زبان پدیده‌ای پویا و همواره در حال تحول است. یکی از جذاب‌ترین و در عین حال پیچیده‌ترین جنبه‌های این تحول، تغییر معنایی واژگان در طول زمان است. درک چگونگی ظهور، تحول یا افول معانی مختلف یک واژه، چالشی بنیادین در حوزه‌های زبان‌شناسی تاریخی، پردازش زبان طبیعی (NLP) و علوم شناختی به شمار می‌رود. تا پیش از این، مطالعه‌ی این پدیده عمدتاً به تحلیل‌های کیفی و مطالعات موردی در مقیاس کوچک محدود بود. نبود داده‌های تجربی، استاندارد و در مقیاس بزرگ، همواره یکی از موانع اصلی بر سر راه توسعه و ارزیابی مدل‌های محاسباتی برای ردیابی تغییرات معنایی بوده است.

مقاله “DWUG: A large Resource of Diachronic Word Usage Graphs in Four Languages” پاسخی مستقیم و قدرتمند به این نیاز ارائه می‌دهد. این مقاله، فرآیند ساخت و جزئیات بزرگ‌ترین مجموعه داده‌ی موجود برای تحلیل درزمانی (diachronic) معنای واژه را تشریح می‌کند. اهمیت این اثر در ایجاد یک منبع داده‌ی غنی، چندزبانه (انگلیسی، آلمانی، سوئدی و لاتین) و مبتنی بر قضاوت انسانی است که به عنوان یک معیار طلایی (gold standard) برای ارزیابی الگوریتم‌های آتی در این حوزه عمل خواهد کرد. این مجموعه داده که بر پایه‌ی ۱۰۰,۰۰۰ قضاوت انسانی درباره‌ی نزدیکی معنایی کاربردهای مختلف واژگان بنا شده، راه را برای تحقیقات کمی، دقیق و تکرارپذیر در زمینه‌ی تکامل معنا هموار می‌سازد.

این مقاله حاصل همکاری تیمی برجسته از پژوهشگران پیشرو در حوزه زبان‌شناسی محاسباتی و معناشناسی واژگانی درزمانی است: دومینیک اشلخت‌وگ (Dominik Schlechtweg)، نینا طهماسبی (Nina Tahmasebi)، سایمون هنگشن (Simon Hengchen)، هایم دوبوسارسکی (Haim Dubossarsky) و باربارا مک‌گیلیوری (Barbara McGillivray). این محققان که از دانشگاه‌ها و مراکز تحقیقاتی معتبر اروپایی هستند، سوابق درخشانی در زمینه‌ی مدل‌سازی تغییرات زبانی با استفاده از روش‌های محاسباتی دارند.

این پژوهش در بستر یک حوزه‌ی میان‌رشته‌ای رو به رشد به نام معناشناسی واژگانی محاسباتی درزمانی (Computational Diachronic Lexical Semantics) قرار می‌گیرد. با ظهور پیکره‌های متنی دیجیتال عظیم و مدل‌های زبانی پیشرفته مانند بازنمایی‌های برداری واژگان (word embeddings)، علاقه‌مندی به مدل‌سازی خودکار تغییرات معنایی افزایش یافته است. با این حال، ارزیابی این مدل‌ها همواره یک چالش بزرگ بوده است. مقاله DWUG دقیقاً این خلأ را هدف قرار داده و با ارائه‌ی یک منبع داده‌ی قابل اتکا، زیرساختی حیاتی برای پیشرفت این حوزه فراهم می‌کند.

نویسندگان در این مقاله، چالش ذاتی درک و مدل‌سازی معنای واژه، چه به صورت هم‌زمان (synchronic) و چه در طول تاریخ (diachronic) را مطرح می‌کنند. آن‌ها سپس به معرفی مجموعه داده‌ی DWUG (Diachronic Word Usage Graphs) می‌پردازند که بزرگ‌ترین منبع موجود برای حاشیه‌نویسی (annotation) معنای واژه به صورت درجه‌بندی‌شده، بافت‌مند و درزمانی در چهار زبان مختلف است.

