در دنیای امروز که هوش مصنوعی و به ویژه حوزه پردازش زبان طبیعی (NLP) به سرعت در حال پیشرفت است، «متن» به عنوان ماده خام اصلی برای آموزش و توسعه مدل‌های زبانی عمل می‌کند. اما آیا تا به حال به این فکر کرده‌ایم که «متن» دقیقا به چه معناست؟ آیا صرفا مجموعه‌ای از کلمات و جملات است یا عناصر دیگری نیز در آن نهفته است که بر معنا و مفهوم تأثیر می‌گذارند؟

مقاله «مفهوم فراگیر متن» (An Inclusive Notion of Text) نوشته ایلیا کوزنتسوف و ایرینا گوریویچ، به طور مستقیم به همین پرسش بنیادی می‌پردازد. این مقاله استدلال می‌کند که در پژوهش‌های NLP، تعریف واحد و شفافی از «متن» وجود ندارد و این ابهام، چالش‌های جدی برای تکرارپذیری (Reproducibility) و تعمیم‌پذیری (Generalizability) مدل‌ها ایجاد کرده است. اهمیت این مقاله در آن است که برای اولین بار یک چارچوب مفهومی و یک طبقه‌بندی مدون ارائه می‌دهد تا پژوهشگران بتوانند به صورت سیستماتیک، ابعاد مختلف داده‌های متنی مورد استفاده خود را توصیف کنند. این کار گامی حیاتی به سوی ایجاد یک علم دقیق‌تر، شفاف‌تر و قابل اعتمادتر در حوزه پردازش زبان طبیعی است.

این مقاله توسط ایلیا کوزنتسوف (Ilia Kuznetsov) و ایرینا گوریویچ (Iryna Gurevych) از آزمایشگاه پردازش زبان دانشگاه فنی دارمشتات (UKP Lab, TU Darmstadt) در آلمان به نگارش درآمده است. این آزمایشگاه یکی از مراکز تحقیقاتی پیشرو در جهان در زمینه NLP محسوب می‌شود و پژوهش‌های تأثیرگذاری در حوزه‌هایی مانند تحلیل استدلال، پردازش معنایی و یادگیری ماشین برای زبان انجام داده است.

نویسندگان این مقاله، با توجه به سابقه تحقیقاتی خود در زمینه‌های پیچیده‌ای مانند تحلیل گفتمان و شناسایی اطلاعات نادرست، به خوبی با محدودیت‌های نگاه سنتی به متن آشنا هستند. آن‌ها دریافته‌اند که برای حل مسائل واقعی دنیای دیجیتال (مانند تحلیل محتوای شبکه‌های اجتماعی یا مقالات علمی)، نمی‌توان صرفا به کلمات اکتفا کرد و باید به عناصر زمینه‌ای و فرامتنی نیز توجه نمود. این مقاله که در دسته «محاسبات و زبان» (Computation and Language) قرار می‌گیرد، نتیجه‌ی این نگاه عمیق و نیاز به ایجاد یک زبان مشترک در جامعه علمی NLP است.

محور اصلی مقاله این است که محققان NLP مدل‌های خود را بر اساس «متن نوشتاری» توسعه می‌دهند، اما تعریف آنچه «متن» تلقی می‌شود، بسته به وظیفه و مجموعه داده، به شدت متغیر است. نویسندگان معتقدند که فقدان یک چارچوب مفهومی برای ثبت این تفاوت‌ها، مانعی جدی بر سر راه پیشرفت علم است. برای رفع این چالش، آن‌ها مجموعه‌ای از اصطلاحات مشترک را برای بحث در مورد فرآیند تولید و تبدیل داده‌های متنی پیشنهاد می‌کنند.

مهم‌ترین دستاورد مقاله، معرفی یک طبقه‌بندی دو سطحی از عناصر زبانی و غیرزبانی است که در منابع متنی وجود دارند و می‌توانند در مدل‌سازی NLP به کار گرفته شوند. این طبقه‌بندی به پژوهشگران کمک می‌کند تا به وضوح مشخص کنند که از کدام لایه‌های اطلاعاتی در کار خود بهره برده‌اند. نویسندگان با استفاده از این چارچوب، پژوهش‌های موجود را که فراتر از دیدگاه سنتی و زبان‌محور به متن نگریسته‌اند، بررسی می‌کنند و در نهایت، چالش‌ها و ویژگی‌های مطلوب یک رویکرد «فراگیر» به متن را ترسیم کرده و گزارش‌دهی استاندارد در سطح جامعه علمی را به عنوان گام بعدی پیشنهاد می‌دهند.

