در دنیای پویای پردازش زبان طبیعی (NLP)، ترجمه ماشینی (MT) به عنوان یک حوزه حیاتی و پرکاربرد، به طور مداوم در حال تکامل و پیشرفت است. این حوزه، با هدف خودکارسازی فرآیند ترجمه متون از یک زبان به زبان دیگر، چالش‌های متعددی را در بر دارد که از جمله مهم‌ترین آن‌ها، تفاوت‌های ساختاری و زبانی بین زبان‌های مختلف است. مقاله “کمّی‌سازی سنتز و همجوشی و تأثیرشان بر ترجمه ماشینی” تلاشی است در جهت فهم بهتر و کمّی‌سازی این تفاوت‌ها و اثر آن‌ها بر کیفیت ترجمه ماشینی. این مقاله با بررسی شاخص‌های سنتز (تراکم واژه‌ها) و همجوشی (میزان ترکیب و ادغام معنایی در واژه‌ها) در زبان‌های مختلف، سعی در ارائه رویکردی دقیق‌تر و کمّی‌تر به مقوله تنوع ریخت‌شناسی زبان‌ها دارد و در نهایت، به بررسی تاثیر این شاخص‌ها بر عملکرد سیستم‌های ترجمه ماشینی می‌پردازد.

این مقاله توسط تیمی از محققان برجسته در زمینه‌های پردازش زبان طبیعی، زبان‌شناسی محاسباتی و ترجمه ماشینی به رشته تحریر درآمده است:

• آرتورو اونسوی (Arturo Oncevay)
• دویگو آتامان (Duygu Ataman)
• نیلز ون برکل (Niels van Berkel)
• بری هادو (Barry Haddow)
• الکساندرا بیرچ (Alexandra Birch)
• یوهانس بیوروا (Johannes Bjerva)

این محققان با بهره‌گیری از تخصص خود در زمینه‌های مختلف، به بررسی عمیق و جامعی از موضوع پرداخته‌اند. زمینه تحقیقاتی این مقاله در حوزه‌های پردازش زبان طبیعی، هوش مصنوعی و به طور خاص ترجمه ماشینی قرار دارد. به طور کلی، این تحقیق در راستای تلاش برای بهبود کیفیت و کارایی سیستم‌های ترجمه ماشینی و درک بهتر تفاوت‌های زبانی انجام شده است.

چکیده این مقاله به این صورت است: مطالعات نظری در حوزه ریخت‌شناسی زبان‌ها، امکان سنجش تنوع ریخت‌شناختی را در یک مقیاس پیوسته فراهم می‌آورد. با این حال، در ادبیات پردازش زبان طبیعی، معمولاً یک زبان کامل با یک نوع ریخت‌شناسی مشخص، مانند همجوشی یا پیوندی، برچسب‌گذاری می‌شود. این مقاله با هدف کاهش این سخت‌گیری، به کمّی‌سازی ریخت‌شناسی در سطح واژه و تکواژ می‌پردازد. محققان، رویکرد پاین (Payne, 2017) را برای دسته‌بندی ریخت‌شناسی با استفاده از دو شاخص در نظر می‌گیرند: سنتز (از تحلیلی تا چندترکیبی) و همجوشی (از پیوندی تا همجوشی). برای محاسبه سنتز، روش‌های قطعه‌بندی ریخت‌شناختی بدون نظارت و با نظارت را برای زبان‌های انگلیسی، آلمانی و ترکی آزمایش می‌کنند، در حالی که برای همجوشی، یک روش نیمه‌خودکار با استفاده از زبان اسپانیایی به عنوان مطالعه موردی پیشنهاد می‌دهند. سپس، ارتباط بین کیفیت ترجمه ماشینی و درجه سنتز و همجوشی را در سطح واژه (اسم و فعل برای انگلیسی-ترکی، و فعل‌ها در انگلیسی-اسپانیایی) و سطح تکواژ (جفت زبان‌های قبلی به همراه انگلیسی-آلمانی در هر دو جهت) تجزیه و تحلیل می‌کنند. آن‌ها تجزیه و تحلیل سطح واژه را با ارزیابی انسانی تکمیل می‌کنند، و در مجموع، تاثیر ثابتی از هر دو شاخص بر کیفیت ترجمه ماشینی مشاهده می‌کنند.

به طور خلاصه، این مقاله به دنبال ارائه یک چارچوب کمّی برای درک تفاوت‌های ریخت‌شناختی زبان‌ها و تاثیر آن‌ها بر ترجمه ماشینی است. این چارچوب، با استفاده از شاخص‌های سنتز و همجوشی، امکان مقایسه دقیق‌تری بین زبان‌ها و بررسی ارتباط آن‌ها با عملکرد سیستم‌های ترجمه ماشینی را فراهم می‌کند.

