قفزة في معالجة اللغات الطبيعية: تقييم طرق تحسين البيانات للغات الأفريقية النادرة

في عالم معالجة اللغات الطبيعية (Natural Language Processing)، تواجه اللغات الأفريقية النادرة تحديات كبيرة بسبب نقص البيانات المتاحة. في دراسة جديدة، تم تقييم طريقتين لتحسين البيانات وهما: توليد البيانات المدعوم بنماذج لغوية ضخمة (Large Language Models) مثل Gemini 2.5 Flash، وطرق الترجمة العكسية (Back-Translation) مثل NLLB-200. تم التركيز خلال التقييم على لغتين غرب أفريقيتين هما هاوسا وفونغبي، واللتين تختلفان بشكل كبير في جودة توليد النماذج اللغوية.

تركز الدراسة على تقييم مدى فاعلية تحسين البيانات في مهمتين مختلفتين، وهما التعرف على الكيانات المسماة (Named Entity Recognition) وترميز أجزاء الكلام (Part-of-Speech Tagging) باستخدام معايير الأداء MasakhaNER 2.0 وMasakhaPOS. أظهرت النتائج أن فعالية تحسين البيانات تعتمد على نوع المهمة أكثر من اعتمادها على اللغة أو جودة النموذج اللغوي بمفرده.

على سبيل المثال، في مهمة التعرف على الكيانات المسماة، لم يحقق أي من الطريقتين تحسناً عن المعايير الأساسية، حيث سجل التحسين المدعوم بنموذج اللغة تراجعاً بنسبة 0.24% في هاوسا و1.81% في فونغبي. لكن في مهمة ترميز أجزاء الكلام، ظهرت نتائج متباينة، حيث أظهر استخدام تحسين البيانات المدعوم بنموذج اللغة تحسينًا في دقة فونغبي بنسبة 0.33%، بينما أدى الترجمة العكسية إلى تحسن نسبته 0.17% في هاوسا.

المفاجأة كانت في أن بيانات النموذج اللغوي المدعومة تظهر تأثيرات عكسية عبر المهام في فونغبي - حيث تضر التعرف على الكيانات المسماة بينما تفيد ترميز أجزاء الكلام. هذا ما يشير إلى أن هيكل المهمة هو ما يُحدد نتائج تحسين البيانات أكثر من جودة البيانات الاصطناعية نفسها.

تدعو هذه النتائج إلى إعادة النظر في الافتراضات القائلة بأن جودة توليد النماذج اللغوية يمكن أن تتنبأ بنجاح تحسين البيانات. ومن ثم، ينبغي اعتبار تحسين البيانات تدخلاً خاصاً بكل مهمة بدلاً من خطوة تحضيرية مفيدة بشكل عام.