در عصر دیجیتال، حجم عظیمی از اطلاعات متنی، به‌ویژه در حوزه زندگی‌نامه‌ها، در منابعی مانند ویکی‌پدیا و آرشیوهای آنلاین انباشته شده است. استخراج خودکار و ساختاریافته این اطلاعات، یکی از چالش‌های اصلی در حوزه پردازش زبان طبیعی (NLP) و استخراج اطلاعات (IE) محسوب می‌شود. این فرآیند، به‌ویژه برای پژوهشگران علوم انسانی دیجیتال (Digital Humanities) که به دنبال تحلیل روابط بین شخصیت‌های تاریخی، رویدادها و مکان‌ها هستند، از اهمیت حیاتی برخوردار است.

یکی از قدرتمندترین تکنیک‌ها برای این منظور، «استخراج رابطه» (Relation Extraction – RE) است که هدف آن شناسایی روابط معنایی بین موجودیت‌ها در متن است (مثلاً، تشخیص رابطه «محل تولد» بین «آلبرت اینشتین» و «اولم» در یک جمله). مدل‌های استخراج رابطه معمولاً با رویکرد یادگیری ماشین نظارت‌شده (Supervised ML) آموزش داده می‌شوند که نیازمند مجموعه داده‌های بزرگ و برچسب‌گذاری‌شده توسط انسان است. با این حال، فرآیند برچسب‌گذاری دستی بسیار زمان‌بر، پرهزینه و مستعد خطای انسانی است. این مشکل، یک گلوگاه جدی برای پیشرفت تحقیقات در این حوزه ایجاد کرده است.

مقاله “Biographical: A Semi-Supervised Relation Extraction Dataset” راهکاری نوآورانه برای حل این مشکل ارائه می‌دهد. نویسندگان با معرفی مجموعه داده‌ای به نام Biographical، اولین مجموعه داده نیمه‌نظارتی را برای استخراج روابط زندگی‌نامه‌ای معرفی می‌کنند. اهمیت این کار در آن است که با تولید خودکار داده‌های آموزشی، راه را برای توسعه مدل‌های عصبی پیشرفته هموار می‌سازد و به محققان، به‌ویژه در حوزه تاریخ و علوم انسانی، اجازه می‌دهد تا بدون نیاز به منابع گسترده برای برچسب‌گذاری داده، به ساخت گراف‌های دانش (Knowledge Graphs) و تحلیل‌های پیچیده بپردازند.

این مقاله حاصل تلاش گروهی از پژوهشگران برجسته در زمینه زبان‌شناسی محاسباتی و پردازش زبان طبیعی است: Alistair Plum, Tharindu Ranasinghe, Spencer Jones, Constantin Orasan, و Ruslan Mitkov. این محققان، که بسیاری از آن‌ها با گروه تحقیقاتی زبان‌شناسی محاسباتی در دانشگاه ولورهمپتون (University of Wolverhampton) مرتبط هستند، سوابق درخشانی در حوزه‌های استخراج اطلاعات، یادگیری ماشین و کاربرد آن‌ها در علوم انسانی دارند.

این پژوهش در تقاطع سه حوزه کلیدی قرار دارد:

• پردازش زبان طبیعی (NLP): تمرکز بر درک و پردازش زبان انسان توسط ماشین.
• استخراج اطلاعات (IE): شاخه‌ای از NLP که به استخراج اطلاعات ساختاریافته از متون بدون ساختار می‌پردازد.
• علوم انسانی دیجیتال (DH): استفاده از ابزارها و روش‌های محاسباتی برای پاسخ به پرسش‌های پژوهشی در علوم انسانی.

مقاله تحت دسته‌بندی «بازیابی اطلاعات» (Information Retrieval) منتشر شده است که نشان‌دهنده تمرکز آن بر توسعه ابزارها و منابعی برای یافتن و سازمان‌دهی اطلاعات مرتبط از میان حجم انبوهی از داده‌های متنی است.

مقاله با تأکید بر اهمیت استخراج اطلاعات زندگی‌نامه‌ای از اسناد آنلاین آغاز می‌شود و اشاره می‌کند که استخراج رابطه (RE) مؤثرترین روش برای ساخت گراف‌های دانش بیوگرافیک است. نویسندگان مشکل اصلی را کمبود مجموعه داده‌های برچسب‌گذاری‌شده برای آموزش مدل‌های RE عنوان می‌کنند. برای رفع این چالش، آن‌ها مجموعه داده Biographical را توسعه داده‌اند که اولین مجموعه داده در نوع خود با رویکرد نیمه‌نظارتی است.

