در دنیای پردازش زبان طبیعی (NLP)، توانایی ماشین برای درک عمیق متون خبری یک هدف اساسی است. متون خبری مملو از نقل‌قول‌های مستقیم، ارجاعات پیچیده به افراد و نهادها و احساسات پنهان و آشکار هستند. مقاله «نقل‌قول‌ها، تفکیک هم‌ارجاعی و نشانه‌گذاری احساسات در مقالات خبری کرواتی: مطالعه‌ای اکتشافی» به قلب این چالش می‌زند و یک منبع داده حیاتی برای زبان کرواتی، که در دسته زبان‌های با منابع کمتر (Less-Resourced Languages) قرار می‌گیرد، ایجاد می‌کند.

اهمیت این تحقیق در سه جنبه کلیدی نهفته است:

• استخراج نقل‌قول (Quotation Extraction): شناسایی دقیق اینکه «چه کسی، چه چیزی را گفته است» برای تحلیل اخبار، ردیابی شایعات و ساخت سیستم‌های پرسش و پاسخ ضروری است.
• تفکیک هم‌ارجاعی (Coreference Resolution): درک اینکه ضمایر و عبارات مختلف (مانند «او»، «رئیس جمهور»، «این مقام مسئول») به یک شخص یا موجودیت واحد اشاره دارند، برای فهم ارتباطات معنایی در متن حیاتی است.
• تحلیل احساسات (Sentiment Analysis): تشخیص نگرش و احساس گوینده نسبت به محتوای نقل‌قول، لایه‌ای عمیق‌تر از معنا را آشکار می‌کند که در تحلیل افکار عمومی و بازاریابی سیاسی کاربرد فراوان دارد.

این مقاله با ایجاد یک پیکره (Corpus) حاشیه‌نویسی‌شده برای زبان کرواتی، نه تنها ابزاری ارزشمند برای محققان این زبان فراهم می‌کند، بلکه با مقایسه چالش‌های آن با زبان انگلیسی، به درک بهتر ویژگی‌های زبانی خاص که بر این وظایف تأثیر می‌گذارند، کمک شایانی می‌نماید. این امر راه را برای توسعه مدل‌های NLP قوی‌تر و دقیق‌تر برای زبان‌های غیرانگلیسی هموار می‌سازد.

این مقاله حاصل همکاری تیمی از پژوهشگران به نام‌های Jelena Sarajlić، Gaurish Thakkar، Diego Alves و Nives Mikelic Preradović است. این محققان در حوزه «محاسبات و زبان» (Computation and Language) فعالیت دارند، زمینه‌ای میان‌رشته‌ای که بر توسعه روش‌های محاسباتی برای تحلیل و درک زبان انسان تمرکز دارد.

زمینه تحقیق این مقاله، زبان‌شناسی پیکره‌ای (Corpus Linguistics) و ایجاد منابع داده حاشیه‌نویسی‌شده است. در یادگیری ماشین مدرن، به‌ویژه در حوزه NLP، کیفیت و کمیت داده‌های آموزشی حرف اول را می‌زند. بدون پیکره‌های باکیفیت که توسط انسان‌ها با دقت برچسب‌گذاری شده باشند، آموزش مدل‌های پیشرفته برای وظایف پیچیده‌ای مانند تفکیک هم‌ارجاعی یا تحلیل احساسات گوینده تقریباً غیرممکن است. این مقاله دقیقاً به همین نیاز اساسی در اکوسیستم NLP زبان کرواتی پاسخ می‌دهد و یک زیرساخت داده‌ای بنیادی را فراهم می‌آورد.

مقاله، فرآیند ساخت و تحلیل یک پیکره خبری برای زبان کرواتی را شرح می‌دهد که برای وظیفه استخراج گفتار مستقیم (Direct Speech Extraction) حاشیه‌نویسی شده است. تمرکز اصلی بر سه لایه حاشیه‌نویسی است:

• نشانه‌گذاری نقل‌قول: در این لایه، بخش‌های دقیق نقل‌قول، گوینده (منبع) و فعل گزارش‌دهنده (مانند «گفت»، «اظهار داشت») مشخص شده‌اند.
• تفکیک هم‌ارجاعی: زنجیره‌هایی از عبارات که به یک موجودیت واحد اشاره دارند، به هم متصل شده‌اند. برای مثال، در جمله «نخست‌وزیر وارد شد. او سپس در مورد اقتصاد صحبت کرد.»، عبارات «نخست‌وزیر» و «او» به یکدیگر پیوند داده می‌شوند.
• نشانه‌گذاری احساسات: در این بخش، احساساتِ گوینده نسبت به محتوایی که بیان می‌کند (نه احساسات کلی مقاله) با برچسب‌های مثبت، منفی یا خنثی مشخص شده است. این یک تمایز ظریف اما بسیار مهم است.

