التصنيفات اللغوية

تُدرَّس عادةً في المدارس أن اللغة الإنجليزية تتكون من تسعة أقسام للكلام : الاسم ، والفعل ، وأداة التعريف ، والصفة ، وحرف الجر ، والضمير ، والظرف ، وحرف العطف ، وأداة التعجب . مع ذلك، من الواضح أن هناك العديد من الفئات والفئات الفرعية الأخرى. بالنسبة للأسماء، يمكن التمييز بين صيغ الجمع، والملكية، والمفرد. في العديد من اللغات، تُصنَّف الكلمات أيضًا حسب حالتها الإعرابية (دورها كفاعل، أو مفعول به، إلخ)، وجنسها النحوي ، وما إلى ذلك؛ بينما تُصنَّف الأفعال حسب زمنها ، وجانبها ، وأمور أخرى. في بعض أنظمة التصنيف، تحصل التصريفات المختلفة للكلمة الجذرية نفسها على أقسام كلام مختلفة، مما ينتج عنه عدد كبير من التصنيفات. على سبيل المثال، NN للأسماء العامة المفردة، وNNS للأسماء العامة الجمع، وNP للأسماء العلم المفردة (انظر تصنيفات أقسام الكلام المستخدمة في مدونة براون). تستخدم أنظمة تصنيف أخرى عددًا أقل من التصنيفات وتتجاهل الفروق الدقيقة أو تُنمذجها كخصائص مستقلة إلى حد ما عن قسم الكلام. ^{[ 2 ]}

في عملية تحديد أجزاء الكلام باستخدام الحاسوب، من المعتاد التمييز بين 50 إلى 150 جزءًا مختلفًا من الكلام في اللغة الإنجليزية. وقد أُجريت دراسات لتحديد أجزاء الكلام في لغاتٍ عديدة، وتختلف مجموعة علامات أجزاء الكلام المستخدمة اختلافًا كبيرًا باختلاف اللغة. عادةً ما تُصمَّم العلامات لتشمل فروقًا صرفية واضحة، على الرغم من أن هذا يؤدي إلى تناقضات، مثل استخدام علامات الحالة للضمائر دون الأسماء في اللغة الإنجليزية، واختلافات أكبر بكثير بين اللغات. قد تكون مجموعات العلامات للغات ذات التصريفات الكثيرة، مثل اليونانية واللاتينية ، كبيرة جدًا؛ وقد يكون تحديد الكلمات في اللغات اللاصقة، مثل لغات الإنويت، شبه مستحيل. استخدمت دراسةٌ حول الطرق الاحتمالية لتحديد أجزاء الكلام في اللغة اليونانية العامية (ديروز، 1990) أكثر من 1000 جزء من الكلام، ووجدت أن عدد الكلمات الغامضة في تلك اللغة يُقارب عددها في اللغة الإنجليزية. في حالة اللغات الغنية صرفيًا، يتم التعبير عن الواصف الصرفي النحوي عادةً باستخدام رموز مختصرة جدًا، مثل ncmsan للدلالة على الفئة  = اسم، والنوع  = شائع، والجنس  = مذكر، والعدد  = مفرد، والحالة  = منصوب، والعاقل  = لا .

ربما تكون مجموعة علامات Penn هي الأكثر شيوعًا لوضع علامات POS للغة الإنجليزية الأمريكية، والتي تم تطويرها في مشروع Penn Treebank.

