در سال‌های اخیر، مدل‌های زبانی از پیش آموزش‌دیده (PLMs) مانند GPT، BERT و همتایانشان، انقلابی در حوزه پردازش زبان طبیعی (NLP) ایجاد کرده‌اند. این مدل‌ها با توانایی بی‌نظیر خود در درک و تولید زبان انسان، مرزهای جدیدی را در تعامل انسان و ماشین گشوده‌اند. از ترجمه ماشینی گرفته تا خلاصه‌سازی متن، تولید محتوا و پاسخگویی به سوالات، کاربردهای این مدل‌ها وسیع و روزافزون است. اما با وجود پیشرفت‌های چشمگیر، این مدل‌ها هنوز با محدودیت‌های اساسی روبرو هستند. یکی از مهم‌ترین این محدودیت‌ها، عدم توجه کافی به “بافت انسانی” یا همان ویژگی‌های مرتبط با نویسنده و خالق متن است.

مقاله علمی با عنوان “مقایسه مدل‌های زبانی از پیش آموزش‌دیده: آیا بافت انسانی گروهی، فردی، یا هر دو بهتر است؟” (Comparing Pre-trained Human Language Models: Is it Better with Human Context as Groups, Individual Traits, or Both?) که توسط سونیک و همکاران (Soni et al., 2024) ارائه شده است، دقیقاً به این چالش حیاتی می‌پردازد. این تحقیق بر این فرض استوار است که زبان صرفاً مجموعه‌ای از کلمات و قواعد دستوری نیست، بلکه به شدت از حالات، ویژگی‌ها، زمینه‌های اجتماعی، موقعیتی و محیطی نویسنده خود تأثیر می‌پذیرد. نادیده گرفتن این جنبه‌های انسانی، باعث می‌شود مدل‌های زبانی نتوانند درک کاملی از ظرایف و مقاصد پنهان در پس متن داشته باشند.

اهمیت این مقاله در این است که نه تنها این شکاف حیاتی را شناسایی می‌کند، بلکه به بررسی رویکردهای مختلف برای ادغام بافت انسانی در مدل‌های زبانی می‌پردازد. این تحقیق گامی بلند به سوی توسعه سیستم‌های پردازش زبان طبیعی انسان‌محور (Human-centered NLP) است که قادرند زبان را نه تنها از منظر ساختاری، بلکه از دیدگاه کسانی که آن را تولید و مصرف می‌کنند، درک کنند. چنین رویکردی می‌تواند منجر به ساخت هوش مصنوعی‌هایی شود که کمتر دچار سوگیری هستند، ارتباطات انسانی را دقیق‌تر منعکس می‌کنند و در نهایت، تعاملی طبیعی‌تر و مفیدتر با انسان‌ها برقرار می‌سازند.

این مقاله توسط تیمی از محققین برجسته در حوزه پردازش زبان طبیعی به نگارش درآمده است: نیکیتا سونی (Nikita Soni)، نیرانجان بالاسوبرامانیان (Niranjan Balasubramanian)، اچ. اندرو شوارتز (H. Andrew Schwartz) و درک هووی (Dirk Hovy). این اسامی در جامعه تحقیقاتی NLP به واسطه کارهایشان در زمینه‌های تحلیل شخصیت از روی زبان، پردازش زبان طبیعی اجتماعی، و مدل‌سازی تعاملات انسانی شناخته شده‌اند. حضور چنین متخصصانی نشان‌دهنده عمق و جدیت این پژوهش است.

زمینه تحقیق این مقاله در تقاطع سه حوزه اصلی قرار دارد: محاسبات و زبان (Computation and Language)، هوش مصنوعی (Artificial Intelligence)، و یادگیری ماشین (Machine Learning). این حوزه‌ها مجموعاً بنیان‌های نظری و عملی برای توسعه سیستم‌های هوشمند پردازش زبان را فراهم می‌آورند. در سال‌های اخیر، گرایش فزاینده‌ای به سمت توسعه مدل‌های زبانی وجود داشته که نه تنها از نظر فنی پیشرفته‌اند، بلکه از نظر اخلاقی و اجتماعی نیز مسئولیت‌پذیر باشند.