این مقاله یک پژوهش تجربی نیست، بلکه یک مقاله مفهومی و موضعی (Conceptual/Position Paper) است. روش‌شناسی آن بر پایه‌های زیر استوار است:

• تحلیل مفهومی (Conceptual Analysis): نویسندگان با نگاهی انتقادی، مفروضات پنهان و تعریف‌نشده از «متن» را در مقالات و پروژه‌های مختلف NLP شناسایی و تحلیل می‌کنند.
• بررسی جامع ادبیات (Literature Review): آن‌ها طیف وسیعی از تحقیقات پیشین را بررسی می‌کنند تا نشان دهند که چگونه پژوهشگران مختلف، به صورت ضمنی یا صریح، از عناصر غیرمتنی در مدل‌های خود استفاده کرده‌اند، بدون آنکه زبان مشترکی برای توصیف آن داشته باشند.
• ارائه چارچوب طبقه‌بندی (Taxonomy Proposal): بخش مرکزی روش‌شناسی، توسعه یک چارچوب نظری جدید است. این چارچوب که طبقه‌بندی دو سطحی نام دارد، عناصر موجود در یک منبع متنی را به دو دسته اصلی تقسیم می‌کند:
  • سطح اول: عناصر زبانی (Linguistic Elements): این سطح شامل هسته اصلی زبان است که به طور سنتی در NLP استفاده می‌شود؛ مانند کلمات، جملات، ساختار نحوی و روابط معنایی.
  • سطح دوم: عناصر غیرزبانی (Non-Linguistic Elements): این سطح شامل تمام اطلاعات دیگری است که همراه با متن ارائه می‌شود و بر درک آن تأثیر می‌گذارد. این عناصر خود به چند زیرشاخه تقسیم می‌شوند:
    • بصری (Visual): ویژگی‌های ظاهری مانند قالب‌بندی (بولد، ایتالیک)، فونت، رنگ، طرح‌بندی صفحه، تصاویر و جداول.
    • ساختاری (Structural): ساختار کلی سند مانند عناوین، بخش‌ها، پاراگراف‌ها، لیست‌ها و هایپرلینک‌ها.
    • فراداده‌ای (Metadata): اطلاعاتی درباره متن مانند نام نویسنده، تاریخ انتشار، منبع، برچسب‌ها (تگ‌ها) و اطلاعات پروفایل کاربر.
    • تعاملی (Interactional): داده‌های حاصل از تعامل کاربران با متن، مانند لایک‌ها، بازنشرها، نظرات، تاریخچه ویرایش و تعداد بازدیدها.

این مقاله به چندین یافته مهم و تأمل‌برانگیز دست می‌یابد که می‌تواند مسیر آینده پژوهش‌های NLP را تحت تأثیر قرار دهد:

• ناکافی بودن نگاه سنتی: یافته اصلی این است که دیدگاه محافظه‌کارانه و زبان‌محور به متن، برای وظایف مدرن NLP، به ویژه در مواجهه با داده‌های وب، شبکه‌های اجتماعی و اسناد چندوجهی، به هیچ وجه کافی نیست. نادیده گرفتن عناصر غیرزبانی منجر به ساخت مدل‌هایی می‌شود که درک ناقصی از زمینه و نیت واقعی متن دارند.
• استفاده ضمنی و پنهان از عناصر غیرزبانی: بسیاری از محققان در حال حاضر نیز از ویژگی‌های غیرزبانی (مانند فراداده‌ها) در مدل‌های خود استفاده می‌کنند، اما این کار اغلب به صورت موردی و بدون یک چارچوب نظری مشخص انجام می‌شود. این «لایه پنهان» از اطلاعات، مقایسه و تکرار نتایج تحقیقات را دشوار می‌سازد.
• ارائه یک ابزار عملی: طبقه‌بندی دو سطحی پیشنهادی، یک ابزار عملی و قدرتمند در اختیار جامعه علمی قرار می‌دهد. محققان می‌توانند با استفاده از این چارچوب، به طور دقیق و شفاف مستندسازی کنند که مدل آن‌ها از کدام سیگنال‌های اطلاعاتی (زبانی و غیرزبانی) استفاده کرده است.
• چالش‌ها و فرصت‌های جدید: پذیرش این نگاه فراگیر، ضمن گشودن افق‌های جدید تحقیقاتی، چالش‌هایی را نیز به همراه دارد. مسائلی مانند چگونگی بازنمایی (Representation) این اطلاعات متنوع و طراحی معماری‌های مدلی که بتوانند به طور همزمان از سیگنال‌های مختلف بهره ببرند، از جمله این چالش‌ها هستند.