بالنسبة للغات أوروبا الغربية، طُوِّرت أنظمة ترميز قابلة للتطبيق عبر اللغات لأجزاء الكلام، والصرف، والنحو، وذلك باستخدام إرشادات EAGLES . وكانت "مجموعة الخبراء الاستشارية لمعايير هندسة اللغة" (EAGLES) مبادرةً من المفوضية الأوروبية ، نُفِّذت ضمن برنامج المديرية العامة الثالثة عشرة للبحوث والهندسة اللغوية من عام ١٩٩٤ إلى عام ١٩٩٨، بتنسيق من اتحاد بيزا للأبحاث، بيزا، إيطاليا. وتُقدِّم إرشادات EAGLES توجيهاتٍ للترميز الذي يُستخدم مع مجموعات النصوص ، ولا سيما لتحديد السمات ذات الصلة في اللغويات الحاسوبية وعلم المعاجم . وقد تعاونت العديد من الشركات ومراكز الأبحاث والجامعات والهيئات المهنية في جميع أنحاء الاتحاد الأوروبي لإصدار إرشادات EAGLES، التي تُحدِّد توصياتٍ للمعايير الفعلية وقواعد أفضل الممارسات في: ^{[ ٣ ]}

• موارد لغوية واسعة النطاق (مثل مجموعات النصوص، والمعاجم الحاسوبية، ومجموعات الكلام )؛
• وسائل معالجة هذه المعرفة، عبر الأشكال اللغوية الحاسوبية ، ولغات الترميز، وأدوات البرمجيات المختلفة؛
• وسائل تقييم الموارد والأدوات والمنتجات.

وقد ألهمت إرشادات فريق إيجلز أعمالاً لاحقة في مناطق أخرى أيضاً، مثل أوروبا الشرقية. ^{[ 4 ]}

بعد جيل، بدأ مجتمع البحث جهدًا مماثلًا تحت مظلة التبعيات العالمية . اقترح بيتروف وآخرون ^{[ 5 ] [ 6 ]} مجموعة علامات "عالمية"، ولكنها اختزالية للغاية، مع 12 فئة (على سبيل المثال، لا توجد أنواع فرعية للأسماء أو الأفعال أو علامات الترقيم، وما إلى ذلك؛ ولا يوجد تمييز بين "to" كعلامة مصدر مقابل حرف جر (وهو ليس من قبيل الصدفة "العالمية")، وما إلى ذلك). لاحقًا، استُكمل ذلك بمواصفات متعددة اللغات لبنية التبعية (تبعيات ستانفورد) ^{[ 7 ]} ، والبنية الصرفية (إنترست إنترلينغوا ^{[ 8 ]} ، استنادًا جزئيًا إلى تقليد مولتكست-إيست/إيغلز) في سياق التبعيات العالمية (UD)، وهو مشروع تعاوني دولي لإنشاء قواعد بيانات شجرية للغات العالم مع شروح قابلة للتطبيق عبر اللغات ("عالمية") لأجزاء الكلام، وبنية التبعية، والخصائص الصرفية (اختياريًا). تتمثل التطبيقات الأساسية في معالجة النصوص الآلية في مجال معالجة اللغة الطبيعية (NLP) والبحث في بناء الجملة وقواعد اللغة الطبيعية، لا سيما في التصنيف اللغوي . يستند نظام الشروح إلى ثلاثة مشاريع ذات صلة: يستخدم نظام شروح التبعية العالمية تمثيلًا على شكل أشجار تبعية بدلًا من أشجار بنية العبارة . اعتبارًا من فبراير 2019، يتوفر في قاعدة بيانات UD ما يزيد قليلًا عن 100 قاعدة بيانات شجرية لأكثر من 70 لغة. ^{[ 9 ]} يهدف المشروع بشكل أساسي إلى تحقيق اتساق في عملية التوصيف بين اللغات. ومع ذلك، يُسمح بإضافة امتدادات خاصة بكل لغة للخصائص الصرفية (يمكن للغات أو الموارد الفردية إضافة خصائص إضافية). وبشكل أكثر تقييدًا، يمكن توسيع علاقات التبعية بإضافة تسمية ثانوية تُصاحب تسمية UD، على سبيل المثال، aux:pass للفعل المساعد (UD aux ) المستخدم للدلالة على صيغة المبني للمجهول. ^{[ 10 ]}

