تمهيد
أدى الانتشار المتزايد للغتين العربية والأوردية على منصات التواصل الاجتماعي، ولا سيما منصة تويتر، إلى حاجة متنامية لمنظومات متينة للتعرف على الكيانات المسماة قادرة على التعامل مع المحتوى الصاخب وغير الرسمي والممزوج اللغات، إذ يعتمد على استخراج أسماء الأشخاص والمنظمات والأماكن من النصوص تطبيقات كثيرة في التحليل والبحث والرصد
غير أن اللغتين معًا ما تزالان ممثلتين تمثيلًا ناقصًا بدرجة لافتة في بحوث التعرف على الكيانات المسماة، ولا سيما في سياقات التواصل الاجتماعي، وهو نقص يتفاقم بفعل الخصائص الصرفية والنحوية المعقدة للعربية والأوردية وصعوبة النصوص العامية المختصرة، فجاءت هذه الدراسة لسد هذه الفجوة بمساهمات متكاملة منهجيًا وتطبيقيًا
وتتعقد مهمة التعرف في تغريدات العربية والأوردية بفعل كتابة كثير من المستخدمين بلهجات عامية أو بصيغ غير معيارية، وبفعل الاختصارات والرموز والأخطاء الإملائية الشائعة في الكتابة الاجتماعية، حتى يصعب على الأنظمة المدربة على نصوص رسمية محررة أن تلتقط الكيانات بدقة مقبولة، فتتراجع جدواها في التطبيقات الواقعية التي تستهدف هذا المحتوى تحديدًا
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى بناء منظومة للتعرف على الكيانات المسماة في تغريدات العربية والأوردية تصلح للغات محدودة الموارد والنصوص الممزوجة اللغات، عبر دمج توحيد يدوي للكيانات ونهجين لغويين مبتكرين ونموذج تعلم نقل مخصص
وتضمنت المساهمات خطوة توحيد يدوي للكيانات رفعت اتساق وسم الكيانات ودقته، إذ كانت الكيانات كأسماء الأشخاص والمنظمات تُجزأ في مجموعات البيانات الأصلية إلى مقاطع متعددة منفصلة كالاسم الأول واسم العائلة، فراجعها الباحثون يدويًا ودمجوها في كيانات موحدة بما يحسن الاتساق في التدريب والتقييم معًا، واختارت الدراسة مجموعتي بيانات متاحتين علنًا عبر منصة غيت هب إحداهما بالعربية والأخرى بالأوردية، وطبقت استراتيجيتين لمواجهة تحديات قلة الموارد، هما النهج المشترك متعدد اللغات بدمج المجموعتين في مدونة موحدة متعددة اللغات، والنهج القائم على الترجمة بتوليد مجموعات بيانات عابرة للغات عبر الترجمة الآلية بما يعزز التنوع اللغوي وقابلية تعميم النموذج، وقدمت إطارًا شاملًا وقابلًا لإعادة الإنتاج موصوفًا بشيفرة وصفية يدمج الترجمة والتنقيح اليدوي ودمج البيانات والمعالجة المسبقة والضبط الدقيق للنموذج متعدد اللغات، وطورت نموذج إكس إل إم روبرتا مخصصًا مدمجًا بآلية انتباه مبتكرة ومحسَّنًا للتعقيدات الصرفية والنحوية في اللغتين
ثانيًا: أبرز النتائج
حقق النموذج المقترح دقة بلغت 0.98 عبر مجموعات البيانات العربية والأوردية ومتعددة اللغات، وهو أداء مرتفع يعكس نجاح الجمع بين التوحيد اليدوي للكيانات والاستراتيجيتين اللغويتين والضبط الدقيق للنموذج متعدد اللغات في بيئة نصوص اجتماعية صاخبة وممزوجة
وفي المقارنة مع الأساليب المرجعية أظهر النموذج تحسنًا تراوح بين 7 و8 في المئة فوق الأساليب التقليدية المرجعية المتمثلة في الغابات العشوائية، وتحسنًا بلغ 2.08 في المئة فوق نموذج تعلم عميق من نوع شبكات الذاكرة طويلة وقصيرة المدى ثنائية الاتجاه التي سجلت 0.96، بما يبرز فاعلية المقاربة العابرة للغات والموفرة للموارد التي تبنتها الدراسة
ثالثًا: دلالات الدراسة وتطبيقاتها
تدل النتائج على أن القيود المفروضة بقلة الموارد في لغات كالعربية والأوردية يمكن تخفيفها بدمج بيانات اللغتين وتوليد بيانات عابرة للغات بالترجمة، مع عناية بشرية بجودة الوسم، وهو درس منهجي يصلح لمهام معالجة لغوية أخرى في لغات محدودة الموارد تعاني المشكلة نفسها، فلا يكون الحل دائمًا في نماذج أكبر بل في هندسة بيانات أذكى
وعلى المستوى التطبيقي تفتح المنظومة الباب أمام أدوات أدق لتحليل محتوى التواصل الاجتماعي بالعربية والأوردية، من رصد القضايا إلى استخراج الفاعلين والمنظمات المؤثرة، كما يوفر إطارها القابل لإعادة الإنتاج أساسًا يمكن للباحثين البناء عليه وتوسيعه إلى لغات ومهام قريبة
كما أن خطوة التوحيد اليدوي تقدم درسًا في أولويات الجهد البحثي، فجزء معتبر من مكاسب الأداء لم يأت من تغيير البنية العصبية بل من إصلاح وسوم البيانات الأصلية المجزأة، ما يعني أن الاستثمار في تنقية البيانات وتوحيد معايير وسمها قد يسبق في عائده أي تعقيد إضافي يلحق بالنموذج ذاته
وخلاصة القول إن الدراسة عالجت ضعف تمثيل العربية والأوردية في بحوث التعرف على الكيانات المسماة بإطار متكامل يجمع التوحيد اليدوي والدمج متعدد اللغات والترجمة ونموذج إكس إل إم روبرتا محسَّنًا بآلية انتباه مبتكرة، فحقق دقة 0.98 وتفوق على الأساليب التقليدية والعميقة المقارنة في نصوص التواصل الاجتماعي الممزوجة اللغات
