oude boeken aan te kunnen zonder uiteen te vallen.

De Eindconclusie

De auteurs bouwden succesvol de eerste betrouwbare vertaler van Koptisch naar Frans. Hun geheime saus was niet één ding; het was een combinatie van:

Het trainen van een model specifiek voor dit paar (geen omweg gebruiken).
Starten met een model dat al de oude taal of zijn "neef" (Hiërogliefen) kende.
Het voeden met vele verschillende manieren om hetzelfde te zeggen (stijlvariatie).
Opzettelijk de helft van de trainingsdata "verpesten" zodat de AI leerde sterk te zijn tegen schade.

Ze brachten deze twee beste modellen vrij (een gebaseerd op de Polyglot en een op de hiërogliefen-expert) zodat egyptologen en historici eindelijk AI kunnen gebruiken om de geheimen van oude Koptische manuscripten te ontsluiten, zelfs als die manuscripten wat versleten zijn.

Technische Samenvatting: Neuronale Machinevertaling voor Koptisch-Frans

Probleemstelling

Neuronale Machinevertaling (NMT) heeft aanzienlijke vooruitgang geboekt voor moderne talen, maar historische en oude talen blijven ondervertegenwoordigd vanwege schaarste aan data. Koptisch, de laatste fase van de Egyptische taalfamilie, is cruciaal voor egyptologie en vroeeg-christelijke studies, maar mist robuuste NMT-tools, met name voor vertaling naar het Frans. Bestaande bronnen zijn voornamelijk beperkt tot vertaling naar het Engels of Arabisch. Dit artikel adresseert deze kloof door systematisch strategieën te onderzoeken voor het vertalen van Koptisch naar Frans, met focus op vier kernuitdagingen die inherent zijn aan vertaling van oude talen met weinig data:

Vertaalstrategie: Of direct vertaald moet worden of een pivot-taal (bijv. Engels) moet worden gebruikt.
Modelselectie: Hoe het optimale vooraf getrainde model te kiezen voor fine-tuning.
Data-diversiteit: De impact van training op meerdere stilistische versies van dezelfde tekst.
Robuustheid: Hoe om te gaan met ruis en corruptie die veelvoorkomend zijn in oude manuscripten (bijv. ontbrekende karakters, OCR-fouten, spellingvariaties).

Methodologie

De auteurs construeerden een uitgebreide pijplijn met behulp van uitgelijnde Bijbelse corpora om vier distincte experimentele fasen te evalueren:

1. Datasetconstructie en Preprocessing

Bron: Koptische teksten werden geëxtraheerd uit het Coptic SCRIPTORIUM-project (Sahidische Nieuwe en Oude Testamenten).
Doel: Drie publieke Franse Bijbelvertalingen (Louis Segond, Crampon en Darby) werden geselecteerd vanwege hun stilistische diversiteit.
Uitlijning: Verzen werden automatisch uitgelijnd aan de hand van verzen-ID's.
Romanisering: Aangezien standaard Transformer-vocabulaires de originele Koptische Unicode niet ondersteunen, werd de uroman-tool gebruikt om de Koptische tekst te romaniseren.
Verdeling: Een boek-niveau verdeling werd toegepast om data-contaminatie te voorkomen. Boeken (1 Korintiërs, Marcus, Galatiërs, Hebreeën) werden terzijde gelegd voor testen, terwijl de overige 59 boeken de trainingsset vormden.

2. Experimentele Fasen

De studie evalueerde vier specifieke onderzoeksvragen via gecontroleerde experimenten:

Pertinentie van Fine-tuning: De auteurs vergeleken vier benaderingen:
1. Fine-tuning van een Koptisch-specifiek model (Enis) naar Frans.
2. Gebruik van een meertalig model (Helsinki) 'out-of-the-box'.
3. Zero-shot prompting van het Koptische model om Frans te genereren.
4. Een pivot-strategie (Koptisch $\to$ Engels $\to$ Frans).
Keuze van Vooraf Getraind Model: Vier vooraf getrainde modellen werden gefine-tuned op het Koptisch-Franse corpus:
- Enis: Een Koptisch-naar-Engels model.
- Helsinki: Een meertalig, op de Bijbel getraind model (Koptisch/Frans).
- T5: Een algemeen doelmodel (Franse blootstelling, geen Koptisch).
- Hiero: Een Hiëroglyf-naar-Engels/Duits model (verwante taalfamilie).
Keuze van Fine-tuning Dataset: De best presterende modellen (Helsinki en Hiero) werden getraind op individuele Franse vertalingen versus een gecombineerde dataset van alle drie de vertalingen om het voordeel van stilistische variatie te beoordelen.
Robuustheid tegen Ruis: Om manuscriptdegradatie te simuleren, injecteerden de auteurs ruis in de trainingsdata:
- Lacunes: 2% karaktersverwijdering.
- Spelfouten: 2% wisseling van aangrenzende karakters.
- OCR-fouten: 10% vervanging door visueel vergelijkbare karakters.
  Modellen werden getraind met variërende ruisniveaus (0%, 10%, 30%, 50%, 100%) en getest op schone en ruizige data.

