در دنیای امروز، ترجمه ماشینی به ابزاری حیاتی برای ارتباطات جهانی تبدیل شده است. توسعه سیستم‌های ترجمه ماشینی به ویژه برای زبان‌هایی که منابع زبانی محدودی دارند، چالش‌های خاصی را به همراه دارد. مقاله حاضر با عنوان “تدوین پیکره زبانی برای سیستم ترجمه ماشینی عصبی سبوانو-فیلیپینی” به بررسی تلاش‌های انجام شده برای ایجاد یک پیکره زبانی موازی برای زبان‌های سبوانو و فیلیپینی می‌پردازد. این تحقیق با ارائه راهکارهایی برای جمع‌آوری، استخراج و هم‌ترازسازی متون، گامی مهم در جهت توسعه سیستم‌های ترجمه ماشینی برای زبان‌های کم‌برخوردار به شمار می‌رود. اهمیت این پژوهش در فراهم کردن زیرساخت‌های لازم برای ارتباطات بین‌فرهنگی و تسهیل دسترسی به اطلاعات برای جوامع گویشور این زبان‌ها نهفته است.

این مقاله توسط کریستین مِی آدلاون و نلسون مارکوس به رشته تحریر درآمده است. زمینه تخصصی این محققان در حوزه محاسبات و زبان است که نشان‌دهنده تمرکز آن‌ها بر استفاده از روش‌های محاسباتی برای حل مسائل مربوط به زبان‌شناسی و پردازش زبان‌های طبیعی است. تخصص آن‌ها در این حوزه، به آن‌ها امکان داده است تا با رویکردی علمی و دقیق، به بررسی چالش‌های موجود در توسعه سیستم‌های ترجمه ماشینی برای زبان‌های کم‌برخوردار بپردازند.

چکیده این مقاله بر اهمیت پیکره زبانی موازی به عنوان یک منبع حیاتی در ترجمه مبتنی بر یادگیری ماشین تاکید دارد. نویسندگان به دشواری‌های جمع‌آوری، استخراج و هم‌ترازسازی متون برای ایجاد یک پیکره زبانی مناسب، به ویژه برای زبان‌های کم‌برخوردار، اشاره می‌کنند. در این مقاله، تلاش‌های انجام شده برای ایجاد یک پیکره زبانی موازی برای زبان‌های سبوانو و فیلیپینی از دو دامنه مختلف: متون مذهبی (انجیل) و وب (ویکی‌پدیا) تشریح شده است.

برای منبع متون مذهبی، از روش ترجمه واحد فرعی کلمه برای افعال و روش کپی‌کردن برای اسامی به منظور تصحیح ناسازگاری‌ها در ترجمه استفاده شده است. این مکانیزم تصحیح به عنوان یک تکنیک پیش‌پردازش اعمال شده است. از سوی دیگر، برای ویکی‌پدیا به عنوان منبع اصلی وب، قطعات موضوعی پرکاربرد از هر دو زبان مبدا و مقصد استخراج شده‌اند. این قطعات موضوعی مشاهده شده، در 4 دسته مختلف منحصر به فرد هستند. شناسایی این قطعات موضوعی می‌تواند برای استخراج خودکار جملات مورد استفاده قرار گیرد.

یک شبکه عصبی بازگشتی (Recurrent Neural Network) برای پیاده‌سازی ترجمه با استفاده از ابزار مدل‌سازی توالی OpenNMT در TensorFlow استفاده شده است. دو پیکره زبانی مختلف سپس با استفاده از آن‌ها به عنوان دو ورودی جداگانه در شبکه عصبی ارزیابی شده‌اند. نتایج نشان داده‌اند که تفاوت‌هایی در نمرات BLEU (Bilingual Evaluation Understudy) در هر دو پیکره زبانی وجود دارد. به طور خلاصه، این مقاله به بررسی روش‌ها و نتایج ایجاد یک پیکره زبانی موازی برای ترجمه ماشینی عصبی بین زبان‌های سبوانو و فیلیپینی می‌پردازد و بر اهمیت پیش‌پردازش داده‌ها و انتخاب منابع مناسب برای بهبود کیفیت ترجمه تاکید می‌کند.

روش‌شناسی این تحقیق شامل چند مرحله کلیدی است:

• جمع‌آوری داده‌ها: داده‌ها از دو منبع اصلی جمع‌آوری شده‌اند:
  • متون مذهبی (انجیل): این منبع به دلیل وجود ترجمه‌های موازی موجود، برای ایجاد پیکره زبانی مناسب است.
  • وب (ویکی‌پدیا): ویکی‌پدیا به عنوان یک منبع گسترده از اطلاعات چند زبانه، برای استخراج جملات و قطعات موضوعی مفید است.
• پیش‌پردازش داده‌ها: به منظور بهبود کیفیت داده‌ها و کاهش ناسازگاری‌ها، از تکنیک‌های پیش‌پردازش زیر استفاده شده است:
  • ترجمه واحد فرعی کلمه برای افعال: این روش به منظور تصحیح ناسازگاری‌های ترجمه افعال در متون مذهبی استفاده شده است. به عنوان مثال، اگر یک فعل در زبان سبوانو به صورت متفاوتی در زبان فیلیپینی ترجمه شده باشد، این روش به همسان‌سازی ترجمه‌ها کمک می‌کند.
  • کپی‌کردن برای اسامی: این روش برای اسامی استفاده شده است تا اطمینان حاصل شود که اسامی در هر دو زبان به یک شکل نمایش داده می‌شوند.
• استخراج قطعات موضوعی: از ویکی‌پدیا، قطعات موضوعی پرکاربرد از هر دو زبان مبدا و مقصد استخراج شده‌اند. این قطعات موضوعی به شناسایی جملات مرتبط و ایجاد پیکره زبانی کمک می‌کنند.
• آموزش مدل ترجمه ماشینی عصبی: از یک شبکه عصبی بازگشتی (RNN) با استفاده از ابزار مدل‌سازی توالی OpenNMT در TensorFlow برای آموزش مدل ترجمه ماشینی استفاده شده است.
• ارزیابی مدل: مدل ترجمه ماشینی با استفاده از معیار BLEU (Bilingual Evaluation Understudy) ارزیابی شده است. نمرات BLEU نشان‌دهنده کیفیت ترجمه مدل هستند.

