اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدالاجتزاء ببعض الكلمة
1071
0 3
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
مدار هذا البحث دراسة ظاهرة الاجتزاء ببعض أحرف الكلمة و هي ظاهرة يبتغى بها التخفف، و تتمثل في حذف حرف أو حرفين من آخر الكلمة، و في الاجتزاء عن الكلمة بحرف من أحرفها، و عن الجملة بحرف منزل منزلة حرف من أحرفها، و إرادة الكلمة أو الجملة بالحرف المجتزأ به.
No English abstract
مراجعة الذكاء الصنعي:
ملخص البحث
يتناول هذا البحث ظاهرة الاجتزاء ببعض أحرف الكلمة في اللغة العربية، وهي ظاهرة تهدف إلى التخفيف من طول الكلمات أو الجمل عبر حذف حرف أو حرفين من نهايتها. يركز البحث على أنواع الحذف المختلفة في اللغة العربية، مع تقديم أمثلة من الشعر العربي القديم وأقوال العلماء مثل سيبويه وابن جني. كما يناقش البحث كيفية استخدام هذه الظاهرة في الأسماء المنادى وغير المنادى، ويستعرض آراء العلماء في تفسير هذه الظاهرة وأسبابها. يختتم البحث بتوضيح أن هذه الظاهرة ليست مجرد ضرورة شعرية بل هي جزء من اللغة العربية الفصحى، مع الإشارة إلى أن العرب قد يستخدمون حرفاً واحداً للدلالة على كلمة كاملة اعتماداً على السياق والمقام.
قراءة نقدية
دراسة نقدية: يتناول البحث موضوعاً مهماً في اللغة العربية وهو الاجتزاء ببعض أحرف الكلمة، وقد قدم الباحث أمثلة وشواهد من التراث العربي لدعم نقاطه. ومع ذلك، يمكن القول إن البحث قد استفاض في ذكر الأمثلة دون تقديم تحليل عميق لكل منها. كما أن التركيز كان كبيراً على الشعر العربي القديم، وكان من الممكن توسيع الدراسة لتشمل نصوصاً نثرية أو أمثلة من اللهجات العربية المعاصرة. بالإضافة إلى ذلك، لم يتناول البحث بشكل كافٍ تأثير هذه الظاهرة على فهم النصوص القرآنية، وهو موضوع يستحق المزيد من الدراسة.
أسئلة حول البحث
-
ما هي ظاهرة الاجتزاء ببعض أحرف الكلمة؟
هي ظاهرة لغوية تهدف إلى التخفيف من طول الكلمات أو الجمل عبر حذف حرف أو حرفين من نهايتها، وتستخدم للدلالة على الكلمة أو الجملة الكاملة اعتماداً على السياق.
-
ما هي أنواع الحذف التي تناولها البحث؟
تناول البحث أنواعاً مختلفة من الحذف في اللغة العربية، بما في ذلك حذف حرف أو حرفين من نهاية الكلمة، واستخدام حرف واحد للدلالة على كلمة كاملة.
-
ما هي الأمثلة التي قدمها البحث لدعم نقاطه؟
قدم البحث أمثلة من الشعر العربي القديم وأقوال العلماء مثل سيبويه وابن جني، بالإضافة إلى أمثلة من القرآن الكريم.
-
ما هي الانتقادات التي يمكن توجيهها لهذا البحث؟
يمكن انتقاد البحث لأنه استفاض في ذكر الأمثلة دون تقديم تحليل عميق، وركز بشكل كبير على الشعر العربي القديم دون توسيع الدراسة لتشمل نصوصاً نثرية أو أمثلة من اللهجات المعاصرة.
المراجع المستخدمة
النيسايوري، الحاكم: المستدرك على الصحيحين، دار المعرفة، بيروت..
ناصيف، حفني: مميزات لغات العرب، الطبعة الثانية ١٩٥٧
المبرد، محمد بن يزيد، الكامل، تحقيق محمد أبو الفضل إبراهيم والسيد شحاتة، دار نهضة مصر للطباعة والنشر.
قيم البحث
اقرأ أيضاً
في لغات parataxis مثل الصينية، يتم بناء معاني الكلمات باستخدام تكوينات كلمات محددة، والتي يمكن أن تساعد في إزالة حواس الكلمات.ومع ذلك، نادرا ما يتم استكشاف هذه المعرفة في أساليب Disambiguation Sense (WSD) السابقة.في هذه الورقة، نقترح نفايات المعرفة ب
تكوين النصوص لتعزيز WSD الصيني.نحن أولا بناء مجموعة بيانات WSD الصينية على نطاق واسع مع تكوينات الكلمات.بعد ذلك، نقترح نموذج صيغة نموذجية لإدماج تكوين الكلمات بشكل صريح في حالة إزالة الغموض.لتعزيز التعميم، نقوم بتصميم وحدة تنقية تكوين كلمة في حالة تعويض تكوين كلمة غير متوفرة.تظهر النتائج التجريبية أن طريقتنا تجلب تحسن كبير في الأداء على خطوط خطوط خطوط خطوط طويلة.
