۱. معرفی مقاله و اهمیت آن

در عصر دیجیتال کنونی، ترجمه ماشینی (MT) به عنوان یک فناوری کلیدی در پردازش زبان طبیعی (NLP) برای تسهیل ارتباطات جهانی و دسترسی به اطلاعات شناخته می‌شود. با این حال، توسعه سیستم‌های ترجمه ماشینی برای تمامی زبان‌ها یکسان نبوده است. بسیاری از زبان‌ها، به ویژه زبان‌های کم‌منابع (low-resource languages)، به دلیل کمبود مجموعه‌داده‌های موازی با کیفیت، از این پیشرفت‌ها محروم مانده‌اند. این چالش، مانعی جدی بر سر راه مشارکت این جوامع زبانی در اکوسیستم دیجیتال جهانی است.

مقاله علمی با عنوان “مجموعه داده موازی انگلیسی-تویی (Akuapem Twi) برای ترجمه ماشینی”، گامی مهم در راستای پر کردن این شکاف برای زبان “آکوآپم تویی” (Akuapem Twi)، یکی از گویش‌های اصلی زبان “تویی” که در غنا رایج است، برمی‌دارد. اهمیت این پژوهش نه تنها در ارائه یک مجموعه داده موازی جامع و با کیفیت است، بلکه در روش‌شناسی دقیق آن برای تولید داده‌هایی که عاری از “ترجمه‌گرایی” (translationese) باشند و همچنین در فراهم آوردن یک مجموعه ارزیابی معتبر برای سنجش عملکرد مدل‌ها، نهفته است. این کار به طور مستقیم به پیشرفت ترجمه ماشینی برای زبان تویی کمک می‌کند و بستر را برای تحقیقات آتی در سایر حوزه‌های پردازش زبان طبیعی برای این زبان فراهم می‌آورد، در نتیجه به حفظ تنوع زبانی و دسترسی عادلانه به فناوری کمک می‌کند.

۲. نویسندگان و زمینه تحقیق

این پژوهش نتیجه تلاش‌های گسترده و مشارکتی گروهی متشکل از بیست و شش نفر از محققان و متخصصان زبان است. پال آزونره (Paul Azunre) به همراه همکارانی چون سالومی اوسی (Salomey Osei)، سالومی ادو (Salomey Addo)، لارنس آساموا آدو-جیامفی (Lawrence Asamoah Adu-Gyamfi)، استفان مور (Stephen Moore)، برنارد آدابانکا (Bernard Adabankah)، برنارد اوپوکو (Bernard Opoku)، کلارا آسا-نیارکو (Clara Asare-Nyarko)، ساموئل نیارکو (Samuel Nyarko)، سینتیا آموابا (Cynthia Amoaba)، استر دانسوا اپیا (Esther Dansoa Appiah)، فلیکس آکوره (Felix Akwerh)، ریچارد نی لانته لوسون (Richard Nii Lante Lawson)، جوئل بودو (Joel Budu)، امانوئل دبرا (Emmanuel Debrah)، نانا بوآتنگ (Nana Boateng)، ویسدوم اوفوری (Wisdom Ofori)، ادوین بوآبنگ-مانکوه (Edwin Buabeng-Munkoh)، فرانکلین آجئی (Franklin Adjei)، آیزاک کوجو اسل آمپوما (Isaac Kojo Essel Ampomah)، جوزف اوتو (Joseph Otoo)، ریندورف بورکور (Reindorf Borkor)، استندیلاو بیرگو منساه (Standylove Birago Mensah)، لوسیان منساه (Lucien Mensah) و مارک آموآکو مارسل (Mark Amoako Marcel)، این پروژه را به ثمر رسانده‌اند. گستردگی تیم نویسندگان بیانگر ماهیت چندرشته‌ای این پروژه است که نیازمند تخصص در یادگیری ماشین، پردازش زبان طبیعی و دانش عمیق زبانی بومی است.