این مجموعه داده به‌طور خاص برای کاربرد در حوزه علوم انسانی دیجیتال و تحقیقات تاریخی طراحی شده است. فرآیند ساخت آن به‌صورت خودکار و از طریق هم‌ترازی جملات مقالات ویکی‌پدیا با داده‌های ساختاریافته از منابع معتبری مانند Wikidata و Pantheon انجام شده است. با بهره‌گیری هوشمندانه از ساختار مقالات ویکی‌پدیا و یک سیستم قدرتمند بازشناسی موجودیت نام‌دار (Named Entity Recognition – NER)، نویسندگان توانسته‌اند با دقت نسبتاً بالایی، جفت‌های رابطه‌ای را برای ده نوع رابطه کلیدی در حوزه زندگی‌نامه (مانند محل تولد، همسر، محل تحصیل و…) استخراج کنند.

برای اثبات کارایی این مجموعه داده، نویسندگان یک مدل عصبی پیشرفته را با استفاده از آن آموزش داده و عملکرد آن را بر روی یک مجموعه داده «استاندارد طلایی» (Gold Standard) که به‌دقت توسط انسان برچسب‌گذاری شده، ارزیابی کرده‌اند. نتایج نشان می‌دهد که مجموعه داده Biographical، با وجود تولید خودکار، برای آموزش مدل‌های کارآمد و دقیق، کاملاً مناسب است و می‌تواند جایگزین مناسبی برای داده‌های دستی باشد.

روش اصلی به‌کاررفته در این تحقیق، تکنیکی به نام «نظارت از راه دور» (Distant Supervision) است. این رویکرد بر یک فرض هوشمندانه استوار است: اگر دو موجودیت در یک پایگاه دانش (مانند Wikidata) با یکدیگر رابطه‌ای مشخص داشته باشند (مثلاً، ماری کوری «تحصیل‌کرده در» دانشگاه سوربن)، هر جمله‌ای در یک متن بزرگ (مانند ویکی‌پدیا) که هر دوی این موجودیت‌ها را در کنار هم ذکر کند، به احتمال زیاد بیانگر همان رابطه است.

فرآیند ساخت مجموعه داده Biographical شامل مراحل زیر است:

1. انتخاب منابع داده:
   • منبع دانش ساختاریافته: از پایگاه‌های دانش معتبری مانند Wikidata و Pantheon استفاده شده است. این منابع، اطلاعات را به‌صورت سه‌تایی‌های `(موجودیت۱، رابطه، موجودیت۲)` ذخیره می‌کنند. برای مثال: `(لئوناردو داوینچی، محل فوت، Château du Clos Lucé)`.
   • منبع متن بدون ساختار: مقالات زندگی‌نامه‌ای از ویکی‌پدیای انگلیسی به‌عنوان منبع غنی از جملات توصیفی انتخاب شده‌اند.
2. فرآیند هم‌ترازی (Alignment):
   • ابتدا یک واقعیت (Fact) از پایگاه دانش استخراج می‌شود، مانند رابطه «فرزند» بین «ماری کوری» و «ایرن ژولیو-کوری».
   • سپس مقاله ویکی‌پدیای مربوط به «ماری کوری» اسکن می‌شود.
   • یک مدل بازشناسی موجودیت نام‌دار (NER) قوی، تمامی موجودیت‌های نام‌دار را در جملات مقاله شناسایی می‌کند.
   • هر جمله‌ای که همزمان حاوی «ماری کوری» و «ایرن ژولیو-کوری» باشد، به‌عنوان یک جمله کاندید در نظر گرفته می‌شود.
   • در نهایت، این جمله کاندید با برچسب رابطه «فرزند» نشانه‌گذاری می‌شود و یک نمونه داده آموزشی `(جمله، برچسب رابطه)` ایجاد می‌گردد.
3. کاهش نویز و افزایش دقت:

   از آنجایی که رویکرد نظارت از راه دور می‌تواند داده‌های نویزی (برچسب‌های نادرست) تولید کند، نویسندگان از روش‌هایی برای افزایش دقت استفاده کرده‌اند. بهره‌گیری از ساختار بخش‌بندی‌شده مقالات ویکی‌پدیا (مانند بخش‌های Early Life یا Personal Life) و اعمال فیلترهای دیگر به آن‌ها کمک کرده تا جفت‌های رابطه‌ای با اطمینان بالاتری را انتخاب کنند.

نتیجه این فرآیند، یک مجموعه داده بزرگ با ده‌ها هزار نمونه برچسب‌گذاری‌شده برای ۱۰ رابطه بیوگرافیک مهم است، از جمله: `place_of_birth`, `place_of_death`, `spouse`, `child`, `parent`, `educated_at`, `employer` و غیره.

مهم‌ترین یافته این پژوهش، اثبات این موضوع است که می‌توان با روش‌های نیمه‌نظارتی، مجموعه داده‌ای با کیفیت کافی برای آموزش مدل‌های پیشرفته استخراج رابطه تولید کرد. این یافته، پارادایم سنتی وابستگی به برچسب‌گذاری دستی را به چالش می‌کشد.