3. Evaluatiemetrics

Gegeven dat een enkel Koptisch vers meerdere geldige Franse vertalingen kan hebben, werden lexicaal overlap-metrics (zoals BLEU) onvoldoende geacht. De studie gebruikte semantische gelijkenis en geleerde metrics:

BERTScore: Contextuele token-gelijkenis.
BLEURT: Een geleerde metric die menselijke kwaliteitsoordelen voorspelt.
COMET: Een meertalige, op BERT gebaseerde metric voor vertaalkwaliteit.
METEOR: Unigram-matchen met synoniemen en stemming.

Belangrijkste Resultaten

1. Vertaalstrategie

Fine-tuning is essentieel. Het gefine-tuned Koptisch-naar-Frans model presteerde aanzienlijk beter dan alle alternatieven.

Fine-tuning behaalde de hoogste scores op alle metrics (bijv. BERTScore 0,820).
Pivot-strategieën (Koptisch $\to$ Engels $\to$ Frans) en zero-shot prompting presteerden slecht, vaak slechter dan de basismodellen, wat wijst op cumulatieve fouten en niet-overeenkomende decodeverwachtingen.
Meertalige modellen die zonder fine-tuning werden gebruikt, presteerden suboptimaal voor paren met weinig data.

2. Modelselectie

Pre-training op verwante talen of het doelpaar is cruciaal.

Het Helsinki-model (vooraf getraind op Koptische en Franse Bijbelteksten) behaalde de beste algehele prestatie (BERTScore 0,850, COMET 0,731). Het succes wordt toegeschreven aan het hebben van zowel de bron- als doeltaal in het vooraf trainingscorpus en de domein-uitlijning (Bijbelteksten).
Het Hiero-model (getraind op Hiëroglyfen, een verwante taal) presteerde als het op één na beste model, wat aantoont dat kennis effectief overdraagt tussen verwante oude talen.
Modellen die geen blootstelling hadden aan Koptisch of verwante talen (T5) presteerden het slechtst.

3. Datasetdiversiteit

Stilistische diversiteit verbetert generalisatie.

Modellen getraind op een enkele Franse vertaling presteerden het best wanneer getest op die zelfde vertaling (hoge lexicaal match).
Echter, modellen getraind op alle drie de vertalingen behaalden consistent de hoogste BLEURT- en COMET-scores over alle testsets. Dit geeft aan dat blootstelling aan meerdere geldige vertalingen het model in staat stelt betere semantische representaties te leren en over het algemeen vertalingen van hogere kwaliteit te genereren, zelfs als de woordkeuze licht afwijkt van een specifieke referentie.

4. Robuustheid tegen Ruis

Gecontroleerde ruisinjectie versterkt veerkracht.

Modellen getraind op schone data (0% ruis) presteerden het best op schone testdata, maar leden aan ernstige prestatiedalingen (tot 53% op BLEURT voor Hiero) wanneer getest op ruizige data.
Modellen getraind met 50% ruis behaalden de beste afweging. Ze behielden hoge prestaties op schone data terwijl ze aanzienlijk minder degradatie vertoonden op ruizige invoer (gemiddeld minder dan 15% daling).
Dit suggereert dat voor vertaling van oude talen, training met gesimuleerde corruptie een noodzakelijke strategie is om te omgaan met de reële degradatie van historische manuscripten.

Betekenis en Bijdragen

Het artikel claimt de eerste systematische studie te presenteren van strategieën voor het vertalen van Koptisch naar Frans. De primaire bijdragen zijn:

Empirische Validatie: Het toont aan dat taalspecifieke fine-tuning superieur is aan pivot-gebaseerde of zero-shot benaderingen voor vertaling van oude talen.
Transfer Learning: Het bevestigt dat modellen die vooraf zijn getraind op verwante oude talen (Hiëroglyfen) of het specifieke taalpaar (Koptisch-Frans) de beste resultaten opleveren.
Datastrategie: Het stelt vast dat training op stilistisch diverse corpora (meerdere Bijbelvertalingen) de semantische robuustheid en de algehele vertaalkwaliteit verbetert.
Ruisrobuustheid: Het biedt een praktische richtlijn voor NMT van oude talen met weinig data: het injecteren van ongeveer 50% ruis tijdens training creëert modellen die veerkrachtig zijn tegen de corruptie die inherent is aan historische manuscripten, zonder te veel prestatie op schone tekst op te offeren.

De auteurs concluderen dat deze bevindingen praktische richtlijnen bieden voor het ontwikkelen van NMT-tools voor andere paren met weinig data of oude talen, verder reikend dan het specifieke geval Koptisch-Frans. De resulterende modellen en code zijn publiek beschikbaar gesteld.