در عصر حاضر، پیشرفت‌های شگرف در حوزه پردازش زبان طبیعی (NLP) به طور فزاینده‌ای به وجود مجموعه‌های داده‌ای (Databases) دقیق و معتبر وابسته است. این مجموعه‌های داده، که به عنوان «دادگان» نیز شناخته می‌شوند، نقش حیاتی در آموزش و ارزیابی مدل‌های یادگیری ماشین و هوش مصنوعی ایفا می‌کنند. با این حال، بیشتر منابع و دادگان موجود در این زمینه، بر زبان انگلیسی متمرکز هستند. در حالی که برخی منابع نیز برای زبان‌هایی مانند چینی و فرانسوی توسعه یافته‌اند، منابعی که به صورت دوزبانه و چندزبانه طراحی شده‌اند، به مراتب کمتر هستند. این کمبود، به ویژه در مورد زبان‌های کمتر رایج، یک چالش بزرگ برای محققان و توسعه‌دهندگان به شمار می‌رود.

مقاله حاضر به معرفی دادگان پیرآ (Pirá) می‌پردازد. پیرآ یک مجموعه داده بزرگ از پرسش‌ها و پاسخ‌ها در مورد اقیانوس و سواحل برزیل است که به دو زبان پرتغالی و انگلیسی ارائه شده است. این دادگان، بر اساس اطلاعات موجود، اولین مجموعه داده پرسش و پاسخ است که متون پشتیبان آن به زبان پرتغالی موجود است و مهم‌تر از آن، نخستین دادگان دوزبانه پرسش و پاسخ است که این زبان را شامل می‌شود. این ویژگی منحصر به فرد، پیرآ را به یک منبع ارزشمند برای پژوهشگران در حوزه‌های مختلف پردازش زبان طبیعی تبدیل می‌کند.

این پژوهش توسط گروهی از متخصصان برجسته در حوزه‌های پردازش زبان طبیعی، علوم کامپیوتر و علوم دریایی انجام شده است. نویسندگان مقاله عبارتند از:

• آندره اف. آ. پاسچوال
• پائولو پیروزلی
• والدینی فریره
• کارینا وی. دلگادو
• ساراجین ام. پرز
• مارکوس ام. خوزه
• فلاویو ناکاساتو
• آندره اس. اولیویرا
• آناروزا آ. اف. براندائو
• آنا اچ. آر. کاستا
• فابیو جی. کوزمان

تخصص‌های متنوع این تیم، تضمین‌کننده دقت و جامعیت دادگان پیرآ است. از یک سو، متخصصان پردازش زبان طبیعی، اطمینان حاصل کرده‌اند که دادگان به گونه‌ای طراحی شده است که برای طیف گسترده‌ای از کاربردهای NLP مناسب باشد. از سوی دیگر، متخصصان علوم دریایی، دقت و صحت اطلاعات موجود در دادگان را تضمین کرده‌اند. این همکاری بین‌رشته‌ای، یکی از نقاط قوت اصلی دادگان پیرآ محسوب می‌شود.

چکیده مقاله به این نکته اشاره دارد که تحقیقات کنونی در حوزه پردازش زبان طبیعی، به شدت به وجود دادگان با کیفیت بالا وابسته است. با این حال، بیشتر منابع موجود، عمدتاً بر زبان انگلیسی تمرکز دارند و منابع دوزبانه یا چندزبانه، به ویژه برای زبان‌هایی مانند پرتغالی، بسیار محدود هستند.

دادگان پیرآ با هدف رفع این کمبود، مجموعه‌ای شامل 2261 پرسش و پاسخ دقیق و معتبر را به دو زبان پرتغالی و انگلیسی ارائه می‌دهد. این پرسش‌ها و پاسخ‌ها، به صورت دستی و بر اساس دو منبع اصلی ایجاد شده‌اند:

• چکیده‌های مقالات علمی مرتبط با سواحل برزیل
• گزیده‌هایی از گزارش‌های سازمان ملل متحد در مورد اقیانوس‌ها

پس از ایجاد پرسش‌ها و پاسخ‌ها، یک فرآیند بررسی همتا (Peer-Review) توسط مشارکت‌کنندگان در دادگان انجام شده است تا از صحت و اعتبار داده‌ها اطمینان حاصل شود. مقاله، علاوه بر معرفی دادگان، به بحث در مورد مزایا و محدودیت‌های آن نیز می‌پردازد. پیرآ می‌تواند در طیف گسترده‌ای از وظایف پردازش زبان طبیعی مانند پرسش و پاسخ، بازیابی اطلاعات و ترجمه ماشینی مورد استفاده قرار گیرد.