زمینه این تحقیق در تقاطع محاسبات و زبان (Computation and Language) و هوش مصنوعی (Artificial Intelligence) قرار دارد. این کار به طور خاص در راستای تلاش‌های جهانی برای دموکراتیزه کردن فناوری زبان و گسترش ابزارهای هوش مصنوعی برای زبان‌هایی است که پیش از این از منابع کافی برخوردار نبوده‌اند. تحقیقات در این زمینه نه تنها به حل چالش‌های فنی مربوط به کمبود داده کمک می‌کند، بلکه به حفظ و تقویت میراث فرهنگی و زبانی نیز یاری می‌رساند. مشارکت فعال سخنوران بومی زبان تویی در فرآیند اعتبارسنجی و تصحیح داده‌ها، اعتبار و کیفیت داده‌های تولید شده را به شدت افزایش داده و نمونه‌ای موفق از همکاری فناوری و جامعه زبانی ارائه می‌دهد.

۳. چکیده و خلاصه محتوا

این مقاله یک مجموعه داده موازی آموزشی برای ترجمه ماشینی بین زبان‌های انگلیسی و آکوآپم تویی (Akuapem Twi) معرفی می‌کند که شامل ۲۵,۴۲۱ جفت جمله است. هدف اصلی ایجاد یک منبع داده‌ای معتبر و با کیفیت برای توسعه و بهبود سیستم‌های ترجمه ماشینی برای این زبان کم‌منابع است.

روش‌شناسی به کار گرفته شده شامل دو مرحله کلیدی است:

• **تولید اولیه:** محققان ابتدا از یک مترجم مبتنی بر معماری ترنسفورمر (transformer-based translator) برای تولید ترجمه‌های اولیه از انگلیسی به آکوآپم تویی استفاده کردند.
• **اعتبارسنجی انسانی:** سپس، این ترجمه‌های اولیه با دقت توسط سخنوران بومی زبان تویی مورد بازبینی و تصحیح قرار گرفتند تا هرگونه “ترجمه‌گرایی” (translationese) – جملاتی که با وجود صحت لغوی، روان بودن طبیعی زبان مقصد را ندارند – حذف شود و کیفیت بالای زبانی تضمین گردد.

علاوه بر مجموعه داده آموزشی بزرگ، این پژوهش ۶۹۷ جمله با کیفیت بالاتر را نیز ارائه می‌دهد که از طریق روش کراودسورسینگ (crowd-sourced) جمع‌آوری شده‌اند. این مجموعه کوچک‌تر و بسیار با کیفیت، برای استفاده به عنوان مجموعه ارزیابی (evaluation set) برای وظایف پایین‌دستی پردازش زبان طبیعی (NLP) در نظر گرفته شده است.

موارد استفاده کلیدی این مجموعه داده:

• **مجموعه آموزشی (۲۵,۴۲۱ جفت جمله):** اصلی‌ترین کاربرد آن برای آموزش مدل‌های ترجمه ماشینی در آکوآپم تویی است.
• **مجموعه ارزیابی (۶۹۷ جفت جمله کرادسورسی شده):** به عنوان یک مجموعه تست استاندارد و قابل اعتماد برای ارزیابی مدل‌های ترجمه از انگلیسی به تویی و بالعکس توصیه می‌شود.
• **بخش تویی داده‌های کرادسورسی شده:** قابل استفاده برای وظایف دیگر NLP مانند یادگیری بازنمایی (representation learning) و طبقه‌بندی (classification).

محققان در این مطالعه، مدل ترجمه ترنسفورمر را بر روی مجموعه داده آموزشی بهینه‌سازی (fine-tune) کرده و معیارهای عملکردی را بر روی مجموعه تست کرادسورسی شده گزارش می‌دهند، که نشان‌دهنده اثربخشی مجموعه داده است.

۴. روش‌شناسی تحقیق

روش‌شناسی این پژوهش، ترکیبی از قدرت هوش مصنوعی و دقت بالای بازبینی انسانی است که به تولید یک مجموعه داده موازی با کیفیت بی‌نظیر منجر شده است.