ألهمت التبعيات العالمية جهودًا مماثلة في مجالات الصرف الاشتقاقي، ^{[ 11 ]} ودلالات الإطار، ^{[ 12 ]} والإحالة المرجعية . ^{[ 13 ]} أما بالنسبة لبنية الجملة ، فلا يبدو أن هناك جهدًا مماثلًا، ولكن تم تطبيق مواصفات بنك شجرة بن (Penn Treebank) على (وتوسيعها لتشمل) مجموعة واسعة من اللغات، ^{[ 14 ]} على سبيل المثال، الأيسلندية، ^{[ 15 ]} والإنجليزية القديمة، ^{[ 16 ]} والإنجليزية الوسطى، ^{[ 17 ]} والألمانية السفلى الوسطى، ^{[ 18 ]} والألمانية العليا الحديثة المبكرة، ^{[ 19 ]} واليديشية، ^{[ 20 ]} والبرتغالية، ^{[ 21 ]} واليابانية، ^{[ 22 ]} والعربية ^{، [ 23 ]} والصينية. ^{[ 24 ]}

في علم اللغة ، يُعرف الشرح بين السطور بأنه شرح (سلسلة من التفسيرات الموجزة، مثل التعريفات أو النطق) يُوضع بين السطور ( بين + خطي )، كما هو الحال بين سطر من النص الأصلي وترجمته إلى لغة أخرى . عند إضافة الشرح، يكتسب كل سطر من النص الأصلي سطرًا أو أكثر من الترجمة النصية، تُعرف بالنص بين السطور أو النص المشرح بين السطور ( IGT ) - اختصارًا "بين السطور" . تُساعد هذه الشروح القارئ على تتبع العلاقة بين النص الأصلي وترجمته، وبنية اللغة الأصلية. لا يوجد قائمة موحدة للشروح، ولكن تُجمع التسميات الشائعة في قواعد لايبزيغ للشروح. ^{[ 25 ]} كما تُقدم ويكيبيديا قائمة باختصارات الشروح تستند إلى هذه القواعد ومصادر أخرى.

GOLD (الأنطولوجيا العامة للوصف اللغوي) هي أنطولوجيا خاصة باللغويات الوصفية . تقدم هذه الأنطولوجيا وصفًا رسميًا لأبسط الفئات والعلاقات المستخدمة في الوصف العلمي للغة البشرية، على سبيل المثال، كتوصيف رسمي للتفسيرات بين السطور. طُرحت GOLD لأول مرة من قِبل فارار ولانغيندوين (2003). ^{[ 26 ]} في الأصل، صُممت GOLD كحل لمشكلة توحيد أنظمة الترميز المختلفة للبيانات اللغوية، ولا سيما بيانات اللغات المهددة بالانقراض . مع ذلك، تُعد GOLD أكثر عمومية ويمكن تطبيقها على جميع اللغات. في هذا السياق، تتداخل GOLD مع سجل فئات البيانات ISO 12620 (ISOcat)، إلا أنها أكثر صرامة في بنيتها.

تولت قائمة اللغويين (LINGUIST List) وجهات أخرى صيانة قاعدة بيانات GOLD من عام 2007 إلى عام 2010. ^{[ 27 ]} أنشأ مشروع RELISH نسخة طبق الأصل من إصدار 2010 من GOLD كفئة بيانات مختارة ضمن ISOcat. وحتى عام 2018، لا تزال بيانات GOLD مركزًا مهمًا للمصطلحات في سياق سحابة البيانات اللغوية المفتوحة المرتبطة ، ولكن نظرًا لتوقف صيانتها بشكل فعال، يتم استبدال وظيفتها تدريجيًا بـ OLiA (للشرح اللغوي، بالاعتماد على GOLD وISOcat) و lexinfo.net (لبيانات تعريف القاموس، بالاعتماد على ISOcat).