این پژوهش به طور خاص در حوزه “پردازش زبان طبیعی انسان‌محور” قرار می‌گیرد. این رویکرد به دنبال آن است که سیستم‌های هوش مصنوعی را قادر سازد تا نه تنها معنای لغوی و گرامری جملات را بفهمند، بلکه عوامل انسانی مؤثر بر تولید و تفسیر زبان را نیز در نظر بگیرند. این شامل درک عواطف، نیت‌ها، زمینه‌های فرهنگی، موقعیت‌های اجتماعی و ویژگی‌های فردی نویسنده یا گوینده می‌شود. به این ترتیب، تحقیق حاضر نه تنها یک پیشرفت فنی محسوب می‌شود، بلکه پیامی مهم برای آینده توسعه هوش مصنوعی ارسال می‌کند: هوش مصنوعی‌های آینده باید نه تنها “باهوش” باشند، بلکه “انسانی” نیز باشند.

چکیده مقاله به وضوح به مسئله اصلی می‌پردازد: در حالی که مدل‌های زبانی از پیش آموزش‌دیده، بافت کلمات همسایه و اسناد را در نظر می‌گیرند، اما فاقد هرگونه بافت مرتبط با “نویسنده انسانی” تولیدکننده متن هستند. این نقص مهمی است؛ زیرا زبان به شدت به حالات، ویژگی‌ها، و خصوصیات اجتماعی، موقعیتی و محیطی نویسنده وابسته است که مجموعاً به عنوان “بافت انسانی” شناخته می‌شوند (Soni et al., 2024).

هدف اصلی پردازش زبان طبیعی انسان‌محور (human-centered natural language processing) این است که بافت انسانی را در مدل‌های زبانی ادغام کند. در حال حاضر، دو روش عمده برای این کار وجود دارد:

• پیش‌آموزش با ویژگی‌های گروهی: در این روش، ویژگی‌های نویسنده بر اساس گروه‌هایی که او به آن‌ها تعلق دارد، در نظر گرفته می‌شوند. مثال‌ها شامل گروه‌های سنی (مثلاً افراد بالای ۴۵ سال)، جنسیت، یا منطقه جغرافیایی هستند. این رویکرد ساده و قابل پیاده‌سازی است، اما دارای دقت پایین‌تری است؛ زیرا همه افراد یک گروه (مثلاً همه افراد بالای ۴۵ سال) به یک شیوه نمی‌نویسند و این رویکرد نمی‌تواند ظرایف فردی را پوشش دهد.
• پیش‌آموزش با ویژگی‌های فردی: این روش تلاش می‌کند تا ویژگی‌های منحصر به فرد هر فرد را به طور جداگانه مدل‌سازی کند. این رویکرد به مدل‌ها اجازه می‌دهد تا بازنمایی‌های شخصی‌تری از زبان ایجاد کنند که قادر به درک و تولید متن با سبک و خصوصیات یک فرد خاص باشند. اما چالش اینجاست که مدل‌سازی چنین ویژگی‌های پیچیده‌ای به داده‌های بیشتر و روش‌های پیچیده‌تری نیاز دارد.

سوال اصلی پژوهش این است که کدامیک از این رویکردها برای کدام وظایف سودمندتر است؟ تا پیش از این تحقیق، این موضوع به وضوح مشخص نبود. بنابراین، نویسندگان مقاله به مقایسه مدل‌های پیش‌آموزش‌دیده با بافت انسانی از سه طریق پرداختند:

1. استفاده از ویژگی‌های گروهی.
2. استفاده از کاربران انفرادی (ویژگی‌های فردی).
3. استفاده از یک رویکرد ترکیبی که هر دو مورد را لحاظ می‌کند.

این مقایسه بر روی پنج وظیفه مختلف در سطوح کاربر و سند انجام شد. یافته‌های کلیدی نشان می‌دهند که هیچ رویکرد “بهتری” به صورت مطلق وجود ندارد، اما مدل‌سازی زبان انسان‌محور مسیرهایی را برای توسعه روش‌های مختلف در آینده می‌گشاید. این بدان معناست که اثربخشی یک رویکرد به نوع وظیفه و اهداف خاص آن بستگی دارد.

