پردازش زبان طبیعی (NLP) به عنوان یکی از شاخه‌های پرشتاب هوش مصنوعی، همواره با چالش بازنمایی دقیق و جامع زبان‌های انسانی برای ماشین‌ها روبرو بوده است. زبان‌هایی با ساختار ریخت‌شناسی پیچیده، مانند زبان ترکی، این چالش را دوچندان می‌کنند. زبان ترکی یک زبان التصاقی (Agglutinative) است؛ به این معنا که کلمات می‌توانند با چسبیدن پسوندهای متعدد به ریشه، معانی گرامری و واژگانی بسیار متنوعی پیدا کنند. این ویژگی، اگرچه زبان را برای انسان‌ها کارآمد می‌سازد، اما مدل‌سازی محاسباتی آن را دشوار می‌کند.

مقاله «Enhancements to the BOUN Treebank Reflecting the Agglutinative Nature of Turkish» به بررسی و حل یکی از مشکلات اساسی در این زمینه می‌پردازد. پیکره‌های درختی (Treebanks)، مجموعه‌هایی از متون هستند که ساختار نحوی و وابستگی‌های گرامری کلمات در آن‌ها به‌دقت برچسب‌گذاری شده است. این پیکره‌ها ستون فقرات آموزش مدل‌های پیشرفته NLP مانند تجزیه‌گرهای وابستگی (Dependency Parsers) محسوب می‌شوند. مقاله حاضر، بر روی پیکره درختی BOUN (متعلق به دانشگاه بغازیچی) تمرکز کرده و تلاش می‌کند تا کاستی‌های آن در بازنمایی ویژگی‌های منحصربه‌فرد زبان ترکی را برطرف سازد. اهمیت این پژوهش در ارائه یک رویکرد نوین و مبتنی بر اصول زبان‌شناسی برای غنی‌سازی منابع داده‌ای است که می‌تواند به طور مستقیم به بهبود عملکرد ابزارهای NLP برای زبان ترکی و سایر زبان‌های التصاقی منجر شود.

این مقاله حاصل همکاری گروهی از پژوهشگران برجسته در حوزه زبان‌شناسی محاسباتی و پردازش زبان ترکی است: بüşra Marşan, Salih Furkan Akkurt, Muhammet Şen, Merve Gürbüz, Onur Güngör, Şaziye Betül Özateş, Suzan Üsküdarlı, Arzucan Özgür, Tunga Güngör و Balkız Öztürk. این تیم تحقیقاتی، که به احتمال زیاد از مراکز دانشگاهی و پژوهشی معتبر ترکیه برخاسته‌اند، در مرز دانش میان علوم کامپیوتر و زبان‌شناسی فعالیت می‌کنند.

زمینه اصلی این پژوهش، توسعه منابع زبانی (Language Resources) در چارچوب پروژه وابستگی‌های جهانی (Universal Dependencies – UD) است. UD یک پروژه بین‌المللی است که هدف آن ایجاد یک چارچوب استاندارد و بینازبانی برای برچسب‌گذاری روابط گرامری در زبان‌های مختلف جهان است. این استانداردسازی به پژوهشگران اجازه می‌دهد تا ابزارها و مدل‌هایی را توسعه دهند که بتوانند بر روی چندین زبان به طور همزمان کار کنند. با این حال، چارچوب UD گاهی برای بازنمایی تمام ظرافت‌های زبان‌های خاص، به‌ویژه زبان‌های غیراروپایی با ساختارهای متفاوت، نیاز به تطبیق و بهینه‌سازی دارد. این مقاله دقیقاً در همین نقطه قرار می‌گیرد و سعی دارد چارچوب UD را برای زبان ترکی کارآمدتر سازد.

هدف اصلی این مطالعه، ارائه راه‌حل‌هایی زبان‌شناسانه برای رفع سه مشکل عمده در پیکره درختی BOUN است که از ماهیت التصاقی زبان ترکی نشأت می‌گیرند:

• عدم بازنمایی تکواژهای صفر (Null Morphemes): تکواژهایی که معنای گرامری دارند اما شکل آوایی مشخصی ندارند (مانند شناسه سوم شخص مفرد در افعال).
• فرایندهای اشتقاقی بسیار زایا (Productive Derivational Processes): ساخت کلمات جدید با افزودن وندهای اشتقاقی که در حالت استاندارد UD به خوبی نمایش داده نمی‌شوند.
• تکواژهای هم‌صورت (Syncretic Morphemes): پسوندهایی که شکل یکسانی دارند اما نقش‌های دستوری متفاوتی ایفا می‌کنند.

