امهری در حاشیه

امهری زبان کار دولت اتیوپی است و خط خودش را دارد؛ خطی هجایی که از گعز به ارث رسیده است. با این همه، در پیکره‌هایی که مدل‌های زبانی چندزبانه با آن‌ها آموزش می‌بینند، امهری را زبانی «کم‌منبع» می‌شمارند. این پوستر حاصل ممیزی دستی نمونه‌ای از متن‌هایی است که سه پیکرهٔ پرکاربرد وب با برچسب امهری منتشر کرده‌اند. پرسش ما ساده بود: آنچه زیر این برچسب آمده واقعاً امهری است؟ و اگر هست، از کجا آمده و از چه سخن می‌گوید؟

روش کار را از ممیزی کرویتسر و همکاران (۲۰۲۲) گرفتیم و برای خط گعز و نوشتار امهری در شبکه‌های اجتماعی تنظیمش کردیم. دو گویشور بومی هر جمله را جداگانه داوری کردند: امهری روان، امهری ماشینی یا شکسته، زبانی دیگر با همین خط، یا رشته‌ای که اصلاً زبان نیست. هر جا داوری‌ها یکی نبود، با گفت‌وگو به نتیجه رسیدیم، نه با شمردن رأی.

تصویری که به دست آمد تصویر زبانی است که از چشم برچسب‌زنِ ماشینی دیده شده: هر چه با این خط نوشته شده، امهری فرض شده است. متن‌های روان هم بیشتر از چند سرچشمهٔ محدود می‌آیند: نوشته‌های دینی، رسانه‌های دولتی و صفحه‌های تجاریِ ترجمهٔ ماشینی. زبان روزمره، شعر، دانش محلی کشاورزی و درمان، و نوشتهٔ زنان تقریباً به چشم نمی‌آید. مدلی که از این پیکره امهری بیاموزد، زبان را از دهان دولت و منبر یاد می‌گیرد.

یافته‌ها

منابع

Kreutzer, Julia, et al. 2022. "Quality at a Glance: An Audit of Web-Crawled Multilingual Datasets." Transactions of the Association for Computational Linguistics 10: 50–72.

Joshi, Pratik, Sebastin Santy, Amar Budhiraja, Kalika Bali, and Monojit Choudhury. 2020. "The State and Fate of Linguistic Diversity and Inclusion in the NLP World." Proceedings of ACL 2020, 6282–6293.