برای پاسخ به این سوال کلیدی که کدام رویکرد ادغام بافت انسانی در مدل‌های زبانی مؤثرتر است، محققان یک روش‌شناسی مقایسه‌ای دقیق را طراحی کردند. هسته این روش‌شناسی حول سه سناریوی اصلی پیش‌آموزش مدل‌های زبانی می‌چرخد که هر یک نشان‌دهنده شیوه‌ای متفاوت برای گنجاندن بافت انسانی است:

• رویکرد اول: مدل‌سازی با ویژگی‌های گروهی (Group-wise Attributes)

  در این رویکرد، مدل‌ها با استفاده از ویژگی‌های جمعیتی یا اجتماعی نویسندگان که آن‌ها را در گروه‌های مشخصی طبقه‌بندی می‌کنند، آموزش داده شدند. این ویژگی‌ها می‌توانند شامل مواردی مانند سن (مثلاً دسته‌های سنی ۲۰-۳۰، ۳۰-۴۰ و غیره)، جنسیت، محل زندگی، سطح تحصیلات، یا حتی علایق عمومی باشند. مزیت این روش، سادگی و قابلیت تعمیم‌پذیری نسبی آن است، زیرا داده‌های مربوط به گروه‌ها معمولاً راحت‌تر جمع‌آوری می‌شوند. مدل با یادگیری الگوهای زبانی مرتبط با هر گروه، تلاش می‌کند تا متون را با در نظر گرفتن ویژگی‌های گروهی نویسنده پردازش کند.

• رویکرد دوم: مدل‌سازی با ویژگی‌های فردی (Individual Users/Traits)

  این روش به دنبال ایجاد بازنمایی‌های بسیار شخصی‌سازی‌شده است. در اینجا، هر کاربر به عنوان یک موجودیت منحصر به فرد با ویژگی‌های خاص خود در نظر گرفته می‌شود. به جای گروه‌بندی، مدل مستقیماً با شناسه منحصر به فرد هر کاربر یا مجموعه‌ای از ویژگی‌های خاص که تنها به آن فرد تعلق دارد، آموزش می‌بیند. این ویژگی‌ها می‌توانند شامل سبک نوشتاری منحصر به فرد، واژگان خاص، یا حتی نحوه بیان احساسات یک فرد باشند. این رویکرد پتانسیل بالایی برای درک عمیق‌تر و تولید متن شخصی‌سازی‌شده دارد، اما به دلیل نیاز به داده‌های فراوان از هر فرد و پیچیدگی مدل‌سازی، چالش‌برانگیزتر است.

• رویکرد سوم: رویکرد ترکیبی (Combined Approach)

  محققان برای بهره‌گیری از مزایای هر دو روش، یک رویکرد ترکیبی را نیز مورد آزمایش قرار دادند. در این سناریو، مدل‌ها نه تنها ویژگی‌های گروهی، بلکه ویژگی‌های فردی را نیز به صورت همزمان در فرآیند پیش‌آموزش خود ادغام می‌کنند. ایده این است که ویژگی‌های گروهی می‌توانند یک چارچوب کلی فراهم کنند و ویژگی‌های فردی جزئیات و ظرایف خاص هر نویسنده را به آن اضافه کنند. این روش می‌تواند پیچیدگی مدل را افزایش دهد، اما پتانسیل بالایی برای ایجاد مدل‌هایی با درک جامع‌تر از بافت انسانی دارد.

برای ارزیابی عملکرد این سه رویکرد، پژوهشگران پنج وظیفه مختلف را در سطوح کاربر و سند طراحی و اجرا کردند. این وظایف شامل:

• طبقه‌بندی متون بر اساس نویسنده: تعیین هویت نویسنده یک متن.
• تحلیل احساسات با در نظر گرفتن ویژگی‌های نویسنده: تشخیص احساسات در متنی که توسط یک گروه یا فرد خاص نوشته شده است.
• تولید متن با سبک خاص یک نویسنده یا گروه: ایجاد متنی که از نظر سبک نوشتاری مشابه یک نویسنده یا گروه خاص باشد.
• پیش‌بینی ویژگی‌های نویسنده از روی متن: استنتاج اطلاعاتی مانند سن یا جنسیت نویسنده از محتوای متنی او.
• بهبود فهم سوالات کاربر با بافت شخصی: درک بهتر نیت کاربر در سیستم‌های پرسش و پاسخ.