روش‌شناسی مورد استفاده در این تحقیق، شامل چندین مرحله کلیدی است که به دقت و اعتبار دادگان پیرآ کمک کرده است:

1. انتخاب منابع: انتخاب دو منبع اصلی (چکیده‌های مقالات و گزارش‌های سازمان ملل) بر اساس ارتباط آنها با موضوع اقیانوس و سواحل برزیل و همچنین در دسترس بودن آنها به دو زبان انگلیسی و پرتغالی انجام شد.
2. ایجاد پرسش و پاسخ: تیم تحقیق، با مطالعه دقیق منابع، پرسش‌ها و پاسخ‌های مرتبط را به دو زبان ایجاد کردند. این فرآیند، نیازمند درک عمیق از موضوع و توانایی استخراج اطلاعات کلیدی از متون بود.
3. بررسی همتا: پس از ایجاد پرسش‌ها و پاسخ‌ها، یک فرآیند بررسی همتا توسط مشارکت‌کنندگان در دادگان انجام شد. در این فرآیند، هر پرسش و پاسخ توسط چندین نفر بررسی شد تا از صحت، دقت و ارتباط آن با منبع اصلی اطمینان حاصل شود.
4. تایید اعتبار (Validation): برای اطمینان از اعتبار دادگان، از رویکردهای کمی و کیفی استفاده شد. رویکردهای کمی شامل محاسبه آمارهایی مانند طول پرسش‌ها و پاسخ‌ها و تعداد کلمات کلیدی بود. رویکردهای کیفی شامل بررسی نمونه‌هایی از پرسش‌ها و پاسخ‌ها توسط متخصصان در حوزه علوم دریایی بود.

این روش‌شناسی دقیق و چندجانبه، تضمین می‌کند که دادگان پیرآ یک منبع قابل اعتماد و معتبر برای تحقیقات در حوزه پردازش زبان طبیعی است.

یافته‌های کلیدی این مقاله را می‌توان در موارد زیر خلاصه کرد:

• ایجاد یک دادگان دوزبانه پرسش و پاسخ: مهم‌ترین یافته این تحقیق، ایجاد دادگان پیرآ است که شامل 2261 پرسش و پاسخ به دو زبان پرتغالی و انگلیسی است.
• منحصر به فرد بودن دادگان: پیرآ، اولین دادگان پرسش و پاسخ با متون پشتیبان به زبان پرتغالی و همچنین اولین دادگان دوزبانه پرسش و پاسخ است که این زبان را شامل می‌شود.
• پتانسیل بالا برای کاربردهای مختلف NLP: دادگان پیرآ می‌تواند در طیف گسترده‌ای از وظایف پردازش زبان طبیعی مانند پرسش و پاسخ، بازیابی اطلاعات و ترجمه ماشینی مورد استفاده قرار گیرد.
• ارائه یک منبع ارزشمند برای تحقیقات در مورد اقیانوس: پیرآ می‌تواند به عنوان یک منبع ارزشمند برای محققانی که در حوزه علوم دریایی و حفاظت از اقیانوس‌ها فعالیت می‌کنند، مورد استفاده قرار گیرد. به عنوان مثال، می‌توان از این دادگان برای توسعه سیستم‌های پرسش و پاسخ هوشمند استفاده کرد که به محققان کمک می‌کند تا به سرعت و به آسانی به اطلاعات مورد نیاز خود دسترسی پیدا کنند.

