در عصر دیجیتال، فناوری‌های پردازش زبان طبیعی (NLP) به بخشی جدایی‌ناپذیر از زندگی روزمره ما تبدیل شده‌اند؛ از دستیارهای صوتی هوشمند گرفته تا سیستم‌های ترجمه ماشینی و تحلیل احساسات در شبکه‌های اجتماعی. با این حال، این پیشرفت‌ها با یک چالش اساسی و عمیق روبرو هستند: سوگیری الگوریتمی. اکثر مدل‌های زبانی پیشرفته بر اساس داده‌های حاصل از گویش‌های استاندارد یا «جریان اصلی» (Mainstream) آموزش دیده‌اند. این امر منجر به ایجاد یک شکاف دیجیتال می‌شود که در آن، گویش‌وران زبان‌های غیر استاندارد یا اقلیت‌ها، به‌طور سیستماتیک توسط این فناوری‌ها نادیده گرفته شده یا گفتارشان به اشتباه تفسیر می‌شود.

مقاله «به سوی تحلیل ژرف چندلایه زبان گویشی: مطالعه موردی انگلیسی آفریقایی-آمریکایی» نوشته‌ی «جمیل دیکن» (Jamell Dacon) دقیقاً به قلب این معضل می‌زند. این پژوهش، تبعیض زبانی نهفته در مدل‌های NLP را برجسته کرده و نشان می‌دهد که چگونه این سوگیری‌ها می‌توانند به تأثیرات اجتماعی زیان‌بار و به حاشیه رانده شدن جوامع خاص منجر شوند. اهمیت این مقاله در آن است که صرفاً به شناسایی مشکل بسنده نمی‌کند، بلکه با ارائه یک رویکرد روش‌شناختی نوین، راهی به سوی ساختن فناوری‌های زبانی عادلانه و فراگیر پیشنهاد می‌دهد. این تحقیق نه تنها یک گام مهم در جهت پیشرفت فنی NLP است، بلکه فراخوانی برای مسئولیت‌پذیری اجتماعی در دنیای هوش مصنوعی محسوب می‌شود.

این مقاله توسط جمیل دیکن، پژوهشگر حوزه علوم کامپیوتر و زبان‌شناسی محاسباتی، به رشته تحریر درآمده است. این پژوهش در دسته‌ی «محاسبات و زبان» (Computation and Language) قرار می‌گیرد که حوزه‌ای میان‌رشته‌ای است و به بررسی تقاطع بین علوم کامپیوتر، هوش مصنوعی و زبان‌شناسی می‌پردازد. هدف اصلی این حوزه، توسعه مدل‌ها و الگوریتم‌هایی است که کامپیوترها را قادر می‌سازد زبان انسان را درک، تولید و تحلیل کنند.

در سال‌های اخیر، جامعه علمی NLP به طور فزاینده‌ای به مسئله سوگیری در داده‌ها و الگوریتم‌ها توجه نشان داده است. بسیاری از مجموعه داده‌های استاندارد که برای آموزش مدل‌های زبانی استفاده می‌شوند، به‌طور نامتناسبی از متون نوشته شده توسط گروه‌های خاصی از جامعه (مانند مردان سفیدپوست با تحصیلات بالا) تشکیل شده‌اند. این مقاله در چنین زمینه‌ای متولد شده و به جنبش رو به رشد برای ساخت هوش مصنوعی اخلاقی و مسئولیت‌پذیر کمک می‌کند. تمرکز ویژه آن بر گویش انگلیسی آفریقایی-آمریکایی (African-American English – AAE)، آن را به یک مطالعه موردی قدرتمند برای نمایش چالش‌ها و ارائه راه‌حل‌های عملی تبدیل کرده است.

مقاله حاضر به بررسی این مسئله می‌پردازد که مدل‌های پردازش زبان طبیعی امروزی، تبعیض زبانی را ترویج می‌دهند و به دلیل نتایج سوگیرانه، پیامدهای اجتماعی بالقوه مضری را به همراه دارند. به عنوان مثال، ابزارهایی مانند برچسب‌زن‌های اجزای کلام (Part-of-Speech Taggers) که بر اساس انگلیسی جریان اصلی آمریکایی (Mainstream American English – MAE) آموزش دیده‌اند، هنگام مواجهه با انگلیسی آفریقایی-آمریکایی (AAE) نتایج غیرقابل تفسیر و نادرستی تولید می‌کنند، زیرا با ویژگی‌های زبانی این گویش که در داده‌های آموزشی خود ندیده‌اند، آشنا نیستند.