روش‌شناسی این تحقیق شامل چندین مرحله کلیدی است:

1. تعریف و کمّی‌سازی شاخص‌های سنتز و همجوشی: محققان با استناد به رویکرد پاین (2017)، دو شاخص سنتز و همجوشی را به عنوان معیارهایی برای سنجش پیچیدگی ریخت‌شناختی زبان‌ها تعریف می‌کنند. سنتز به میزان تراکم اطلاعات در یک واژه اشاره دارد (مانند تفاوت بین “the dog” و “köpek” در ترکی که هر دو یک مفهوم را بیان می‌کنند). همجوشی به میزان ادغام و ترکیب معنایی اجزای مختلف یک واژه اشاره دارد.
2. محاسبه شاخص سنتز: برای محاسبه سنتز، از روش‌های قطعه‌بندی ریخت‌شناختی (Morphological Segmentation) استفاده شده است. این روش‌ها سعی می‌کنند واژه‌ها را به اجزای تشکیل‌دهنده آن‌ها (تکواژها) تجزیه کنند. دو نوع روش قطعه‌بندی مورد استفاده قرار گرفته‌اند: روش‌های بدون نظارت (Unsupervised) که بدون نیاز به داده‌های برچسب‌گذاری شده، الگوهای موجود در داده‌ها را شناسایی می‌کنند، و روش‌های با نظارت (Supervised) که از داده‌های برچسب‌گذاری شده برای یادگیری الگوها استفاده می‌کنند. زبان‌های انگلیسی، آلمانی و ترکی برای این بخش از تحقیق مورد استفاده قرار گرفته‌اند. به عنوان مثال، در زبان ترکی که زبانی پیوندی است، یک کلمه می‌تواند از چندین تکواژ تشکیل شده باشد که هر کدام معنای خاصی دارند. قطعه‌بندی این کلمات می‌تواند اطلاعات ارزشمندی در مورد میزان سنتز در این زبان ارائه دهد.
3. محاسبه شاخص همجوشی: برای محاسبه همجوشی، یک روش نیمه‌خودکار (Semi-automatic) پیشنهاد شده است. در این روش، از زبان اسپانیایی به عنوان یک مطالعه موردی استفاده شده است. روش نیمه‌خودکار به این معناست که بخشی از فرآیند به صورت خودکار انجام می‌شود و بخشی دیگر نیاز به مداخله انسانی دارد. به عنوان مثال، برای تعیین میزان همجوشی در فعل‌های اسپانیایی، ممکن است نیاز باشد که یک متخصص زبان‌شناسی، نحوه ترکیب زمان، وجه و شخص را در یک فعل بررسی و ارزیابی کند.
4. تجزیه و تحلیل ارتباط بین شاخص‌ها و کیفیت ترجمه ماشینی: در این مرحله، ارتباط بین مقادیر محاسبه شده برای شاخص‌های سنتز و همجوشی و کیفیت ترجمه ماشینی مورد بررسی قرار می‌گیرد. از جفت‌زبان‌های انگلیسی-ترکی، انگلیسی-اسپانیایی و انگلیسی-آلمانی در هر دو جهت (مثلاً از انگلیسی به ترکی و از ترکی به انگلیسی) استفاده شده است. کیفیت ترجمه ماشینی با استفاده از معیارهای استاندارد مانند BLEU score سنجیده می‌شود.
5. ارزیابی انسانی: علاوه بر معیارهای خودکار، ارزیابی انسانی نیز برای بررسی کیفیت ترجمه‌ها انجام شده است. در این ارزیابی، از افراد متخصص خواسته می‌شود که ترجمه‌ها را از نظر روانی، دقت و معنا مورد ارزیابی قرار دهند.

یافته‌های کلیدی این تحقیق عبارتند از:

• تاثیر سنتز بر کیفیت ترجمه ماشینی: نتایج نشان می‌دهند که میزان سنتز در زبان مبدأ و مقصد می‌تواند تاثیر قابل توجهی بر کیفیت ترجمه ماشینی داشته باشد. به طور کلی، ترجمه از زبان‌هایی با سنتز بالا (مانند ترکی) به زبان‌هایی با سنتز پایین (مانند انگلیسی) و بالعکس، می‌تواند چالش‌برانگیز باشد.
• تاثیر همجوشی بر کیفیت ترجمه ماشینی: همچنین، میزان همجوشی در زبان‌ها نیز بر کیفیت ترجمه تاثیرگذار است. زبان‌هایی که در آن‌ها اجزای مختلف واژه به شدت با هم ترکیب شده‌اند، ممکن است در ترجمه با مشکلاتی مواجه شوند.
• اهمیت سطح تجزیه و تحلیل: تجزیه و تحلیل در سطح واژه و تکواژ، اطلاعات متفاوتی را در مورد تاثیر سنتز و همجوشی بر ترجمه ماشینی ارائه می‌دهد. به عنوان مثال، تجزیه و تحلیل در سطح تکواژ می‌تواند جزئیات بیشتری در مورد نحوه ترکیب و ادغام معانی در واژه‌ها ارائه دهد.
• همسویی بین ارزیابی خودکار و انسانی: نتایج ارزیابی انسانی با نتایج ارزیابی خودکار (با استفاده از BLEU score) همسو بوده‌اند، که نشان می‌دهد شاخص‌های سنتز و همجوشی، معیارهای معتبری برای سنجش کیفیت ترجمه ماشینی هستند.