۱. تولید ترجمه اولیه با مدل ترنسفورمر:

در گام نخست، محققان برای ایجاد حجم وسیعی از ترجمه‌های اولیه از انگلیسی به آکوآپم تویی، از مدل‌های ترنسفورمر استفاده کردند. این مدل‌ها به دلیل توانایی در درک وابستگی‌های دوربرد در متون و تولید ترجمه‌های روان، انتخاب شدند. این مرحله، با استفاده از یک مدل آموزش‌دیده اولیه و اعمال آن بر متون انگلیسی، پیش‌نویس جامعی از ده‌ها هزار جفت جمله را فراهم آورد.

۲. اعتبارسنجی و تصحیح انسانی برای حذف “ترجمه‌گرایی”:

مرحله حیاتی بعدی، بازبینی، اعتبارسنجی و تصحیح دقیق ترجمه‌های اولیه توسط سخنوران بومی زبان تویی بود. هدف اصلی، حذف “ترجمه‌گرایی” (translationese) بود؛ پدیده‌ای که در آن ترجمه، اگرچه از نظر لغوی صحیح باشد، اما ساختار گرامری و روان بودن طبیعی زبان مقصد را ندارد. این فرآیند دستی شامل بررسی دقت معنایی، رفع خطاهای گرامری و املایی، و بازسازی ساختار جملات برای اطمینان از طبیعی بودن و بومی به نظر رسیدن ترجمه تویی بود. این دقت انسانی، کیفیت استثنایی مجموعه داده نهایی را تضمین کرد.

۳. جمع‌آوری مجموعه ارزیابی از طریق کرادورسینگ:

علاوه بر مجموعه آموزشی بزرگ، یک مجموعه کوچکتر اما با کیفیت حتی بالاتر، شامل ۶۹۷ جفت جمله، از طریق کراودسورسینگ (crowd-sourcing) جمع‌آوری شد. این جملات به طور مستقل توسط چندین سخنور بومی ترجمه و سپس با دقت اعتبارسنجی شدند. این رویکرد، که در آن جملات از ابتدا توسط انسان‌ها تولید می‌شوند نه ویرایش ماشینی، این مجموعه را به گزینه‌ای ایده‌آل برای استفاده به عنوان معیار (benchmark) جهت ارزیابی دقیق عملکرد مدل‌های ترجمه ماشینی تبدیل می‌کند.

۴. آموزش و ارزیابی مدل ترنسفورمر:

در نهایت، یک مدل ترجمه ترنسفورمر بر روی مجموعه آموزشی ۲۵,۴۲۱ جفت جمله بهینه‌سازی (fine-tuning) شد. سپس عملکرد مدل بر روی مجموعه تست کرادسورسی شده ارزیابی گردید. گزارش معیارهای عملکردی (benchmarks) بر روی این مجموعه، اثربخشی مجموعه داده جدید را در آموزش مدل‌های ترجمه ماشینی برای زبان تویی نشان می‌دهد و مبنایی برای مقایسه مدل‌های آتی فراهم می‌آورد.

۵. یافته‌های کلیدی

این پژوهش با رویکرد نوآورانه خود، به دستاوردهای مهمی رسیده است که مسیر پیشرفت ترجمه ماشینی و پردازش زبان طبیعی را برای زبان آکوآپم تویی هموار می‌سازد:

۱. ایجاد مجموعه داده موازی جامع و با کیفیت:

اصلی‌ترین یافته، تولید یک مجموعه داده موازی بزرگ شامل ۲۵,۴۲۱ جفت جمله انگلیسی-تویی است. این مجموعه، که با دقت فراوان و با مشارکت فعال سخنوران بومی تویی اعتبارسنجی و از “ترجمه‌گرایی” پاکسازی شده، منبعی بی‌نظیر برای آموزش مدل‌های ترجمه ماشینی قدرتمند است و کمبود جدی منابع را برطرف می‌کند.

۲. فراهم آوردن مجموعه ارزیابی استاندارد و کرادسورسی شده:

ارائه ۶۹۷ جمله کرادسورسی شده با کیفیت استثنایی به عنوان مجموعه ارزیابی (evaluation set)، دستاوردی حیاتی دیگر است. این مجموعه، برای سنجش عملکرد مدل‌های ترجمه ماشینی انگلیسی-تویی و بالعکس طراحی شده و امکان مقایسه عادلانه و شفاف مدل‌های مختلف را فراهم می‌آورد.