نویسندگان برای حل این مسائل، قراردادهای برچسب‌گذاری جدیدی را معرفی می‌کنند بدون آنکه از چارچوب اصلی UD خارج شوند. راهکار اصلی آن‌ها شامل تجزیه برخی از بن‌واژه‌ها (Lemmas) و استفاده هوشمندانه از ستون MISC (متفرقه) در فرمت CoNLL-U برای ثبت اطلاعات مربوط به فرایندهای اشتقاقی است. در نهایت، برای ارزیابی کارایی این پیکره بازنگری‌شده، آن را بر روی یک تجزیه‌گر وابستگی مبتنی بر شبکه عصبی LSTM آزموده‌اند. همچنین، نسخه به‌روزرسانی‌شده‌ای از ابزار BoAT (ابزار حاشیه‌نویسی دانشگاه بغازیچی) معرفی شده که این قراردادهای جدید را پشتیبانی می‌کند.

روش‌شناسی این تحقیق بر پایه بازنگری و حاشیه‌نویسی مجدد پیکره درختی BOUN استوار است. پژوهشگران سه چالش کلیدی را شناسایی کرده و برای هر یک راهکاری مشخص ارائه داده‌اند:

۱. بازنمایی تکواژهای صفر:
در زبان ترکی، بسیاری از اطلاعات گرامری به صورت ضمنی و از طریق «نبودِ» یک پسوند منتقل می‌شود. برای مثال، در فعل “geldi” (او آمد)، شناسه سوم شخص مفرد یک تکواژ صفر است. در حالت عادی، ماشین قادر به درک این اطلاعات پنهان نیست. راهکار پیشنهادی در این مقاله، ایجاد توکن‌های مجازی (virtual tokens) یا استفاده از ویژگی‌های خاص برای نمایش صریح این تکواژهای غایب است تا تجزیه‌گر بتواند نقش فاعل را به درستی تشخیص دهد.

۲. مدل‌سازی فرایندهای اشتقاقی:
زبان ترکی به کاربران خود اجازه می‌دهد تا از یک ریشه، کلمات جدید و پیچیده‌ای بسازند. برای مثال، از ریشه göz (چشم) می‌توان کلمات gözlük (عینک)، gözlükçü (عینک‌ساز) و gözlükçülük (شغل عینک‌سازی) را ساخت. در چارچوب استاندارد UD، تمام این کلمات به ریشه اصلی خود یعنی göz ارجاع داده می‌شوند و اطلاعات مربوط به وندهای اشتقاقی از بین می‌رود. این امر درک معنایی ماشین را مختل می‌کند. راهکار این مقاله، استفاده از ستون MISC است. در این ستون، زنجیره اشتقاق به صورت صریح ثبت می‌شود. برای مثال، برای کلمه gözlükçü، اطلاعات به این صورت ذخیره می‌شود: Derivation=göz-lük-çü. این کار به مدل اجازه می‌دهد تا روابط معنایی بین کلمات هم‌خانواده را بهتر درک کند.

۳. رفع ابهام از تکواژهای هم‌صورت:
یک پسوند در زبان ترکی ممکن است چندین کاربرد داشته باشد. برای مثال، پسوند `-(y)I` می‌تواند نشانه مفعولی، ملکی سوم شخص یا بخشی از یک ساختار دیگر باشد. این ابهام برای تجزیه‌گرها مشکل‌ساز است. رویکرد جدید با تجزیه بن‌واژه (Lemma Splitting) و افزودن برچسب‌های دقیق‌تر در بخش ویژگی‌ها (FEATS)، این هم‌صورتی را برطرف می‌کند. به این ترتیب، هر نقش دستوری به طور منحصربه‌فرد شناسایی شده و به مدل آموزش داده می‌شود.

پس از تدوین این قوانین، کل پیکره BOUN مورد بازنگری قرار گرفت و با این قراردادهای جدید، مجدداً حاشیه‌نویسی شد. این فرایند، یک منبع داده‌ای غنی‌تر و دقیق‌تر را برای آموزش مدل‌های NLP فراهم آورد.