به طور کلی، این تحقیق نشان می‌دهد که توجه به ویژگی‌های ریخت‌شناختی زبان‌ها، مانند سنتز و همجوشی، می‌تواند به بهبود عملکرد سیستم‌های ترجمه ماشینی کمک کند.

این تحقیق دارای کاربردها و دستاوردهای متعددی است:

• بهبود معماری سیستم‌های ترجمه ماشینی: درک بهتر تاثیر سنتز و همجوشی بر کیفیت ترجمه، می‌تواند به طراحی معماری‌های بهتر برای سیستم‌های ترجمه ماشینی کمک کند. به عنوان مثال، ممکن است نیاز باشد که سیستم‌های ترجمه ماشینی، برای زبان‌هایی با سنتز بالا، از رویکردهای خاصی برای تجزیه و تحلیل و تولید واژه‌ها استفاده کنند.
• توسعه روش‌های جدید برای قطعه‌بندی ریخت‌شناختی: این تحقیق، روش‌های جدیدی را برای قطعه‌بندی ریخت‌شناختی معرفی کرده است که می‌توانند برای بهبود کیفیت ترجمه ماشینی و سایر کاربردهای پردازش زبان طبیعی مورد استفاده قرار گیرند.
• ارائه یک چارچوب کمّی برای مقایسه زبان‌ها: شاخص‌های سنتز و همجوشی، یک چارچوب کمّی را برای مقایسه زبان‌ها از نظر پیچیدگی ریخت‌شناختی ارائه می‌دهند. این چارچوب می‌تواند برای تحقیقات زبان‌شناسی تطبیقی و همچنین برای توسعه منابع زبانی مناسب برای زبان‌های مختلف مورد استفاده قرار گیرد.
• ارتقاء کیفیت ترجمه ماشینی: با استفاده از یافته‌های این تحقیق، می‌توان سیستم‌های ترجمه ماشینی را به گونه‌ای طراحی کرد که به ویژگی‌های ریخت‌شناختی زبان‌ها حساس‌تر باشند و در نتیجه، ترجمه‌های دقیق‌تر و روان‌تری ارائه دهند.

به عنوان مثال، اگر سیستمی بخواهد از انگلیسی به ترکی ترجمه کند، باید بداند که زبان ترکی زبانی پیوندی با سنتز بالا است. بنابراین، سیستم باید بتواند کلمات انگلیسی را به گونه‌ای تجزیه کند که معادل‌های مناسب آن‌ها را در قالب کلمات ترکی با چندین تکواژ تولید کند.

مقاله “کمّی‌سازی سنتز و همجوشی و تأثیرشان بر ترجمه ماشینی” گامی مهم در جهت درک بهتر تفاوت‌های ریخت‌شناختی زبان‌ها و تاثیر آن‌ها بر کیفیت ترجمه ماشینی است. این تحقیق با ارائه یک چارچوب کمّی برای سنجش سنتز و همجوشی و با بررسی تاثیر این شاخص‌ها بر عملکرد سیستم‌های ترجمه ماشینی، اطلاعات ارزشمندی را در اختیار محققان و توسعه‌دهندگان سیستم‌های ترجمه ماشینی قرار می‌دهد. نتایج این تحقیق نشان می‌دهند که توجه به ویژگی‌های ریخت‌شناختی زبان‌ها، می‌تواند به بهبود قابل توجهی در کیفیت ترجمه ماشینی منجر شود. در نهایت، این مقاله تاکید می‌کند که ترجمه ماشینی یک فرآیند پیچیده است که نیاز به درک عمیقی از زبان‌ها و ساختارهای آن‌ها دارد.

تحقیقات آینده می‌توانند به بررسی شاخص‌های ریخت‌شناختی دیگری که ممکن است بر کیفیت ترجمه ماشینی تاثیرگذار باشند، و همچنین به توسعه روش‌های پیشرفته‌تری برای تجزیه و تحلیل و تولید واژه‌ها در زبان‌های مختلف بپردازند. همچنین، گسترش این تحقیق به زبان‌های دیگر و بررسی تاثیر سنتز و همجوشی در حوزه‌های دیگر پردازش زبان طبیعی، مانند خلاصه‌سازی متن و پاسخگویی به سوالات، می‌تواند بسیار مفید باشد.