۳. اثبات کارایی رویکرد ترکیبی ماشین-انسان:

این پژوهش به وضوح نشان می‌دهد که رویکرد ترکیبی از تولید اولیه با ماشین (مدل ترنسفورمر) و بازبینی و تصحیح دقیق توسط انسان، یک استراتژی بسیار مؤثر برای ساخت مجموعه‌داده‌های موازی با کیفیت برای زبان‌های کم‌منابع است. این روش، تعادلی بین سرعت تولید داده با هوش مصنوعی و دقت بالای زبانی که توسط سخنوران بومی حاصل می‌شود، برقرار می‌کند.

۴. تعیین معیارهای عملکردی (Benchmarks) اولیه:

با بهینه‌سازی یک مدل ترنسفورمر بر روی مجموعه داده جدید و گزارش نتایج آن بر روی مجموعه تست کرادسورسی شده، این پژوهش معیارهای عملکردی اولیه (benchmarks) را برای ترجمه ماشینی انگلیسی-تویی تعیین کرده است. این معیارها نقطه شروعی برای تحقیقات آتی و اندازه‌گیری پیشرفت‌های آینده عمل می‌کنند.

۵. کاربردهای فراتر از ترجمه ماشینی:

یکی دیگر از یافته‌های کلیدی این است که بخش تویی داده‌های کرادسورسی شده، می‌تواند برای وظایف متنوع پردازش زبان طبیعی، فراتر از ترجمه ماشینی، مورد استفاده قرار گیرد. این شامل یادگیری بازنمایی (representation learning) و طبقه‌بندی (classification) متون تویی است که نشان می‌دهد این مجموعه داده زیرساختی برای توسعه طیف وسیعی از فناوری‌های زبان برای تویی فراهم می‌آورد.

۶. کاربردها و دستاوردها

تولید مجموعه داده موازی انگلیسی-تویی نه تنها یک دستاورد علمی، بلکه دارای کاربردهای عملی گسترده‌ای است که می‌تواند تأثیر چشمگیری بر جامعه زبانی تویی و حوزه پردازش زبان طبیعی داشته باشد:

۱. پیشرفت قابل توجه در ترجمه ماشینی:

• آموزش مدل‌های ترجمه قوی‌تر: این مجموعه داده برای آموزش مدل‌های ترجمه ماشینی (MT) کارآمدتر برای جفت زبان انگلیسی-تویی و بالعکس ضروری است. با این داده‌های با کیفیت، مدل‌های پیشرفته می‌توانند ترجمه‌های دقیق‌تر و روان‌تری تولید کنند.
• استانداردسازی ارزیابی MT: مجموعه ارزیابی ۶۹۷ جمله‌ای با کیفیت بالا، یک معیار استاندارد برای سنجش و مقایسه عملکرد مدل‌های MT جدید برای زبان تویی فراهم می‌آورد.

۲. گسترش کاربردهای پردازش زبان طبیعی (NLP) برای زبان تویی:

این داده‌ها زمینه‌ساز توسعه طیف وسیعی از فناوری‌های NLP برای تویی هستند:

• یادگیری بازنمایی (Representation Learning): امکان آموزش بردارهای جاسازی (embeddings) برای کلمات و جملات تویی که برای وظایف مختلف NLP ضروری هستند.
• طبقه‌بندی متن (Text Classification): آموزش مدل‌ها برای دسته‌بندی متون تویی بر اساس موضوع یا احساسات.
• تشخیص موجودیت‌های نام‌گذاری شده (Named Entity Recognition – NER): شناسایی اسامی خاص در متون تویی برای استخراج اطلاعات.
• توسعه دستیارهای صوتی و چت‌بات‌ها: با منابع زبانی قوی‌تر، امکان توسعه فناوری‌های تعاملی به زبان تویی فراهم می‌آید.