یافته‌های اصلی این پژوهش را می‌توان در چند حوزه دسته‌بندی کرد:

• ایجاد یک پیکره درختی غنی‌شده: دستاورد اصلی، تولید نسخه جدیدی از پیکره BOUN است که اطلاعات ریخت‌شناختی زبان ترکی را با دقتی بی‌سابقه بازنمایی می‌کند. این پیکره جدید، یک منبع ارزشمند برای جامعه پژوهشی NLP است.
• تأیید کارایی از طریق آزمایش عملی: نویسندگان برای سنجش تأثیر این تغییرات، یک تجزیه‌گر وابستگی مبتنی بر LSTM را یک بار با پیکره قدیمی و یک بار با پیکره جدید آموزش دادند. اگرچه مقاله به اعداد و ارقام دقیق اشاره نمی‌کند، اما نتایج نشان داد که مدلی که با داده‌های غنی‌شده آموزش دیده بود، توانایی بهتری در درک ساختارهای پیچیده نحوی و روابط وابستگی داشت. بازنمایی صریح اطلاعات اشتقاقی و تکواژهای صفر، به شبکه عصبی کمک کرد تا الگوهای زبانی را با دقت بالاتری بیاموزد.
• توسعه ابزار کاربردی: به‌روزرسانی ابزار BoAT (Boğaziçi Annotation Tool) یک یافته کاربردی مهم است. این ابزار اکنون از قراردادهای جدید پشتیبانی می‌کند و به دیگر پژوهشگران این امکان را می‌دهد که داده‌های خود را با همین استاندارد دقیق حاشیه‌نویسی کنند و به توسعه منابع زبان ترکی کمک نمایند.

این پژوهش دستاوردها و کاربردهای گسترده‌ای در حوزه پردازش زبان طبیعی دارد:

• بهبود ابزارهای NLP برای زبان ترکی: نتایج این تحقیق به طور مستقیم به ساخت ابزارهای هوشمندتر و دقیق‌تر برای زبان ترکی منجر می‌شود. این ابزارها شامل سیستم‌های ترجمه ماشینی، خلاصه‌سازی متون، تحلیل احساسات، چت‌بات‌ها و موتورهای جستجوی پیشرفته هستند. با درک عمیق‌تر ساختار کلمات، این سیستم‌ها می‌توانند معنای متون را بهتر استخراج کنند.
• ارائه یک الگو برای سایر زبان‌های التصاقی: راهکارهای ارائه‌شده در این مقاله (مانند استفاده از ستون MISC برای اشتقاق) می‌تواند به عنوان یک مدل موفق برای سایر زبان‌های التصاقی مانند فنلاندی، مجاری، ژاپنی، کره‌ای و حتی زبان فارسی (که عناصری از التصاق را داراست) مورد استفاده قرار گیرد. این امر به پیشرفت پروژه وابستگی‌های جهانی کمک شایانی می‌کند.
• تقویت پیوند میان زبان‌شناسی و هوش مصنوعی: این مقاله نمونه‌ای عالی از همکاری موفق بین این دو حوزه است. راه‌حل‌های پیشنهادی، صرفاً محاسباتی نیستند، بلکه ریشه در درک عمیق زبان‌شناختی از ساختار زبان ترکی دارند. این رویکرد، به ساخت مدل‌های هوش مصنوعی تفسیرپذیرتر و دقیق‌تر کمک می‌کند.
• تولید منابع داده‌ای پایدار: پیکره درختی غنی‌شده BOUN یک میراث علمی ارزشمند است که می‌تواند زیربنای تحقیقات آتی بسیاری در زمینه زبان ترکی باشد.

مقاله «غنی‌سازی پیکره درختی BOUN در راستای ماهیت التصاقی زبان ترکی» یک گام مهم و تأثیرگذار در جهت حل چالش‌های پردازش محاسباتی زبان‌های با ریخت‌شناسی پیچیده است. نویسندگان با موفقیت نشان دادند که چگونه می‌توان با ایجاد تغییراتی هوشمندانه و مبتنی بر اصول زبان‌شناسی در یک چارچوب استاندارد مانند Universal Dependencies، به بازنمایی دقیق‌تر و کامل‌تری از ساختار زبان دست یافت.

این پژوهش با پرداختن به مسائلی مانند تکواژهای صفر، فرایندهای اشتقاقی و تکواژهای هم‌صورت، نه تنها کیفیت پیکره درختی BOUN را به شکل چشمگیری ارتقا داده، بلکه یک نقشه راه عملی برای پژوهشگران فعال بر روی سایر زبان‌های التصاقی فراهم کرده است. در نهایت، این کار تأکیدی است بر این واقعیت که برای دستیابی به هوش مصنوعی پیشرفته در حوزه زبان، همکاری نزدیک میان متخصصان علوم کامپیوتر و زبان‌شناسان امری ضروری و اجتناب‌ناپذیر است.