این وظایف به گونه‌ای انتخاب شدند که نیاز به درک عمیقی از بافت انسانی در سطوح مختلف داشته باشند. مدل‌ها با استفاده از مجموعه داده‌های بزرگ حاوی متون واقعی و اطلاعات مرتبط با نویسندگان (هم گروهی و هم فردی) آموزش دیدند و عملکرد آن‌ها با معیارهای استاندارد NLP سنجیده شد. این روش‌شناسی جامع و مقایسه‌ای، امکان بررسی دقیق و استخراج نتایج معتبر را برای محققان فراهم آورد.

نتایج حاصل از این مطالعه تطبیقی، بینش‌های مهمی را در مورد اثربخشی رویکردهای مختلف برای ادغام بافت انسانی در مدل‌های زبانی ارائه می‌دهد. یافته اصلی و شاید مهم‌ترین نتیجه این تحقیق این است که “هیچ رویکرد مطلقا برتری وجود ندارد”. این بدان معناست که عملکرد بهینه یک رویکرد خاص به شدت به نوع وظیفه (task) و اهداف مورد نظر بستگی دارد.

جزئیات بیشتری که از یافته‌ها استخراج می‌شود، عبارتند از:

• برتری رویکرد گروهی برای وظایف تعمیم‌پذیر:

  برای وظایفی که نیاز به درک الگوهای عمومی و قابل تعمیم در بین گروه‌های بزرگ از کاربران دارند، مدل‌سازی با ویژگی‌های گروهی اغلب عملکرد بهتری از خود نشان داد. به عنوان مثال، در تحلیل احساسات عمومی یک گروه سنی یا پیش‌بینی ترجیحات رفتاری یک قشر اجتماعی، داده‌های گروهی می‌توانند به اندازه کافی اطلاعات را برای مدل فراهم کنند. این رویکرد به ویژه در مواردی که داده‌های کافی برای مدل‌سازی هر فرد به صورت جداگانه در دسترس نیست، کارآمدتر است.

• ضرورت رویکرد فردی برای شخصی‌سازی دقیق:

  در مقابل، برای وظایفی که نیاز به شخصی‌سازی بسیار دقیق و درک ظرایف منحصر به فرد یک فرد خاص دارند، رویکرد مبتنی بر ویژگی‌های فردی عملکرد بهتری از خود نشان داد. به عنوان مثال، در تولید متن با سبک نوشتاری یک شخص خاص، یا در سیستم‌های توصیه‌گر که نیاز به درک عمیق از سلیقه و گذشته یک کاربر دارند، مدل‌سازی فردی نتایج مطلوب‌تری به ارمغان می‌آورد. این نشان می‌دهد که برای دستیابی به بالاترین سطح دقت در تعاملات یک به یک، جزئیات فردی ضروری هستند.

• عملکرد متغیر رویکرد ترکیبی:

  رویکرد ترکیبی که هم ویژگی‌های گروهی و هم فردی را در بر می‌گیرد، در برخی وظایف توانست تعادلی بین دقت و تعمیم‌پذیری ایجاد کند. در برخی سناریوها، این رویکرد موفق شد از مزایای هر دو بهره ببرد و نتایجی را ارائه دهد که از تک‌رویکردها بهتر بود. با این حال، در موارد دیگر، پیچیدگی اضافی آن لزوماً منجر به بهبود قابل توجهی نشد. این نشان می‌دهد که طراحی یک رویکرد ترکیبی کارآمد، نیازمند تحقیقات و بهینه‌سازی‌های بیشتری است تا بتواند به طور مؤثر از هم‌افزایی ویژگی‌های گروهی و فردی بهره‌برداری کند.

• اهمیت ماهیت وظیفه‌محور:

  نتیجه کلی تحقیق بر ماهیت وظیفه‌محور انتخاب رویکرد تاکید می‌کند. این بدان معناست که توسعه‌دهندگان سیستم‌های NLP باید با توجه به نوع کاربرد و نیازهای خاص آن، رویکرد مناسب برای ادغام بافت انسانی را انتخاب کنند. برای مثال، یک چت‌بات عمومی که با هزاران کاربر مختلف تعامل دارد، ممکن است از مدل‌سازی گروهی بهره‌مند شود، در حالی که یک دستیار مجازی شخصی برای یک فرد خاص، به مدل‌سازی فردی نیاز خواهد داشت.