به عنوان مثال، فرض کنید محققی به دنبال اطلاعاتی در مورد تاثیر آلودگی پلاستیکی بر زندگی آبزیان در سواحل برزیل است. با استفاده از دادگان پیرآ، او می‌تواند به سرعت و به آسانی به پرسش‌ها و پاسخ‌های مرتبط با این موضوع دسترسی پیدا کند. این امر، می‌تواند به تسریع فرآیند تحقیق و توسعه راه‌حل‌های موثر برای مقابله با آلودگی پلاستیکی کمک کند.

دادگان پیرآ دارای کاربردها و دستاوردهای متعددی است که می‌توان به موارد زیر اشاره کرد:

• توسعه سیستم‌های پرسش و پاسخ: پیرآ می‌تواند به عنوان یک مجموعه داده آموزشی برای توسعه سیستم‌های پرسش و پاسخ هوشمند استفاده شود. این سیستم‌ها می‌توانند به کاربران کمک کنند تا به سرعت و به آسانی به اطلاعات مورد نیاز خود در مورد اقیانوس و سواحل برزیل دسترسی پیدا کنند.
• بهبود بازیابی اطلاعات: پیرآ می‌تواند برای ارزیابی و بهبود الگوریتم‌های بازیابی اطلاعات مورد استفاده قرار گیرد. با استفاده از این دادگان، می‌توان الگوریتم‌هایی را توسعه داد که قادر به بازیابی اطلاعات دقیق و مرتبط از متون بزرگ و پیچیده هستند.
• پیشرفت ترجمه ماشینی: پیرآ می‌تواند به عنوان یک مجموعه داده موازی برای آموزش مدل‌های ترجمه ماشینی استفاده شود. این مدل‌ها می‌توانند به ترجمه متون علمی و فنی مرتبط با اقیانوس و سواحل برزیل کمک کنند.
• حمایت از تحقیقات در حوزه علوم دریایی: پیرآ می‌تواند به عنوان یک منبع ارزشمند برای محققانی که در حوزه علوم دریایی و حفاظت از اقیانوس‌ها فعالیت می‌کنند، مورد استفاده قرار گیرد.
• تشویق به توسعه منابع چند زبانه در NLP: پیرآ می‌تواند به عنوان یک الگو برای توسعه دادگان دوزبانه و چندزبانه در سایر حوزه‌ها و زبان‌ها مورد استفاده قرار گیرد. این امر، می‌تواند به پیشرفت تحقیقات در حوزه پردازش زبان طبیعی در سطح جهانی کمک کند.

به طور کلی، دادگان پیرآ یک منبع ارزشمند و نوآورانه است که پتانسیل بالایی برای کمک به پیشرفت تحقیقات در حوزه‌های مختلف پردازش زبان طبیعی و علوم دریایی دارد.

مقاله حاضر به معرفی دادگان پیرآ، یک مجموعه داده دوزبانه پرسش و پاسخ در حوزه اقیانوس و سواحل برزیل، پرداخت. این دادگان، با داشتن 2261 پرسش و پاسخ به دو زبان پرتغالی و انگلیسی، یک منبع منحصر به فرد و ارزشمند برای پژوهشگران در حوزه‌های مختلف پردازش زبان طبیعی و علوم دریایی است.

پیرآ می‌تواند در طیف گسترده‌ای از وظایف NLP مانند پرسش و پاسخ، بازیابی اطلاعات و ترجمه ماشینی مورد استفاده قرار گیرد. همچنین، این دادگان می‌تواند به عنوان یک منبع ارزشمند برای محققانی که در حوزه علوم دریایی و حفاظت از اقیانوس‌ها فعالیت می‌کنند، مورد استفاده قرار گیرد.

با توجه به کمبود منابع دوزبانه و چندزبانه در حوزه پردازش زبان طبیعی، توسعه دادگان پیرآ یک گام مهم در جهت تنوع بخشیدن به منابع موجود و تشویق به تحقیقات در مورد زبان‌های کمتر رایج است. امید است که این دادگان، الهام‌بخش توسعه منابع مشابه در سایر حوزه‌ها و زبان‌ها باشد و به پیشرفت تحقیقات در حوزه پردازش زبان طبیعی در سطح جهانی کمک کند.