به عنوان مثال، فرض کنید یک جمله در زبان سبوانو این باشد: “Ang Dios naghigugma sa kalibutan.” و ترجمه آن به زبان فیلیپینی این باشد: “Mahal ng Diyos ang mundo.” در فرآیند استخراج قطعات موضوعی، عبارت “Dios” (خدا) و “kalibutan” (دنیا) به عنوان قطعات موضوعی مهم شناسایی می‌شوند و در ایجاد پیکره زبانی به کار می‌روند.

یافته‌های کلیدی این تحقیق عبارتند از:

• تأثیر پیش‌پردازش داده‌ها: تکنیک‌های پیش‌پردازش داده‌ها، مانند ترجمه واحد فرعی کلمه برای افعال و کپی‌کردن برای اسامی، به بهبود کیفیت پیکره زبانی و در نتیجه، بهبود کیفیت ترجمه کمک کرده‌اند.
• تأثیر منبع داده‌ها: استفاده از منابع داده‌های مختلف (متون مذهبی و ویکی‌پدیا) منجر به تفاوت‌هایی در نمرات BLEU شده است. این نشان می‌دهد که انتخاب منبع داده‌ها تأثیر قابل توجهی بر عملکرد مدل ترجمه ماشینی دارد.
• کارایی شبکه عصبی بازگشتی (RNN): استفاده از شبکه عصبی بازگشتی با ابزار OpenNMT در TensorFlow، نشان داد که این ابزارها می‌توانند برای توسعه سیستم‌های ترجمه ماشینی برای زبان‌های کم‌برخوردار کارآمد باشند.
• اهمیت استخراج قطعات موضوعی: استخراج قطعات موضوعی از ویکی‌پدیا به شناسایی جملات مرتبط و ایجاد یک پیکره زبانی دقیق‌تر کمک کرده است.

به طور خاص، نمرات BLEU برای مدل آموزش داده شده با پیکره زبانی ایجاد شده از متون مذهبی و ویکی‌پدیا، متفاوت بود. این نشان می‌دهد که نوع داده‌ها و روش‌های پیش‌پردازش مورد استفاده، تاثیر مستقیمی بر کیفیت ترجمه دارند.

این تحقیق دارای کاربردها و دستاوردهای مهمی است، از جمله:

• توسعه سیستم‌های ترجمه ماشینی برای زبان‌های کم‌برخوردار: این تحقیق با ارائه راهکارهایی برای ایجاد پیکره زبانی موازی، به توسعه سیستم‌های ترجمه ماشینی برای زبان‌های سبوانو و فیلیپینی کمک می‌کند.
• تسهیل ارتباطات بین‌فرهنگی: با توسعه سیستم‌های ترجمه ماشینی، ارتباطات بین‌فرهنگی بین جوامع گویشور این زبان‌ها تسهیل می‌شود.
• دسترسی آسان‌تر به اطلاعات: توسعه سیستم‌های ترجمه ماشینی، امکان دسترسی آسان‌تر به اطلاعات به زبان‌های سبوانو و فیلیپینی را فراهم می‌کند.
• ارائه چارچوبی برای تحقیقات آینده: این تحقیق می‌تواند به عنوان چارچوبی برای تحقیقات آینده در زمینه توسعه سیستم‌های ترجمه ماشینی برای زبان‌های کم‌برخوردار مورد استفاده قرار گیرد.

برای مثال، با استفاده از این سیستم ترجمه ماشینی، می‌توان اخبار و مقالات علمی را به زبان سبوانو ترجمه کرد و امکان دسترسی به این اطلاعات را برای جامعه گویشور این زبان فراهم کرد. همچنین، این سیستم می‌تواند در صنعت گردشگری برای ترجمه متون مربوط به راهنمای گردشگری و اطلاعات مربوط به جاذبه‌های توریستی مورد استفاده قرار گیرد.

در مجموع، مقاله “تدوین پیکره زبانی برای سیستم ترجمه ماشینی عصبی سبوانو-فیلیپینی” گامی مهم در جهت توسعه سیستم‌های ترجمه ماشینی برای زبان‌های کم‌برخوردار به شمار می‌رود. این تحقیق با ارائه روش‌های نوین برای جمع‌آوری، استخراج و هم‌ترازسازی متون، به بهبود کیفیت پیکره زبانی و در نتیجه، بهبود کیفیت ترجمه کمک کرده است. یافته‌های این تحقیق می‌تواند در توسعه سیستم‌های ترجمه ماشینی برای سایر زبان‌های کم‌برخوردار نیز مورد استفاده قرار گیرد. این تحقیق نشان می‌دهد که با استفاده از رویکردهای خلاقانه و بهره‌گیری از منابع مختلف، می‌توان چالش‌های موجود در توسعه سیستم‌های ترجمه ماشینی برای زبان‌های کم‌برخوردار را преодолеть و به تسهیل ارتباطات بین‌فرهنگی و دسترسی به اطلاعات برای جوامع گویشور این زبان‌ها کمک کرد.