در نهایت، این مطالعه به وضوح نشان می‌دهد که حوزه مدل‌سازی زبان انسان‌محور، یک فضای تحقیقاتی غنی با پتانسیل‌های فراوان برای توسعه روش‌های گوناگون است. این تحقیق نه تنها به سوالات مهمی پاسخ می‌دهد، بلکه راه را برای سوالات جدید و رویکردهای نوآورانه در آینده هموار می‌کند.

یافته‌های مقاله “مقایسه مدل‌های زبانی از پیش آموزش‌دیده: آیا بافت انسانی گروهی، فردی، یا هر دو بهتر است؟” دارای پیامدهای عملی و کاربردهای بسیار گسترده‌ای در توسعه نسل بعدی سیستم‌های هوش مصنوعی، به ویژه در حوزه پردازش زبان طبیعی، است. این دستاوردها نه تنها به بهبود دقت فنی کمک می‌کنند، بلکه مسیر را برای توسعه هوش مصنوعی‌های مسئولیت‌پذیرتر و انسان‌محورتر هموار می‌سازند:

• شخصی‌سازی پیشرفته محتوا و خدمات:

  این تحقیق پایه‌ای برای توسعه سیستم‌هایی فراهم می‌کند که می‌توانند محتوا و خدمات را با دقت بی‌سابقه‌ای برای کاربران شخصی‌سازی کنند. به عنوان مثال، سیستم‌های توصیه‌گر می‌توانند نه تنها بر اساس سابقه مرور کاربر، بلکه با در نظر گرفتن سبک نوشتاری، ویژگی‌های شخصیتی، و حتی حالات عاطفی لحظه‌ای او، محتوای مرتبط‌تر و جذاب‌تری ارائه دهند. این امر می‌تواند از مقالات خبری و سرگرمی گرفته تا محصولات تبلیغاتی و راهنمایی‌های آموزشی را شامل شود.

• بهبود تعاملات انسان و ماشین:

  ربات‌های گفت‌وگو و دستیاران مجازی می‌توانند با درک عمیق‌تر از بافت انسانی، تعاملاتی بسیار طبیعی‌تر و همدلانه‌تر داشته باشند. یک چت‌بات می‌تواند سبک گفتار خود را با توجه به سن یا حتی روحیه کاربر تنظیم کند، لحن مناسبی را اتخاذ کند و پاسخ‌هایی ارائه دهد که واقعاً متناسب با نیازها و انتظارات فردی باشد. این امر به ویژه در حوزه‌هایی مانند پشتیبانی مشتری، سلامت روان و آموزش بسیار حیاتی است.

• پردازش زبان طبیعی حساس به هویت و فرهنگ:

  درک بافت انسانی امکان توسعه سیستم‌های NLP را فراهم می‌آورد که به هویت‌های فرهنگی، اجتماعی و فردی کاربران حساسیت نشان می‌دهند. این می‌تواند به کاهش سوگیری‌های موجود در مدل‌های زبانی کمک کرده و اطمینان حاصل کند که سیستم‌های هوش مصنوعی برای همه افراد، صرف‌نظر از پیشینه یا ویژگی‌هایشان، منصفانه و محترمانه عمل می‌کنند. این دستاورد در توسعه هوش مصنوعی اخلاقی بسیار مهم است.

• تحلیل نویسنده و سبک‌شناسی پیشرفته:

  توانایی مدل‌ها در تشخیص ویژگی‌های گروهی و فردی نویسندگان، کاربردهای مهمی در forensic linguistics (زبان‌شناسی قانونی)، تشخیص هویت نویسنده، و تحلیل سبک نوشتاری دارد. این می‌تواند در مواردی مانند بررسی سرقت ادبی، شناسایی حساب‌های جعلی در شبکه‌های اجتماعی، یا حتی در تحلیل آثار ادبی برای شناسایی الگوهای منحصر به فرد نویسندگان مفید باشد.

• درک عمیق‌تر از پدیده‌های زبانی:

  این تحقیق به ما کمک می‌کند تا بفهمیم چگونه عوامل انسانی بر زبان تأثیر می‌گذارند و چگونه این تأثیرات را می‌توان به صورت محاسباتی مدل‌سازی کرد. این دانش می‌تواند به خودی خود منجر به پیشرفت در نظریه‌های زبان‌شناسی و روان‌شناسی زبان شود و دیدگاه‌های جدیدی را در مورد تعامل پیچیده انسان و زبان ارائه دهد.