برای مقابله با این مشکل، نویسنده یک پارادایم «انسان در حلقه» (Human-in-the-Loop) را به کار می‌گیرد. هدف از این رویکرد، کسب درک عمیق‌تر از رفتار گویش‌وران AAE و نحوه استفاده آن‌ها از زبان است. این تحقیق بر ضرورت فراگیری زبان‌های گویشی تأکید می‌کند تا گویش‌وران بومی AAE بتوانند به طور گسترده با سیستم‌های NLP تعامل داشته باشند و در عین حال، احساس طردشدگی و به حاشیه رانده شدن آن‌ها کاهش یابد. این پژوهش در نهایت به دنبال ایجاد فضایی است که در آن فناوری، تنوع زبانی را به رسمیت شناخته و به آن احترام بگذارد.

یکی از نوآوری‌های کلیدی این مقاله، استفاده از رویکرد «انسان در حلقه» است. این روش فراتر از جمع‌آوری و برچسب‌گذاری صرف داده‌ها عمل می‌کند و بر کسب بینش کیفی و عمیق از زبان متمرکز است. این پارادایم به معنای مشارکت فعال متخصصان انسانی—در این مورد، زبان‌شناسان متخصص در AAE و گویش‌وران بومی—در فرآیند تحلیل است. مراحل این روش را می‌توان به صورت زیر تشریح کرد:

• جمع‌آوری داده‌های اصیل: در مرحله اول، نمونه‌هایی از زبان AAE از منابع واقعی مانند شبکه‌های اجتماعی، مصاحبه‌ها یا مجموعه داده‌های زبانی موجود که توسط گویش‌وران این زبان تولید شده، جمع‌آوری می‌شود.
• آزمون مدل‌های استاندارد: سپس، مدل‌های NLP استاندارد (مانند برچسب‌زن POS گوگل یا استنفورد) بر روی این داده‌ها اجرا می‌شوند تا نقاط شکست و خطاها شناسایی شوند. هدف، یافتن مواردی است که مدل در درک ساختار گرامری یا معنایی AAE دچار مشکل می‌شود.
• تحلیل با کمک انسان: نتایج نادرست و موارد چالش‌برانگیز به متخصصان انسانی ارائه می‌شود. این افراد توضیح می‌دهند که چرا مدل شکست خورده است. آن‌ها ویژگی‌های زبانی خاص AAE را که باعث این خطا شده‌اند (مانند ساختارهای گرامری منحصربه‌فرد یا واژگان خاص) شناسایی و تشریح می‌کنند.
• ساخت تحلیل چندلایه: بازخوردهای انسانی برای ساخت یک «تحلیل ژرف چندلایه» از گویش به کار می‌رود. این تحلیل شامل لایه‌های مختلف زبان‌شناختی از جمله آواشناسی، صرف، نحو و معناشناسی است و پیچیدگی‌ها و قواعد نظام‌مند AAE را مستند می‌کند. این رویکرد کیفی، درک عمیقی را فراهم می‌کند که صرفاً با روش‌های آماری قابل دستیابی نیست.

مهم‌ترین یافته این پژوهش، نمایش سیستماتیک شکست مدل‌های آموزش‌دیده بر روی MAE در تحلیل AAE است. این شکست‌ها تصادفی نیستند، بلکه ریشه در تفاوت‌های قاعده‌مند و ساختاری بین این دو گویش دارند. این مقاله نشان می‌دهد که این ویژگی‌ها «خطا» نیستند، بلکه بخشی از یک نظام زبانی منسجم و پیچیده هستند. برخی از این یافته‌ها عبارتند از:

• استفاده از فعل “be” برای بیان عادت (Habitual “be”): در AAE، جمله‌ای مانند “He be working” به این معناست که او به طور معمول و مکرر کار می‌کند. اما یک مدل استاندارد، “be” را به عنوان یک فعل کمکی در زمان حال استمراری تفسیر کرده و معنای جمله را به اشتباه درک می‌کند.
• حذف فعل ربطی (Copula Deletion): جملاتی مانند “She my sister” (به جای “She is my sister”) در AAE کاملاً رایج و صحیح هستند. مدل‌های استاندارد که انتظار حضور فعل ربطی را دارند، ممکن است در تشخیص ساختار نحوی و رابطه بین نهاد و گزاره دچار سردرگمی شوند.
• توافق منفی (Negative Concord): استفاده از چند منفی در یک جمله، مانند “He ain’t doin’ nothin'”, در AAE برای تأکید بر مفهوم منفی به کار می‌رود و معنای «او هیچ کاری انجام نمی‌دهد» را می‌رساند. اما مدل‌های مبتنی بر MAE این ساختار را به عنوان یک خطای گرامری یا یک جمله با دو منفی (که در منطق به معنای مثبت است) تفسیر می‌کنند.
• واژگان و اصطلاحات منحصربه‌فرد: AAE دارای دایره واژگان غنی و اصطلاحات خاص خود است که مدل‌های استاندارد با آن‌ها آشنا نیستند و نمی‌توانند معنای آن‌ها را در بافت تشخیص دهند.

