لم يراجع هذه الترجمة إنسان بعد
أُنتجت بمساعدة الترجمة الآلية. اقرأ النسخة الإنجليزية قبل أن تتصرف بناءً على أي شيء فيها.
مجموعة بيانات لوسم الأسماء في الكردية السورانية صارت مرخّصة بحرّية، ووسومها صُنعت بمطابقة قائمة كلمات لا باليد
654,404 وحدة لغوية موسومة من أربع غرف أخبار كردية، منشورة برخصة CC BY. ما تقدّمه لمن يبني أدوات كردية أو يشتريها، والحدود الأربعة التي يدوّنها مؤلفوها بأنفسهم.
جامعة تشارمو (Charmo University)
العراق
20254 دقائق
- باحث أو محلل
- مدير أو قيادة
- البحث
- تنظيف البيانات وتحليلها
ما هي
نشر باحثان في إقليم كردستان العراق مجموعة بيانات موسومة للكردية السورانية، وأصدراها برخصة CC BY، أي أن لأي أحد استخدامها، بما في ذلك تجارياً، ما دام ينسبها إلى مصدرها. يصف المجموعة Chovyan H. Wahid، من جامعة تشارمو في السليمانية والمعهد التقني الكردستاني، وRebwar M. Nabi، من جامعة السليمانية التقنية والمعهد التقني الكردستاني، في دورية Data in Brief، المنشورة إلكترونياً في 21 آب/أغسطس 2025. والبيانات نفسها على Mendeley Data تحت المعرّف 10.17632/6gffcrcj75.2.
الحجم: 2,300 مقال إخباري، و654,404 وحدة لغوية موسومة، و15 نوعاً من الكيانات. والنصوص من أربع غرف أخبار كردية، هي Rudaw وAva.news وNRT وKurdsat، من عام 2024 فصاعداً.
ما فائدة وسم الأسماء فعلاً
التعرّف على الكيانات المسمّاة يعني إيجاد الأسماء في نص وتحديد نوع كل اسم: شخص، أو منظمة، أو مكان، أو تاريخ. يبدو أمراً صغيراً. وهو الفرق بين مجلد وأرشيف.
إن كنت تحتفظ بأربعة آلاف مادة إخبارية أو مذكرة قضائية أو تفريغ شهادة بالكردية، فوسم الأسماء هو ما يتيح لك أن تسأل أيها يذكر وزارة بعينها، أو أن تُخرج كل مكان ورد في المجموعة كلها، أو أن تلاحظ أن الشخص نفسه يظهر في أربعة عشر ملفاً كنت قد صنّفتها بلا صلة. وبدونه تبقى لديك كومة لا تبحث فيها إلا كلمة كلمة، ويكفي اختلاف واحد في الإملاء لتضيع منك الوثيقة.
كيف صُنعت الوسوم، وما الذي يغيّره ذلك
ليس باليد. بنى المؤلفان معجماً من 12,030 كياناً، وطابقاه مع النص، ووسما بنظام BIO المعياري، الذي يضع لكل وحدة لغوية علامة: بداية كيان، أو داخله، أو خارج الكيانات كلها. ثم راجع خبيران لغويان مستقلان 30% من النتيجة واتفقا عند معامل كابا لكوهين 0.92.
هذه إشارة جودة حقيقية، وهي ليست الشيء نفسه كالوسم البشري. مطابقة المعجم تجد ما في المعجم: الاسم الغائب عن القائمة غير مرئي، والاسم الذي هو أيضاً كلمة عادية يُوسم أينما ورد. ويسمّي المؤلفان المشكلتين المفتوحتين بنفسيهما، تمييز الكيانات المتشابهة وتوحيد الرسم الكتابي، وهي أنفع جملة في الورقة.
ماذا تفعل بها
إن كنت تكلّف أحداً ببناء أداة كردية أو تقيّم واحدة، فلديك الآن سؤال ملموس تطرحه على من يبيعها: على أي بيانات كردية دُرِّبت، وهل تتعامل مع البادينية كما تتعامل مع السورانية؟ النظام المبني على هذه المجموعة سيكون في أفضل حالاته مع الكتابة الإخبارية السورانية الحديثة. لا تفترض شيئاً عن سلوكه خارج ذلك، واختبره على وثائقك أنت قبل أن تأتمنه على أرشيف.
وإن لم تكن تبني شيئاً، فالمفيد هو مجرد معرفة أنها موجودة وأن رخصتها تسمح بإعادة الاستخدام. حين يقول لك أحدهم إن الأدوات الكردية لا يمكن بناؤها لأن البيانات غير موجودة، فهذه حالة مضادة تستطيع تسميتها، وحدودها مكتوبة بأقلام صانعيها.
الأدوات التي تسمّيها المصادر
لا تسمّي المصادر أي أداة في هذه الحالة. ولم نخمّن واحدة، ولا ينبغي لأحد يعيد رواية القصة أن يخمّن.
ما لا ندّعيه
كل ما ورد أعلاه محدود بما تثبته مصادره فعلاً. وهذا هو الجزء الذي لا تثبته.
الوسوم لم يكتبها بشر. أُنتجت بمطابقة النص مع معجم من 12,030 كياناً ووسمه بنظام <bdi>BIO</bdi>. ثم تحقّق خبيران لغويان مستقلان من 30% من البيانات واتفقا عند معامل كابا لكوهين 0.92. لا تصف هذا بأنه متن موسوم يدوياً. ولاحظ ما يقيسه الرقم 0.92: الاتفاق بين هذين الخبيرين على الجزء الذي راجعاه، لا دقة المجموعة كلها.
سورانية فقط. لا بادينية فيها ولا كرمانجية. والأداة المبنية على هذه وحدها لن تخدم الناطقين بالكردية ممن يكتبون بتلك اللهجات.
لا شيء فيها سابق لعام 2024. فهي ليست دليلاً على لغة الأخبار الكردية قبل ذلك، ولا تحتوي أحداثاً أقدم.
يشير المؤلفان إلى مشكلتين لم تُحلّا: تمييز الكيانات المتشابهة، وتوحيد الرسم الكتابي. هذا ما تقوله ورقتهما نفسها. لا تقدّم المجموعة بوصفها مكتملة.
النصوص كتابة إخبارية من أربع مؤسسات. ما تغطّيه غرف الأخبار الأربع تلك، وكيف تكتب الأسماء، هو ما سيتعلمه أي شيء يُدرَّب عليها. هذه قراءتنا نحن، لا نتيجة في الورقة.