در مجموع، دستاورد اصلی این مقاله نه تنها ارائه یک پاسخ قطعی، بلکه تأسیس یک چارچوب فکری و تجربی برای ادامه تحقیقات در زمینه پردازش زبان طبیعی انسان‌محور است. این تحقیق نشان می‌دهد که آینده NLP در گرو درک جامع‌تر از انسان‌هایی است که زبان را می‌سازند و به کار می‌برند.

در نهایت، مقاله “مقایسه مدل‌های زبانی از پیش آموزش‌دیده: آیا بافت انسانی گروهی، فردی، یا هر دو بهتر است؟” گامی مهم و روشنگر در مسیر تکامل پردازش زبان طبیعی برداشته است. این تحقیق با جسارت به یکی از محدودیت‌های اساسی مدل‌های زبانی کنونی – یعنی عدم درک کافی از بافت انسانی خالق متن – می‌پردازد و مسیرهای عملی برای رفع این نقیصه را مورد بررسی قرار می‌دهد.

خلاصه یافته‌های این پژوهش به وضوح نشان می‌دهد که هیچ رویکرد واحد و مطلقی برای ادغام بافت انسانی در مدل‌های زبانی وجود ندارد. اثربخشی روش‌های مبتنی بر ویژگی‌های گروهی، ویژگی‌های فردی، یا رویکردهای ترکیبی، به شدت به ماهیت وظیفه و سطح شخصی‌سازی مورد نیاز بستگی دارد. این نتیجه، به جای ایجاد یک جواب نهایی، دریچه‌ای به روی یک فضای تحقیقاتی پربار و پویا گشوده است که در آن، روش‌های مختلف می‌توانند برای چالش‌های متفاوت بهینه شوند.

پیامدهای این تحقیق فراتر از بهبود صرف عملکرد فنی مدل‌هاست. این پژوهش بر اهمیت حرکت به سوی سیستم‌های هوش مصنوعی انسان‌محور تأکید می‌کند؛ سیستم‌هایی که نه تنها قادر به تجزیه و تحلیل ساختار زبان هستند، بلکه می‌توانند ظرافت‌ها، نیت‌ها و پیچیدگی‌های انسانی نهفته در پس کلمات را نیز درک کنند. چنین رویکردی برای توسعه هوش مصنوعی‌های منصفانه‌تر، مسئولیت‌پذیرتر و در نهایت مفیدتر برای جامعه بشری حیاتی است.

برای تحقیقات آتی، چندین مسیر هیجان‌انگیز پیش رو قرار دارد:

• توسعه مدل‌های ترکیبی پیچیده‌تر: نیاز به طراحی الگوریتم‌هایی است که بتوانند به صورت دینامیک و بر اساس زمینه و وظیفه، بین اطلاعات گروهی و فردی تعادل برقرار کنند.
• کشف ابعاد جدید بافت انسانی: فراتر از ویژگی‌های جمعیتی و هویتی، می‌توان به بررسی عوامل دیگری مانند حالات روحی لحظه‌ای، پیشینه فرهنگی عمیق‌تر، یا حتی وضعیت فیزیولوژیکی نویسنده پرداخت.
• اعتبارسنجی در زبان‌ها و فرهنگ‌های گوناگون: لازم است تا این رویکردها در زبان‌های مختلف و با مجموعه‌های داده‌های متنوع فرهنگی مورد آزمایش قرار گیرند تا از تعمیم‌پذیری و عدم سوگیری آن‌ها اطمینان حاصل شود.
• ادغام بافت انسانی در نسل‌های جدید مدل‌های زبانی: با ظهور مدل‌های بزرگ‌تر و پیچیده‌تر، چگونگی گنجاندن بهینه بافت انسانی در معماری آن‌ها، یک چالش فنی مهم خواهد بود.

در نهایت، این مقاله نه تنها به ما می‌گوید که بافت انسانی مهم است، بلکه نشان می‌دهد که چگونه می‌توانیم این اهمیت را در قلب سیستم‌های هوش مصنوعی قرار دهیم. این مطالعه، سنگ بنایی برای ساخت آینده‌ای است که در آن هوش مصنوعی نه تنها با هوش، بلکه با درک عمیق از ماهیت انسانی، با ما سخن خواهد گفت.