تعد اللغة الفارسية من اللغات الغنية صرفيًا بتراكيبها المعقدة، غير أنها تعاني شحًا ملحوظًا في الموارد اللغوية المتاحة للبحث والحوسبة، رغم أن عدد الناطقين بها يقدر بنحو 110 ملايين نسمة يتوزعون على إيران وطاجيكستان وأوزبكستان والعراق وروسيا وأذربيجان وأفغانستان، ومع هذا الانتشار الواسع ما تزال الدراسات المتعلقة باسترجاع الوثائق بالفارسية نادرة بصورة لافتة، ويعزى ذلك أساسًا إلى غياب مجموعات الاختبار المعيارية التي تقوم عليها بحوث استرجاع المعلومات، فتتجه هذه الدراسة إلى سد هذه الفجوة بفحص توافر مجموعات البيانات الفارسية وبنيتها، ومناقشة آفاق معالجتها بتقنيات التعلم العميق الحديثة والفوائد التي يمكن أن تعود بها على لغة قلما تحظى بالتغطية البحثية الكافية
أولًا: أهداف الدراسة ومنهجيتها
سعت الدراسة إلى رسم صورة شاملة لواقع بحوث استرجاع المعلومات باللغة الفارسية، من حيث توافر مدونات البيانات اللازمة وبنيتها، وإلى تحفيز إطار قائم على التعلم لمعالجة النصوص الفارسية والتعرف عليها، ولتحقيق ذلك فحص الباحثون مجموعات البيانات الفارسية المتاحة ووقفوا على خصائصها وطرائق تنظيمها، وحللوا متطلبات بناء مجموعات اختبار معيارية تصلح أساسًا لتقييم أنظمة الاسترجاع، كما ناقشوا أحدث مناهج التعلم العميق وبخاصة الشبكات العصبية العميقة ومدى ملاءمتها لمعالجة الخصائص الصرفية المعقدة للفارسية، وبحثوا التحديات التي تعترض تحقيق نظام فعال لاسترجاع الوثائق الفارسية في ضوء ندرة الموارد، مع إبراز الفوائد الممكنة لمثل هذا النظام في خدمة الناطقين بالفارسية وتطبيقات معالجة لغتهم
وانطلقت الدراسة في تحليلها من حقيقة أن مدونات البيانات هي الأساس الذي تقوم عليه تطبيقات معالجة اللغة الطبيعية كلها، فلا نظام استرجاع فعال دون مجموعة اختبار معيارية يقاس عليها الأداء وتقارن بها الخوارزميات المتنافسة، ولذلك أولت الدراسة عناية خاصة لوصف ما هو متاح من بيانات فارسية وما يعتريه من قصور في الحجم والتنوع والتوسيم، وربطت بين هذا الواقع وبين الخصائص الصرفية للفارسية التي تضاعف صعوبة المعالجة الآلية، إذ تتكاثر صيغ الكلمة الواحدة وتتعدد أشكال كتابتها بما يثقل مهام الفهرسة والمطابقة والاسترجاع
ثانيًا: أبرز النتائج
خلصت الدراسة إلى أن غياب مجموعات الاختبار المعيارية هو العقبة المركزية التي تعيق تقدم بحوث استرجاع المعلومات بالفارسية، إذ يستحيل دونها قياس أداء الأنظمة ومقارنتها قياسًا منضبطًا، وأن مجموعات البيانات المتاحة حاليًا محدودة العدد والتنوع ولا ترقى إلى تغطية الظواهر اللغوية الفارسية بثرائها الصرفي، كما بينت المناقشة أن مناهج التعلم العميق الحديثة تنطوي على إمكانات واعدة لمعالجة النصوص الفارسية والتعرف عليها متى توافرت لها بيانات تدريب كافية وممثلة، غير أن تحقيق هذه الإمكانات يظل مشروطًا بتجاوز تحديات جوهرية تتصل بجمع البيانات وتوسيمها وضمان جودتها، وأن الاستثمار في بناء موارد لغوية فارسية معيارية سيعود بفوائد واسعة على تطبيقات معالجة اللغة الطبيعية في لغة يتكلمها أكثر من مئة مليون إنسان ولا تحظى إلا بقدر يسير من الاهتمام البحثي العالمي
ثالثًا: دلالات الدراسة وتطبيقاتها
وتتجه دلالات هذه الدراسة إلى الباحثين في معالجة اللغات الطبيعية ومؤسسات البحث اللغوي، إذ تدعو إلى إعطاء الأولوية لبناء مدونات فارسية معيارية موثقة تصلح أساسًا مشتركًا للتقييم والمقارنة، وإلى تطوير أطر تعلم تراعي الخصوصية الصرفية للفارسية بدل استيراد حلول مصممة للغات أخرى، كما تفتح الباب أمام تطبيقات عملية في محركات البحث والمكتبات الرقمية وأنظمة إدارة الوثائق الناطقة بالفارسية، بما يخدم الناطقين بها في بلدان متعددة ويقلص الفجوة الرقمية بين اللغات واسعة الموارد واللغات محدودة الموارد، ويمهد لانخراط أوسع للفارسية في منظومة الذكاء الاصطناعي اللغوي المعاصرة
وتتصل دلالات الدراسة أيضًا بسياسات دعم اللغات محدودة الموارد في العصر الرقمي، فحين تغيب لغة يتكلمها أكثر من مئة مليون إنسان عن بحوث الاسترجاع تتسع الفجوة المعرفية بين ناطقيها وناطقي اللغات الكبرى، ويغدو بناء الموارد اللغوية الفارسية استثمارًا في العدالة المعرفية بقدر ما هو مشروع تقني، ويمكن أن تستفيد من إطاره لغات أخرى قليلة الموارد تواجه غيابًا مماثلًا لمجموعات الاختبار المعيارية، فتنقل إليها خبرة بناء المدونات وتوسيمها وتوثيقها بصورة منهجية منضبطة
وخلاصة القول إن هذه الدراسة تسلط الضوء على مفارقة لغة يتكلمها نحو 110 ملايين نسمة وتكاد تغيب عن بحوث استرجاع المعلومات، وتؤكد أن بناء مجموعات بيانات معيارية هو الخطوة الأولى التي لا غنى عنها لتطوير أنظمة فارسية فعالة تستثمر قدرات التعلم العميق الحديثة