محور اصلی این مجموعه داده، ساختاری به نام گراف کاربرد واژه است. در این گراف، هر گره (node) نمایانگر یک نمونه‌ی استفاده از واژه در یک جمله‌ی خاص است و یال‌های (edges) بین گره‌ها، میزان نزدیکی معنایی آن دو کاربرد را نشان می‌دهند. این داده‌ها از طریق یک فرآیند حاشیه‌نویسی دقیق و چندمرحله‌ای توسط انسان‌ها و با جمع‌آوری بیش از ۱۰۰,۰۰۰ قضاوت معنایی به دست آمده است. مقاله به تفصیل به شرح این فرآیند، انتخاب الگوریتم خوشه‌بندی برای گروه‌بندی کاربردها به معانی مجزا و کاربردهای بالقوه‌ی این مجموعه داده برای تحلیل‌های درزمانی و هم‌زمانی می‌پردازد.

فرآیند ساخت مجموعه داده DWUG بر پایه‌ی یک روش‌شناسی نوآورانه و دقیق استوار است که در ادامه به مراحل اصلی آن پرداخته می‌شود:

• انتخاب واژگان و پیکره‌ها: محققان ابتدا مجموعه‌ای از واژگان را در چهار زبان (انگلیسی، آلمانی، سوئدی و لاتین) انتخاب کردند که بر اساس مطالعات زبان‌شناسی پیشین، مستعد تغییر معنایی بوده‌اند. سپس، نمونه‌های کاربرد این واژگان از پیکره‌های متنی تاریخی بزرگ، که دوره‌های زمانی مختلفی را پوشش می‌دادند، استخراج شد.
• حاشیه‌نویسی افزایشی چندمرحله‌ای: به جای درخواست از حاشیه‌نویسان برای مقایسه‌ی تمام جفت‌های ممکن از کاربردها (که از نظر محاسباتی بسیار پرهزینه است)، تیم تحقیق از یک رویکرد هوشمندانه به نام حاشیه‌نویسی افزایشی (incremental annotation) استفاده کرد. در این روش، الگوریتم به صورت فعال جفت‌هایی را برای قضاوت به انسان‌ها پیشنهاد می‌دهد که بیشترین اطلاعات را به ساختار گراف اضافه می‌کنند. این امر کارایی فرآیند را به شدت افزایش داد.
• قضاوت نزدیکی معنایی: از حاشیه‌نویسان انسانی خواسته شد تا میزان نزدیکی معنایی یک واژه در دو جمله‌ی مختلف را بر روی یک مقیاس درجه‌بندی‌شده (مثلاً از ۱ تا ۴) ارزیابی کنند. برای مثال، برای واژه‌ی فارسی «شیرین»، کاربرد آن در “طعم این میوه شیرین است” و “او لبخند شیرینی زد” نزدیکی معنایی کمتری نسبت به کاربردش در “کیک شیرینی پختم” و “این شکلات خیلی شیرین است” دارد. این قضاوت‌های درجه‌بندی‌شده، ظرافت‌های معنایی را بهتر از یک پاسخ دوتایی (مرتبط/نامرتبط) ثبت می‌کنند.
• ساخت گراف کاربرد: با استفاده از ۱۰۰,۰۰۰ قضاوت جمع‌آوری‌شده، برای هر واژه یک گراف وزنی ساخته شد. در این گراف، هر کاربرد واژه یک گره است و وزن یال بین دو گره، میانگین نمره‌ی نزدیکی معنایی است که توسط حاشیه‌نویسان به آن دو کاربرد اختصاص داده شده است.
• خوشه‌بندی برای شناسایی معانی: در نهایت، از یک الگوریتم خوشه‌بندی (clustering algorithm) بر روی این گراف‌ها استفاده شد تا کاربردهایی که به لحاظ معنایی به یکدیگر نزدیک هستند، در گروه‌هایی مجزا قرار گیرند. هر یک از این خوشه‌ها نماینده‌ی یک «معنا» (sense) از واژه در دوره‌ی زمانی مشخصی است.

مهم‌ترین یافته‌ی این تحقیق، خودِ مجموعه داده‌ی DWUG است. با این حال، تحلیل فرآیند ساخت و ساختار داده‌ها نیز به نتایج مهمی منجر شده است:

• تأیید پیوستاری بودن معنا: داده‌های درجه‌بندی‌شده نشان می‌دهند که مرز بین معانی مختلف یک واژه اغلب مبهم و نامشخص است. معانی به جای آنکه کاملاً مجزا باشند، بر روی یک پیوستار قرار دارند و با یکدیگر همپوشانی دارند. این یافته، مدل‌های معنایی گسسته را به چالش می‌کشد.
• کارایی روش حاشیه‌نویسی: مقاله به صورت تجربی نشان می‌دهد که روش حاشیه‌نویسی افزایشی و فعال، به طور قابل توجهی کارآمدتر از روش‌های سنتی است و با تعداد قضاوت‌های بسیار کمتر، به گراف‌های باکیفیتی دست می‌یابد.
• کیفیت و پایایی بالا: نتایج حاکی از توافق بالای بین ارزیابان (high inter-annotator agreement) است. این موضوع نشان می‌دهد که قضاوت‌های انسانی جمع‌آوری‌شده قابل اتکا بوده و مجموعه داده از کیفیت بالایی برخوردار است.
• پتانسیل تحلیل‌های بین‌زبانی: ساختار موازی داده‌ها در چهار زبان مختلف، فرصت‌های بی‌نظیری را برای مطالعه‌ی الگوهای عمومی تغییر معنایی در میان خانواده‌های زبانی متفاوت فراهم می‌آورد.

مجموعه داده‌ی DWUG به عنوان یک دستاورد زیرساختی، تأثیر گسترده‌ای بر حوزه‌های مختلف خواهد داشت:

• معیاری برای ارزیابی مدل‌های محاسباتی: اصلی‌ترین کاربرد DWUG، فراهم کردن یک معیار طلایی برای ارزیابی و مقایسه‌ی مدل‌های محاسباتی است که برای تشخیص تغییر معنایی (Semantic Change Detection) طراحی شده‌اند. اکنون محققان می‌توانند عملکرد الگوریتم‌های خود را با این داده‌های انسانی دقیق بسنجند.
• تحلیل‌های زبان‌شناسی تاریخی: زبان‌شناسان می‌توانند از این داده‌ها برای مطالعه‌ی کمی و عینی فرآیندهای تغییر معنایی مانند استعاره (metaphor)، تعمیم (generalization) یا تخصیص (specialization) معنا استفاده کنند و نظریه‌های موجود را به صورت داده‌محور بیازمایند.
• ابهام‌زدایی معنای واژه (WSD): اگرچه تمرکز اصلی DWUG بر تحلیل درزمانی است، اما این منبع غنی از کاربردهای حاشیه‌نویسی‌شده، یک مجموعه داده‌ی ارزشمند برای وظایف هم‌زمانی مانند ابهام‌زدایی معنای واژه (Word Sense Disambiguation) نیز محسوب می‌شود.
• بهبود فرهنگ‌نویسی (Lexicography): این داده‌ها می‌توانند به فرهنگ‌نویسان در تدوین فرهنگ‌های لغت تاریخی کمک کنند. با تحلیل گراف‌ها، می‌توان مسیر تکامل یک معنا، زمان ظهور معانی جدید و نحوه‌ی انشعاب آن‌ها از معانی قدیمی را ردیابی کرد.
• توسعه‌ی مدل‌های زبانی جدید: این مجموعه داده می‌تواند الهام‌بخش طراحی نسل جدیدی از مدل‌های پردازش زبان طبیعی باشد که قادرند ظرافت‌ها و پویایی‌های معنای واژه را به شکل بهتری درک و مدل‌سازی کنند.

مقاله “DWUG: A large Resource of Diachronic Word Usage Graphs in Four Languages” یک گام بزرگ رو به جلو در مطالعه‌ی علمی و محاسباتی تکامل زبان است. نویسندگان با ایجاد بزرگ‌ترین و دقیق‌ترین منبع داده‌ی موجود برای تحلیل تغییرات معنایی، یک خلأ اساسی در این حوزه را پر کرده‌اند. این مجموعه داده، که بر پایه‌ی یک روش‌شناسی دقیق و حجم عظیمی از قضاوت‌های انسانی بنا شده است، نه تنها به عنوان یک ابزار ارزیابی حیاتی عمل می‌کند، بلکه درهای جدیدی را به روی تحقیقات بنیادین در زبان‌شناسی، علوم کامپیوتر و علوم شناختی می‌گشاید.

با ارائه‌ی DWUG، این حوزه از مطالعات موردی و کیفی به سمت تحلیل‌های کمی، مقیاس‌پذیر و تکرارپذیر حرکت می‌کند. این منبع، زیربنای لازم برای ساخت مدل‌های هوشمندتری را فراهم می‌آورد که قادرند پیچیدگی و پویایی معنا، یکی از بنیادی‌ترین ویژگی‌های زبان انسان، را درک کنند.