• ایجاد یک منبع داده ارزشمند: اولین دستاورد، خودِ مجموعه داده Biographical است که به‌عنوان یک منبع عمومی در اختیار جامعه پژوهشی قرار گرفته و خلأ موجود در این زمینه را پر می‌کند.
• اعتبارسنجی عملی: نویسندگان صرفاً به تولید داده بسنده نکرده‌اند. آن‌ها کارایی آن را در یک سناریوی واقعی اثبات کردند. یک مدل عصبی مدرن (احتمالاً مبتنی بر معماری BERT) را با استفاده از این مجموعه داده آموزش دادند.
• عملکرد قابل قبول مدل: مدل آموزش‌دیده سپس بر روی یک مجموعه آزمون «استاندارد طلایی» (Gold Standard) که به‌صورت دستی توسط متخصصان برچسب‌گذاری شده بود، ارزیابی شد. نتایج نشان داد که این مدل به عملکردی رقابتی و قابل قبول دست یافته است. این موضوع ثابت می‌کند که سیگنال‌های معنایی موجود در مجموعه داده خودکار، برای یادگیری الگوهای پیچیده زبانی کافی است.

این یافته‌ها نشان می‌دهد که رویکرد نظارت از راه دور، زمانی که با دقت و با استفاده از منابع غنی مانند ویکی‌پدیا و Wikidata پیاده‌سازی شود، می‌تواند یک جایگزین بسیار مؤثر و کارآمد برای فرآیندهای پرهزینه برچسب‌گذاری دستی باشد.

این پژوهش دستاوردها و کاربردهای گسترده‌ای را در حوزه‌های مختلف به ارمغان می‌آورد:

• دموکراتیک کردن تحقیقات: با ارائه یک مجموعه داده رایگان و آماده، این مقاله به محققان، به‌ویژه در علوم انسانی دیجیتال و تاریخ، که ممکن است بودجه یا تخصص فنی لازم برای ایجاد داده‌های بزرگ را نداشته باشند، امکان می‌دهد تا از آخرین تکنیک‌های NLP برای پژوهش‌های خود بهره‌مند شوند.
• ساخت خودکار گراف‌های دانش: می‌توان از مدل‌های آموزش‌داده‌شده با Biographical برای پردازش حجم عظیمی از متون تاریخی و ساخت گراف‌های دانش بیوگرافیک استفاده کرد. این گراف‌ها می‌توانند شبکه‌های پیچیده روابط خانوادگی، حرفه‌ای و اجتماعی بین هزاران شخصیت تاریخی را به تصویر بکشند.
• بهبود سیستم‌های پرسش و پاسخ: این فناوری می‌تواند موتورهای جستجو و سیستم‌های پرسش و پاسخ را قادر سازد تا به سؤالات پیچیده بیوگرافیک پاسخ دهند. برای مثال: «کدام فیزیکدانان قرن بیستم در دانشگاه گوتینگن تدریس می‌کردند؟»
• تحلیل شبکه‌های اجتماعی تاریخی: مورخان و جامعه‌شناسان می‌توانند با استفاده از روابط استخراج‌شده، به تحلیل شبکه‌های نفوذ، همکاری‌های علمی، یا ارتباطات سیاسی در دوره‌های مختلف تاریخی بپردازند.
• کاربردهای فراتر از علوم انسانی: همان‌طور که نویسندگان اشاره کرده‌اند، این مجموعه داده می‌تواند برای اهداف دیگری مانند پیش‌آموزش (Pre-training) مدل‌های زبانی عمومی یا به‌عنوان داده کمکی برای افزایش دقت مدل‌ها در دامنه‌های دیگر نیز مفید باشد.

مقاله “Biographical: A Semi-Supervised Relation Extraction Dataset” یک گام مهم رو به جلو در زمینه استخراج اطلاعات و کاربرد آن در علوم انسانی دیجیتال است. این پژوهش با موفقیت، مشکل اساسی کمبود داده‌های آموزشی برای استخراج روابط زندگی‌نامه‌ای را هدف قرار داده و راهکاری عملی، نوآورانه و کارآمد ارائه می‌دهد.

نویسندگان با معرفی مجموعه داده Biographical و روش‌شناسی مبتنی بر نظارت از راه دور، نشان دادند که می‌توان با ترکیب هوشمندانه دانش ساختاریافته (Wikidata) و متن بدون ساختار (Wikipedia)، داده‌های آموزشی با کیفیت بالا را به‌صورت خودکار تولید کرد. اعتبارسنجی این مجموعه داده از طریق آموزش یک مدل عصبی پیشرفته و ارزیابی آن بر روی یک استاندارد طلایی، ارزش و قابلیت اطمینان آن را به اثبات رساند.

در نهایت، این کار نه‌تنها یک منبع ارزشمند برای جامعه علمی فراهم می‌کند، بلکه مسیرهای جدیدی را برای تحقیقات میان‌رشته‌ای، به‌ویژه در حوزه تاریخ محاسباتی و تحلیل‌های فرهنگی در مقیاس بزرگ، می‌گشاید و پلی مستحکم میان دنیای متون تاریخی و دانش ساختاریافته ماشینی بنا می‌نهد.