در دنیای پردازش زبان طبیعی (NLP)، داده‌های برچسب‌دار نقش حیاتی ایفا می‌کنند. این داده‌ها، که شامل متن‌هایی هستند که هر واژه یا عبارت آن‌ها با اطلاعاتی در مورد نقش دستوری‌شان (مانند اسم، فعل، صفت و غیره) برچسب‌گذاری شده‌اند، به ماشین‌ها کمک می‌کنند تا ساختار و معنای زبان را درک کنند. ایجاد چنین داده‌هایی به صورت دستی، فرایندی زمان‌بر، پرهزینه و نیازمند تخصص است. در نتیجه، توسعه روش‌هایی برای خودکارسازی این فرایند، اهمیت بسزایی دارد. مقاله حاضر، رویکردی را برای برچسب‌زنی اجزای کلام (Part-of-Speech Tagging یا POST) در زبان کردی سورانی، که یک زبان کم‌منبع محسوب می‌شود، با استفاده از منابع موجود در زبان فارسی، ارائه می‌دهد.

زبان کردی، با وجود گستردگی گویشوران آن در منطقه، از نظر منابع زبانیِ پردازش‌نشده و به‌ویژه پیکره‌های زبانی برچسب‌دار، با کمبود جدی مواجه است. این کمبود، مانع از توسعه ابزارهای پردازش زبان طبیعی پیشرفته برای این زبان می‌شود. برچسب‌زنی اجزای کلام، یکی از مراحل اساسی در پردازش زبان طبیعی است که امکان تحلیل‌های دقیق‌تر و کارآمدتر را فراهم می‌کند. دستیابی به یک پیکره زبانی برچسب‌دار برای کردی سورانی، به توسعه طیف گسترده‌ای از کاربردها، از جمله ماشین ترجمه، تحلیل احساسات، خلاصه‌سازی متن، و بازیابی اطلاعات، کمک خواهد کرد. این مقاله با ارائه یک روش نوین برای استفاده از منابع زبان فارسی به عنوان یک زبان نزدیک، گامی مهم در راستای رفع این کمبود برمی‌دارد.

این مقاله توسط حسین حسنی نگارش شده است. زمینهٔ تحقیقاتی نویسنده، به‌طورکلی، پردازش زبان‌های طبیعی و به‌طور خاص، توسعه منابع زبانی برای زبان‌های کم‌منبع است. تخصص نویسنده در زمینه‌هایی نظیر پیکره‌های زبانی، برچسب‌زنی اجزای کلام، و استفاده از زبان‌های مشابه برای غنی‌سازی منابع زبانی کم‌منبع، در ارائه این رویکرد نوآورانه نقش بسزایی داشته است.

مقاله حاضر به بررسی روشی برای توسعه یک فرهنگ لغت برچسب‌دار شده برای زبان کردی سورانی با استفاده از یک پیکرهٔ برچسب‌دار شده فارسی (پیکرهٔ بیژن‌خان) می‌پردازد. هدف اصلی، غلبه بر کمبود منابع زبانی برچسب‌دار برای زبان کردی سورانی از طریق بهره‌گیری از منابع یک زبان نزدیک و پرمنبع است. نویسنده با استفاده از پیکرهٔ فارسی و تطبیق آن با ویژگی‌های زبان کردی، یک فرهنگ لغت اولیه برچسب‌دار شده را ایجاد می‌کند. این فرهنگ لغت می‌تواند به عنوان پایه‌ای برای توسعه ابزارهای برچسب‌زنی خودکار و غنی‌سازی پیکره‌های زبانی موجود برای زبان کردی سورانی مورد استفاده قرار گیرد.

به طور خلاصه، مقاله به این سوال پاسخ می‌دهد که چگونه می‌توان از منابع زبانی یک زبان پرمنبع (فارسی) برای تسهیل برچسب‌زنی اجزای کلام در یک زبان کم‌منبع (کردی سورانی) استفاده کرد. این رویکرد، به ویژه برای زبان‌هایی که از نظر ساختاری و واژگانی شباهت‌هایی با زبان‌های پرمنبع دارند، بسیار کارآمد است.

روش‌شناسی این تحقیق شامل مراحل زیر است:

• انتخاب پیکرهٔ فارسی: استفاده از پیکرهٔ بیژن‌خان به عنوان یک منبع غنی و برچسب‌دار شده برای زبان فارسی. این پیکره به دلیل حجم بالا و کیفیت مناسب برچسب‌زنی، به عنوان یک گزینهٔ ایده‌آل انتخاب شده است.
• تطبیق برچسب‌ها: بررسی و تطبیق مجموعه‌های برچسب‌های استفاده شده در پیکرهٔ فارسی با نیازهای زبان کردی سورانی. این مرحله شامل تعریف یک مجموعه برچسب متناسب با ویژگی‌های دستوری زبان کردی و نگاشت برچسب‌های فارسی به برچسب‌های کردی است.
• ترجمه و معادل‌یابی: ترجمه واژگان موجود در پیکرهٔ فارسی به زبان کردی سورانی و یافتن معادل‌های مناسب برای هر واژه. در این مرحله، توجه به تفاوت‌های ظریف معنایی و کاربردی بین دو زبان ضروری است.
• برچسب‌زنی واژگان کردی: برچسب‌زنی واژگان کردی با استفاده از اطلاعات موجود در پیکرهٔ فارسی و نگاشت برچسب‌ها. در این مرحله، نقش دستوری واژهٔ فارسی و معادل کردی آن مورد بررسی قرار می‌گیرد و برچسب مناسب به واژهٔ کردی اختصاص داده می‌شود.
• ارزیابی نتایج: ارزیابی کیفیت فرهنگ لغت برچسب‌دار شده از طریق بررسی دستی و مقایسه با داده‌های موجود (در صورت وجود). این مرحله به منظور شناسایی خطاها و بهبود عملکرد روش برچسب‌زنی انجام می‌شود.