این یافته‌ها به وضوح نشان می‌دهند که رویکرد «یک مدل برای همه» در پردازش زبان طبیعی منسوخ و ناکارآمد است و نیاز به مدل‌هایی که آگاهی گویشی (Dialect-Aware) دارند، به‌شدت احساس می‌شود.

این پژوهش فراتر از یک تحلیل نظری صرف، دستاوردها و کاربردهای عملی مهمی را به همراه دارد که هم بر فناوری و هم بر جامعه تأثیرگذار است.

• توسعه فناوری‌های فراگیرتر: بینش‌های حاصل از این تحقیق می‌تواند به مهندسان و توسعه‌دهندگان کمک کند تا نسل بعدی ابزارهای NLP را بسازند. این ابزارها شامل دستیارهای صوتی (مانند سیری و الکسا) خواهند بود که گفتار گویش‌وران AAE را بهتر درک می‌کنند، سیستم‌های تحلیل احساساتی که نظرات این جامعه را با دقت بیشتری ارزیابی می‌کنند، و ابزارهای تعدیل محتوایی که به اشتباه پست‌های آن‌ها را به عنوان سخنان نفرت‌پراکنانه یا غیر استاندارد علامت‌گذاری نمی‌کنند.
• کاهش سوگیری و تبعیض الگوریتمی: با ساختن مدل‌های آگاه به گویش، می‌توان از آسیب‌های اجتماعی ناشی از سوگیری جلوگیری کرد. برای مثال، در سیستم‌های استخدام خودکار که رزومه‌ها را تحلیل می‌کنند، یک مدل عادلانه نباید یک متقاضی را به دلیل استفاده از ساختارهای زبانی AAE جریمه کند.
• توانمندسازی جوامع به حاشیه رانده شده: مهم‌ترین دستاورد اجتماعی این تحقیق، اعتباربخشی به AAE به عنوان یک گویش زبانی معتبر و قاعده‌مند است. وقتی فناوری زبان یک جامعه را به رسمیت می‌شناسد، به اعضای آن جامعه احساس تعلق و ارزشمندی می‌دهد و به مقابله با انگاره‌های منفی و کلیشه‌های زبانی کمک می‌کند. این امر به کاهش «احساس طردشدگی دیجیتال» کمک شایانی می‌کند.
• ارائه یک نقشه راه: این مقاله یک چارچوب روش‌شناختی برای مطالعه سایر زبان‌ها و گویش‌های کمتر представленный در دنیای دیجیتال ارائه می‌دهد و می‌تواند به عنوان الگویی برای تحقیقات آینده در زمینه NLP عادلانه و فراگیر عمل کند.

مقاله «به سوی تحلیل ژرف چندلایه زبان گویشی» یک اثر مهم و به‌موقع است که زنگ خطری را برای جامعه هوش مصنوعی به صدا درمی‌آورد. این پژوهش به روشنی نشان می‌دهد که بی‌توجهی به تنوع زبانی نه تنها منجر به ساخت فناوری‌های ناکارآمد می‌شود، بلکه نابرابری‌های اجتماعی موجود را نیز تشدید می‌کند. جمیل دیکن استدلال می‌کند که راه‌حل این مشکل صرفاً افزودن «داده‌های بیشتر» نیست؛ بلکه نیازمند یک تغییر پارادایم هستیم—گذار از رویکردهای صرفاً آماری به سمت روش‌های انسان‌محور، کیفی و آگاه از نظر زبان‌شناختی.

این تحقیق با تمرکز بر انگلیسی آفریقایی-آمریکایی، یک مطالعه موردی قدرتمند ارائه می‌دهد که اهمیت درک عمیق ساختارها و ظرایف گویش‌ها را برجسته می‌سازد. در نهایت، این مقاله فراخوانی است برای ساختن آینده‌ای که در آن هوش مصنوعی نه به عنوان ابزاری برای یکسان‌سازی، بلکه به عنوان وسیله‌ای برای تجلیل و حمایت از تنوع غنی زبان‌های انسانی عمل کند. برای دستیابی به هوش مصنوعی واقعی و عادلانه، باید ابتدا به انسانیتی که در پس زبان نهفته است، احترام بگذاریم.