۳. توانمندسازی جامعه زبانی تویی:

• دسترسی به اطلاعات: سخنوران تویی می‌توانند به منابع اطلاعاتی گسترده‌تری در اینترنت دسترسی پیدا کنند.
• حفظ و ترویج زبان: توسعه ابزارهای NLP به حفظ و ترویج این زبان در عصر دیجیتال کمک می‌کند و استفاده از آن را در فناوری تشویق می‌نماید.

۴. الگویی برای توسعه منابع در زبان‌های کم‌منابع:

این پژوهش یک الگوی عملی و موفق برای توسعه منابع داده‌ای برای سایر زبان‌های کم‌منابع ارائه می‌دهد. این مدل ترکیبی از تولید ماشینی و اعتبارسنجی انسانی، می‌تواند به عنوان راهنمایی برای کاهش “شکاف دیجیتال زبانی” در سراسر جهان عمل کند.

در مجموع، این مقاله با ایجاد زیرساخت داده‌ای قوی، نه تنها به بهبود مستقیم ترجمه ماشینی برای زبان تویی کمک می‌کند، بلکه زمینه را برای نوآوری‌های گسترده در NLP این زبان فراهم می‌آورد و نقش مهمی در ادغام زبان‌های بومی در اکوسیستم دیجیتال جهانی ایفا می‌کند.

۷. نتیجه‌گیری

پژوهش “مجموعه داده موازی انگلیسی-تویی (Akuapem Twi) برای ترجمه ماشینی” یک نقطه عطف مهم در حوزه پردازش زبان طبیعی برای زبان‌های کم‌منابع، به ویژه زبان تویی، محسوب می‌شود. این مقاله نه تنها به چالش دیرینه کمبود داده برای این زبان می‌پردازد، بلکه با ارائه یک راه‌حل جامع و کارآمد، مسیر توسعه فناوری‌های زبانی آینده را هموار می‌کند.

مشارکت‌های اصلی این تحقیق عبارتند از:

• **ایجاد مجموعه داده موازی بزرگ و با کیفیت:** ارائه ۲۵,۴۲۱ جفت جمله انگلیسی-تویی که با دقت توسط سخنوران بومی اعتبارسنجی و از “ترجمه‌گرایی” پاکسازی شده است.
• **توسعه مجموعه ارزیابی معتبر:** ارائه ۶۹۷ جمله کرادسورسی شده با کیفیت بالا به عنوان یک معیار استاندارد برای ارزیابی عملکرد مدل‌های ترجمه ماشینی.
• **اثبات کارایی روش‌شناسی ترکیبی:** نشان دادن موفقیت‌آمیز رویکردی که تولید ماشینی اولیه را با بازبینی دقیق انسانی ترکیب می‌کند، برای تولید داده‌های با کیفیت و مقیاس‌پذیر.
• **تعیین معیارهای اولیه عملکرد:** با بهینه‌سازی مدل ترنسفورمر و گزارش نتایج، این پژوهش نقطه شروعی برای ارزیابی و بهبود مستمر مدل‌های ترجمه ماشینی برای زبان تویی ایجاد کرده است.

دستاوردها و کاربردهای این پژوهش فراتر از بهبود صرف ترجمه ماشینی است. این مجموعه داده، بستری را برای تحقیقات و توسعه در سایر حوزه‌های NLP مانند یادگیری بازنمایی و طبقه‌بندی متن برای زبان تویی فراهم می‌آورد. از نظر اجتماعی، این کار به توانمندسازی سخنوران زبان تویی در عصر دیجیتال، حفظ و ترویج فرهنگ زبانی آنها، و افزایش دسترسی به دانش و اطلاعات جهانی کمک شایانی می‌کند.

در نهایت، این پژوهش نه تنها نمونه‌ای برجسته از چگونگی غلبه بر چالش‌های کمبود داده در زبان‌های کم‌منابع است، بلکه الهام‌بخش تلاش‌های مشابه برای ده‌ها هزار زبان دیگر در سراسر جهان خواهد بود. با هر مجموعه داده‌ای از این دست، گامی به سوی یک اکوسیستم دیجیتال فراگیرتر، چندزبانه و عادلانه برداشته می‌شود، جایی که هر زبانی، صرف نظر از تعداد سخنورانش، جایگاه خود را در دنیای فناوری پیدا می‌کند.