«کم‌منبع» یک سیاست است، نه یک ویژگی
اردو و اقتصاد فناوری زبان
این رویداد بخشی از نمایش امکانات لرالینک برای برگزاری رویدادهای دانشی است. محتوای آن با دقت و بر پایهٔ منابع واقعی نوشته شده، اما همایش هنوز برگزار نشده است و شرکت‌کنندگانش، جز دبیر همایش، شخصیت‌هایی ساختگی‌اند.
در ادبیات پردازش زبان، به زبانی که دادهٔ دیجیتال برچسب‌خورده کمی دارد «کم‌منبع» می‌گویند. این واژه بی‌طرف به نظر می‌رسد، گویی از کمبودی طبیعی خبر می‌دهد، مثل سرزمینی کم‌آب. اردو را در نظر بگیرید: بیش از دویست میلیون نفر به آن سخن می‌گویند یا می‌خوانند، چند سده شعر و نثر و روزنامه‌نگاری پشت سر دارد، و با این همه در بسیاری از فهرست‌های فناوری زبان هنوز «کم‌منبع» است. منبع کم نیست. چیزی که کم است، سرمایه‌گذاری و تصمیم است.
پرتیک جوشی و همکارانش در ۲۰۲۰ زبان‌های جهان را بر اساس دادهٔ موجود در شش طبقه دسته‌بندی کردند و نشان دادند که بخش بزرگی از زبان‌های جهان در پایین‌ترین طبقه‌اند و چند زبان انگشت‌شمار تقریباً همهٔ منابع را در اختیار دارند. این شکاف بازتاب جمعیت گویشوران نیست؛ بازتاب جغرافیای پول و نهادهای پژوهشی است. ممیزی کرویتسر و همکارانش در ۲۰۲۲ چیز تلخ‌تری را نشان داد: در پیکره‌های بزرگی که از وب جمع شده‌اند، بخش چشمگیری از آنچه به نام زبان‌های کم‌منبع ثبت شده، در واقع متن زبانی دیگر یا اصلاً غیرزبانی بود. آمارها می‌گفتند داده هست، و داده نبود.
مورد اردو نشان می‌دهد این کمبود چگونه ساخته می‌شود. دهه‌ها روزنامه‌ها و کتاب‌های اردو در نرم‌افزار صفحه‌آرایی اختصاصی‌ای حروف‌چینی شدند که خروجی‌اش بیشتر تصویر بود تا متن. نتیجه این است که بخش بزرگی از نوشتار چاپی اردو در بایگانی‌ها هست، ولی برای ماشین خوانا نیست. خط نستعلیق، که خوانندهٔ اردو آن را خط طبیعی زبانش می‌داند، سال‌ها در قلم‌ها و سیستم‌عامل‌ها پشتیبانی درستی نداشت. هیچ‌یک از این‌ها ویژگی زبان نیست. همه تصمیم‌هایی است که شرکت‌ها، دولت‌ها و دانشگاه‌ها گرفته یا نگرفته‌اند.
پس پاسخ هم باید سیاسی باشد، نه فقط فنی. پیکرهٔ زبان باید کالای عمومی باشد، با مجوز روشن و حکمرانی جامعهٔ زبانی. شناسایی نوری حروف برای نستعلیق، دیجیتال‌سازی بایگانی روزنامه‌ها و ساختن واژه‌نامه‌های باز، کارهایی‌اند که بازار به‌تنهایی انجامشان نمی‌دهد. تجربهٔ شبکهٔ «ماساخانه» در آفریقا، که نکوتو و همکارانش در ۲۰۲۰ شرح داده‌اند، نشان می‌دهد پژوهش مشارکتی، به دست خود گویشوران و پژوهشگران همان زبان، می‌تواند در چند سال کاری را بکند که دهه‌ها انجام نشده بود.
برای نظامی که دانش را مستقل از یک زبان شناسایی می‌کند، این بحث یک پیامد مشخص دارد: نباید کیفیت یک زبان را با کیفیت ترجمهٔ ماشینی‌اش یکی گرفت. اگر مفهومی در اردو نوشته شده، آن نوشته اصل است و ترجمه‌اش به انگلیسی صورتی دیگر از همان شیء دانشی. زبانی که اصل دانش در آن نوشته می‌شود، تا ابد «کم‌منبع» نمی‌ماند.
پرسش‌های بحث
- چه نهادی باید هزینهٔ دیجیتال‌سازی بایگانی‌های چاپی زبان‌هایی مثل اردو را بپردازد؟
- پیکرهٔ زبانی به‌مثابه کالای عمومی چگونه از برداشت بی‌اجازهٔ شرکت‌ها در امان می‌ماند؟
- آیا برچسب «کم‌منبع» را باید کنار گذاشت، یا می‌توان معنای سیاسی‌اش را آشکار کرد؟
منابع
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.” In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 6282–6293.
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.
Nekoto, Wilhelmina, et al. 2020. “Participatory Research for Low-resourced Machine Translation: A Case Study in African Languages.” In Findings of the Association for Computational Linguistics: EMNLP 2020, 2144–2160.