المعيار ISO 12620 هو معيار صادر عن اللجنة الفنية 37 التابعة للمنظمة الدولية للمقاييس (ISO/TC 37) ، ويُعرّف سجل فئات البيانات ، وهو سجل لتسجيل المصطلحات اللغوية المستخدمة في مختلف مجالات الترجمة ، واللغويات الحاسوبية ، ومعالجة اللغة الطبيعية ، كما يُعرّف عمليات الربط بين المصطلحات المختلفة وبين الأنظمة المختلفة التي تُستخدم فيها المصطلحات نفسها. ^{[ 28 ] [ 29 ] [ 30 ]}

يُوفّر تطبيقٌ سابقٌ لهذا المعيار، وهو ISOcat، مُعرّفاتٍ ثابتةً ورموزَ URI للفئات اللغوية، بما في ذلك قائمةُ أنطولوجيا GOLD (انظر أدناه). يهدف السجلّ إلى تمكين الأنظمة الجديدة من إعادة استخدام المصطلحات الموجودة، أو على الأقل ربطها بسهولةٍ بالمصطلحات الموجودة، لتعزيز قابلية التشغيل البيني . ^{[ 31 ]} يُستخدم هذا المعيار في معايير أخرى مثل إطار عمل الترميز المعجمي (ISO 24613:2008)، وقد أُضيف عددٌ من المصطلحات إلى السجلّ، بما في ذلك إرشادات Eagles، والمدونة الوطنية للغة البولندية ، وتنسيق TermBase eXchange من جمعية معايير صناعة التوطين .

مع ذلك، فإن إصدار عام 2019، ISO 12620:2019، ^{[ 32 ]} لم يعد يوفر سجلاً للمصطلحات الخاصة بتقنية اللغة، واقتصر الآن على موارد المصطلحات، ومن هنا جاء العنوان المعدل "إدارة موارد المصطلحات - مواصفات فئات البيانات". وبناءً على ذلك، توقف تطوير ISOcat بشكل فعال. ^{[ 33 ]} اعتبارًا من مايو 2020، كانت أنظمة الخلفاء CLARIN Concept Registry ^{[ 34 ]} و DatCatInfo ^{[ 35 ]} في طور الظهور.

بالنسبة للفئات اللغوية ذات الصلة بالموارد المعجمية ، يُمثل معجم lexinfo معيارًا مجتمعيًا راسخًا، ^{[ 36 ]} لا سيما فيما يتعلق بمعجم OntoLex والقواميس المقروءة آليًا في سياق تقنيات البيانات اللغوية المفتوحة المرتبطة . وكما يعتمد معجم OntoLex على إطار عمل الترميز المعجمي (LMF)، يعتمد lexinfo على (قسم LMF من) ISOcat. ^{[ 37 ]} ولكن على عكس ISOcat، يتم صيانة lexinfo بشكل فعال، ويجري حاليًا (مايو 2020) توسيعه بجهود مجتمعية. ^{[ 38 ]}

على غرار مشروع GOLD، توفر أنطولوجيات الشرح اللغوي (OLiA) قائمة مرجعية للفئات اللغوية للظواهر النحوية والصرفية والدلالية ذات الصلة بالشرح اللغوي والمجموعات اللغوية ، وذلك في شكل أنطولوجيا . إضافةً إلى ذلك، توفر هذه الأنطولوجيات مخططات شرح قابلة للقراءة آليًا لأكثر من 100 لغة، مرتبطة بنموذج OLiA المرجعي. ^{[ 39 ]} تمثل أنطولوجيات OLiA مركزًا رئيسيًا لمصطلحات الشرح في سحابة البيانات المفتوحة المرتبطة (اللغوية) ، مع تطبيقات للبحث والاسترجاع والتعلم الآلي على موارد لغوية مشروحة بشكل غير متجانس. ^{[ 37 ]}

بالإضافة إلى أنظمة الشرح، يرتبط نموذج OLiA المرجعي أيضًا بإرشادات Eagles، ^{[ 40 ]} وGOLD، ^{[ 40 ]} وISOcat، ^{[ 41 ]} وسجل مفاهيم CLARIN، ^{[ 42 ]} والتبعيات العالمية، ^{[ 43 ]} وlexinfo، ^{[ 43 ]} وغيرها، مما يُمكّن من التوافق بين هذه المصطلحات. ويجري تطوير OLiA كمشروع مجتمعي على GitHub ^{[ 44 ].}