برای مثال، اگر واژهٔ “کتاب” در پیکرهٔ فارسی به عنوان اسم برچسب‌گذاری شده باشد، معادل کردی آن (“کتێب” یا “kitêb”) نیز به عنوان اسم برچسب‌گذاری می‌شود. با این حال، در مواردی که نقش دستوری یک واژه در دو زبان متفاوت باشد، نیاز به بررسی دقیق‌تر و اعمال تغییرات لازم است.

یافته‌های کلیدی این تحقیق عبارتند از:

• امکان استفاده از منابع زبانی زبان فارسی برای توسعه منابع زبانی زبان کردی سورانی.
• ارائه یک روش کارآمد برای برچسب‌زنی اجزای کلام در زبان‌های کم‌منبع.
• توسعه یک فرهنگ لغت برچسب‌دار شده اولیه برای زبان کردی سورانی که می‌تواند به عنوان پایه‌ای برای تحقیقات بیشتر مورد استفاده قرار گیرد.
• شناسایی چالش‌ها و محدودیت‌های استفاده از این رویکرد، از جمله نیاز به تطبیق دقیق برچسب‌ها و در نظر گرفتن تفاوت‌های دستوری بین دو زبان.

به طور خاص، نویسنده نشان می‌دهد که با وجود تفاوت‌های موجود بین فارسی و کردی سورانی، شباهت‌های ساختاری و واژگانی قابل توجهی بین این دو زبان وجود دارد که امکان انتقال دانش و اطلاعات را فراهم می‌کند.

نتایج این تحقیق دارای کاربردهای گسترده‌ای در زمینه‌های مختلف پردازش زبان طبیعی است. برخی از این کاربردها عبارتند از:

• توسعه ابزارهای برچسب‌زنی خودکار: فرهنگ لغت برچسب‌دار شده می‌تواند به عنوان داده‌های آموزشی برای توسعه ابزارهای برچسب‌زنی خودکار برای زبان کردی سورانی مورد استفاده قرار گیرد.
• غنی‌سازی پیکره‌های زبانی موجود: این روش می‌تواند برای برچسب‌زنی پیکره‌های زبانی موجود برای زبان کردی سورانی استفاده شود و امکان تحلیل‌های دقیق‌تر و کارآمدتر را فراهم کند.
• توسعه کاربردهای پردازش زبان طبیعی: داده‌های برچسب‌دار شده می‌توانند برای توسعه طیف گسترده‌ای از کاربردها، از جمله ماشین ترجمه، تحلیل احساسات، خلاصه‌سازی متن، و بازیابی اطلاعات، مورد استفاده قرار گیرند.
• توسعه منابع زبانی برای سایر گویش‌های کردی: این روش می‌تواند برای توسعه منابع زبانی برای سایر گویش‌های کردی نیز مورد استفاده قرار گیرد.

یکی از مهم‌ترین دستاوردهای این تحقیق، ارائه یک مجموعه داده اولیه است که به صورت عمومی (با مجوز CC BY-NC-SA 4.0) در دسترس قرار گرفته است. این مجموعه داده می‌تواند به محققان و توسعه‌دهندگان کمک کند تا تحقیقات خود را در زمینه پردازش زبان کردی سورانی آغاز کنند و به توسعه ابزارهای مورد نیاز برای این زبان کمک کنند. دسترسی به این داده‌ها از طریق آدرس https://kurdishblark.github.io/ امکان‌پذیر است.

مقاله حاضر، یک گام مهم در راستای توسعه منابع زبانی برای زبان کردی سورانی برمی‌دارد. با ارائه یک روش نوآورانه برای استفاده از منابع زبان فارسی، نویسنده نشان می‌دهد که می‌توان بر کمبود منابع زبانی در زبان‌های کم‌منبع غلبه کرد. این تحقیق، نه تنها یک فرهنگ لغت برچسب‌دار شده اولیه را برای زبان کردی سورانی ارائه می‌دهد، بلکه راه را برای تحقیقات بیشتر در این زمینه هموار می‌کند. با توجه به اهمیت پردازش زبان طبیعی در دنیای امروز، این تحقیق می‌تواند نقش بسزایی در توسعه ابزارهای مورد نیاز برای زبان کردی سورانی و سایر زبان‌های کم‌منبع ایفا کند. ادامه تحقیقات در این زمینه و توسعه روش‌های پیشرفته‌تر برای برچسب‌زنی خودکار و غنی‌سازی منابع زبانی، می‌تواند به توسعه هرچه بیشتر زبان کردی و تسهیل ارتباطات و تبادل اطلاعات در این زبان کمک کند.