پیکره مورد استفاده در این تحقیق، مجموعه داده خبری SETimes است که به زبان کرواتی موجود است. یکی از نوآوری‌های کلیدی این مقاله، تحلیل مقایسه‌ای چالش‌های این فرآیند در زبان کرواتی با زبان انگلیسی است. این تحلیل به شناسایی پدیده‌های زبانی خاصی منجر شده که نیازمند توجه ویژه در هنگام حاشیه‌نویسی هستند. در نهایت، پیکره تولیدشده به عنوان یک منبع چندمنظوره می‌تواند برای طیف وسیعی از وظایف در حوزه پردازش زبان طبیعی مورد استفاده قرار گیرد.

فرآیند تحقیق در این مقاله به‌صورت نظام‌مند و در چند مرحله کلیدی انجام شده است:

1. انتخاب پیکره پایه: محققان از پیکره خبری SETimes استفاده کردند. این پیکره به دلیل پوشش موضوعات متنوع خبری و در دسترس بودن به زبان‌های مختلف اروپای شرقی، از جمله کرواتی، یک انتخاب مناسب بود.
2. طراحی schéma یا طرح حاشیه‌نویسی (Annotation Scheme): یک دستورالعمل دقیق برای حاشیه‌نویسی سه لایه اصلی تدوین شد. این دستورالعمل تضمین می‌کرد که تمامی حاشیه‌نویسان (Annotators) از یک رویه واحد پیروی کنند.
   • برای نقل‌قول‌ها: مرزهای دقیق کلام نقل‌شده، شناسایی گوینده اصلی (حتی اگر در متن به صورت غیرمستقیم ذکر شده باشد) و فعل یا عبارت گزارش‌دهنده (cue) مشخص می‌شد.
   • برای هم‌ارجاعی: تمام اسامی، ضمایر و عبارات توصیفی که به یک شخص، سازمان یا مکان یکسان اشاره داشتند، در یک زنجیره (chain) قرار می‌گرفتند.
   • برای احساسات: حاشیه‌نویسان موظف بودند قطبیت (مثبت، منفی، خنثی) دیدگاه گوینده را نسبت به موضوعی که درباره آن صحبت می‌کند، استنباط و برچسب‌گذاری کنند.
3. فرآیند حاشیه‌نویسی و کنترل کیفیت: حاشیه‌نویسی توسط نیروی انسانی آموزش‌دیده انجام شد. برای اطمینان از کیفیت و سازگاری داده‌ها، معیاری به نام توافق بین حاشیه‌نویسان (Inter-Annotator Agreement – IAA) محاسبه شد. مقادیر بالای IAA نشان‌دهنده وضوح دستورالعمل‌ها و ثبات در برچسب‌گذاری است.
4. تحلیل چالش‌های زبانی: در حین کار، تیم تحقیق پدیده‌های خاص زبان کرواتی را که فرآیند را نسبت به زبان انگلیسی چالش‌برانگیزتر می‌کرد، مستند کردند. این موارد شامل ساختار دستوری آزادتر (Free Word Order)، صرف غنی افعال و اسامی (Rich Morphology) و پدیده حذف ضمیر فاعلی (Pro-drop) بود.

مهم‌ترین دستاورد این پژوهش، خودِ پیکره حاشیه‌نویسی‌شده است که به عنوان اولین منبع داده جامع در این زمینه برای زبان کرواتی ارائه می‌شود. با این حال، یافته‌های تحلیلی مقاله نیز بسیار ارزشمند هستند:

• پیچیدگی ساختار نقل‌قول: در زبان کرواتی، برخلاف انگلیسی که ساختار “X said, ‘…'” بسیار رایج است، فعل گزارش‌دهنده می‌تواند در میانه یا انتهای نقل‌قول نیز ظاهر شود. این تنوع ساختاری، استخراج خودکار نقل‌قول را دشوارتر می‌کند.
• چالش‌های هم‌ارجاعی در زبان‌های صرفی: زبان کرواتی یک زبان صرفی (Inflectional) است. این بدان معناست که اسامی و ضمایر بسته به نقش دستوری‌شان در جمله (فاعلی، مفعولی و غیره) تغییر شکل می‌دهند. این ویژگی باعث می‌شود که شناسایی تمام اَشکال یک موجودیت در متن نیازمند مدل‌های آگاه از صرف زبان باشد. علاوه بر این، پدیده Pro-drop، که در آن ضمیر فاعلی به دلیل مشخص بودن از طریق صرف فعل حذف می‌شود، ایجاد زنجیره‌های هم‌ارجاعی را پیچیده‌تر می‌کند.
• تفاوت در افعال گزارش‌دهنده: تحلیل‌ها نشان داد که توزیع و کاربرد افعال گزارش‌دهنده (مانند گفتن، ادعا کردن، تأکید کردن) در اخبار کرواتی با انگلیسی تفاوت‌هایی دارد که می‌تواند بر تحلیل احساسات گوینده تأثیر بگذارد.
• فهرست پدیده‌های نیازمند توجه: مقاله فهرستی از این چالش‌های زبانی را ارائه می‌دهد که به عنوان یک نقشه راه برای محققانی عمل می‌کند که قصد دارند پروژه‌های مشابهی را برای سایر زبان‌های اسلاوی یا زبان‌های با ساختار مشابه اجرا کنند.

پیکره تولیدشده در این تحقیق، یک دستاورد بنیادی با کاربردهای عملی متعدد است. این منبع داده می‌تواند به عنوان داده طلایی (Gold Standard) برای آموزش و ارزیابی مدل‌های یادگیری ماشین در وظایف زیر به کار رود:

• سیستم‌های استخراج اطلاعات (Information Extraction): ساخت پایگاه‌های دانش خودکار از متون خبری با شناسایی دقیق روابط بین افراد و اظهاراتشان.
• تحلیل افکار عمومی و رسانه (Opinion Mining): ردیابی نگرش شخصیت‌های سیاسی، مدیران شرکت‌ها و کارشناسان نسبت به موضوعات مختلف در طول زمان.
• خلاصه‌سازی متن (Text Summarization): تولید خلاصه‌هایی که نقل‌قول‌های کلیدی و مهم را در بر می‌گیرند و به خواننده دیدگاه‌های اصلی را ارائه می‌دهند.
• تشخیص اخبار جعلی (Fake News Detection): با شناسایی تناقضات در نقل‌قول‌های منسوب به یک فرد یا مقایسه دیدگاه‌های مختلف، می‌توان سرنخ‌هایی برای شناسایی اطلاعات نادرست به دست آورد.
• سیستم‌های پرسش و پاسخ پیشرفته (Advanced Q&A): پاسخ به سؤالاتی مانند «نظر فلان شخص در مورد موضوع X چه بود؟» با دقت بالا.
• پژوهش‌های زبان‌شناسی محاسباتی: این پیکره به زبان‌شناسان اجازه می‌دهد تا الگوهای کاربرد زبان در رسانه‌های کرواتی را در مقیاس بزرگ مطالعه کنند.

در نهایت، این کار گامی مهم در جهت کاهش شکاف دیجیتالی برای زبان‌های با منابع کمتر است و به جامعه NLP کرواتی ابزاری قدرتمند برای پیشبرد تحقیقات خود ارائه می‌دهد.

مقاله «نقل‌قول‌ها، تفکیک هم‌ارجاعی و نشانه‌گذاری احساسات در مقالات خبری کرواتی» یک مطالعه اکتشافی موفق و تأثیرگذار است که یک خلأ مهم در منابع پردازش زبان طبیعی برای زبان کرواتی را پر می‌کند. نویسندگان با دقت و روش‌مندی، یک پیکره چندلایه و غنی را ایجاد کرده‌اند که نه تنها برای توسعه ابزارهای NLP عملی، بلکه برای درک عمیق‌تر چالش‌های زبانی خاص این زبان نیز مفید است.

این پژوهش نشان می‌دهد که ایجاد منابع داده باکیفیت برای هر زبان، یک سرمایه‌گذاری زیرساختی و ضروری برای پیشرفت در عصر هوش مصنوعی است. یافته‌های این مقاله، به‌ویژه در مورد تفاوت‌های بین زبان کرواتی و انگلیسی، به محققان دیگر کمک می‌کند تا از تکرار اشتباهات پرهیز کرده و روش‌های خود را برای زبان‌های مشابه بهینه‌سازی کنند. این پیکره، سنگ بنایی برای نسل بعدی ابزارهای هوشمند تحلیل متن به زبان کرواتی خواهد بود.