چارچوب پیشنهادی در این مقاله صرفاً یک بحث نظری نیست، بلکه کاربردهای عملی گسترده‌ای دارد که می‌تواند کیفیت و شفافیت پژوهش‌های NLP را به شکل چشمگیری ارتقا دهد:

• بهبود تکرارپذیری: زمانی که یک محقق در مقاله‌اش به وضوح قید کند که «مدل ما علاوه بر متن توییت، از فراداده‌های مربوط به زمان ارسال، تعداد دنبال‌کنندگان کاربر و تاریخچه لایک‌های او نیز استفاده کرده است»، دیگر پژوهشگران می‌توانند با دقت بسیار بالاتری نتایج را بازتولید کنند.
• افزایش تعمیم‌پذیری: مدل‌هایی که با در نظر گرفتن طیف وسیع‌تری از اطلاعات (مثلاً قالب‌بندی متن یا ساختار سند) آموزش می‌بینند، معمولاً قوی‌تر بوده و در مواجهه با داده‌های جدید و دیده‌نشده عملکرد بهتری از خود نشان می‌دهند. برای مثال، یک مدل تحلیل احساسات که قادر به درک تأکید ناشی از حروف بزرگ (CAPS LOCK) یا استفاده از اموجی‌ها باشد، بسیار کارآمدتر از مدلی است که فقط کلمات را می‌بیند.
• طراحی مدل‌های چندوجهی (Multimodal): این رویکرد، الهام‌بخش توسعه مدل‌های نوآورانه‌ای است که می‌توانند به طور یکپارچه اطلاعات متنی، بصری و ساختاری را پردازش کنند. به عنوان مثال، در وظیفه تشخیص اخبار جعلی، مدلی که علاوه بر محتوای خبر، به تحلیل وب‌سایت منبع، اعتبار نویسنده و واکنش‌های کاربران در شبکه‌های اجتماعی بپردازد، بسیار دقیق‌تر عمل خواهد کرد.
• ساخت مجموعه داده‌های غنی‌تر: این چارچوب، متخصصان را تشویق می‌کند تا مجموعه داده‌هایی را ایجاد و منتشر کنند که فراتر از متن خام بوده و شامل لایه‌های مختلفی از فراداده‌ها و اطلاعات زمینه‌ای باشند.

مقاله «مفهوم فراگیر متن» یک کار بنیادین و ضروری در حوزه پردازش زبان طبیعی است. این مقاله با موفقیت جامعه علمی را از یک درک ضمنی و مبهم از «متن» به سوی یک تعریف صریح، ساختاریافته و فراگیر سوق می‌دهد. پیام اصلی نویسندگان این است که «متن» یک مفهوم ثابت و از پیش‌تعیین‌شده نیست، بلکه مجموعه‌ای از ویژگی‌های بالقوه است که محقق آگاهانه یا ناآگاهانه تصمیم می‌گیرد از کدام‌یک از آن‌ها در مدل خود استفاده کند.

فراخوان نهایی مقاله، حرکتی به سوی ایجاد استانداردهای گزارش‌دهی در سطح جامعه NLP است. همان‌طور که برگه‌های اطلاعاتی برای مجموعه داده‌ها (Datasheets for Datasets) به یک استاندارد تبدیل شده‌اند، لازم است چک‌لیست‌ها یا فرمت‌های مشابهی برای توصیف دقیق ماهیت «متن» مورد استفاده در هر پژوهش ایجاد شود. این مقاله نه تنها یک نقد سازنده بر وضعیت موجود است، بلکه یک نقشه راه عملی برای ساختن علمی دقیق‌تر، شفاف‌تر و در نهایت، هوش مصنوعی قدرتمندتر و قابل‌اعتمادتر ارائه می‌دهد.