التحديد التركيز هو مهمة مقترحة حديثا تركز على اختيار الكلمات للتأكيد في جمل قصيرة.الطريقة التقليدية تنظر فقط في معلومات التسلسل من الجملة مع تجاهل هيكل الجملة الغنية ومعلومات علاقة الكلمة.في هذه الورقة، نقترح إطارا جديدا يعتبر هيكل الجملة عبر رسم بيا
ني هيكل الجملة وعلاقة كلمة عبر الرسم البياني للكلمة التشابه.يتم اشتقاق الرسم البياني هيكل الجملة من شجرة التحليل من الجملة.يسمح الرسم البياني للكلمة التشابه العقد بمشاركة المعلومات مع جيرانها لأننا نقول أنه في التركيز على التحديد، من المرجح أن يتم التأكيد على كلمات مماثلة معا.يتم استخدام الشبكات العصبية الرسم البياني لتعلم تمثيل كل عقدة لهذين الرسوم البيانية.تظهر النتائج التجريبية أن إطارنا يمكن أن يحقق أداء متفوقا.
تحسنت أداء أنظمة NMT بشكل كبير في السنوات القليلة الماضية ولكن ترجمة الكلمات متعددة الإحساس لا تزال تشكل تحديا. نظرا لأن حواس الكلمات ليست ممثلة بشكل موحد في الشركة الموازية المستخدمة للتدريب، فهناك استخدام مفرط من المعنى الأكثر شيوعا في إخراج MT. في
هذا العمل، نقترح CMBT (الترجمة ذات الاحتياط بالسياقة)، وهو نهج لتحسين ترجمة كلمة متعددة الشعور بالاستفادة من تمثيل الكلمات السياقية المتبادلة المدربة مسبقا (CCWRS). بسبب حساسية السياق الخاصة بهم وبياناتها السابقة للتدريب الكبيرة، يمكن ل CCWRS الوصول بسهولة إلى حواس الكلمات المفقودة أو نادرة جدا في ولاية فورانيا المستخدمة لتدريب MT. على وجه التحديد، تطبق CMBT تحريض معجم ثنائي اللغة على CCWRS الجمل المستهدفة ذات المحور المنطقي من مجموعة بيانات أحادية الأحادية، ثم يترجم هذه الجمل لإنشاء كورب موازية زائفة كبيانات تدريبية إضافية لنظام MT. نحن نختبر جودة الترجمة من الكلمات الغامضة على جناح اختبار المخاط المخاطي، والتي تم بناؤها لاختبار فعالية حذف كلمة معنى الكلمة لأنظمة MT. نظهر أن نظامنا يتحسن على ترجمة حواس كلمة متعددة الترددات الصعبة والثانية.
تزيين الكلمات المتبقية كلمة (CLWES) ترميز الكلمات من لغتين أو أكثر في مساحة مشتركة عالية الأبعاد التي تمثل ناقلات تمثل الكلمات ذات معنى مماثل (بغض النظر عن اللغة) عن كثب. تعلم الأساليب الحالية لبناء تعيينات CLWES عالية الجودة التي تقلل من وظيفة خسارة
المعايير ℓ2. ومع ذلك، فقد ثبت أن هدف التحسين هذا هو حساسا للقيم المتطرفة. بناء على قاعدة مانهاتن الأكثر قوة (AKA. ℓ1 NORM) معيار الجيدة، تقترح هذه الورقة خطوة بسيطة بعد المعالجة لتحسين CLWES. ميزة هذا النهج هي أنه غير ملائم تماما للعملية التدريبية للفقر الأصلي ويمكن تطبيقها على نطاق واسع. يتم إجراء تجارب واسعة النطاق التي تنطوي على عشرة لغات متنوعة وموظفة مدربة على شريعة مختلفة. تظهر نتائج التقييم المستندة إلى تحريض المعجم الثنائي اللغة والتحويل عبر اللغات لمهام الاستدلال باللغة الطبيعية أن الصقل ℓ1 يتفوق بشكل كبير على أربعة خطوط خطوط خطوط خطوط أخرى في كل من الإعدادات الإشرافية غير المشرف. لذلك يوصى باعتماد هذه الاستراتيجية كمعيار لأساليب CLWE.
تظهر الأبحاث الحديثة أن النماذج المدربة مسبقا (PTMS) مفيدة تجزئة الكلمات الصينية (CWS).ومع ذلك، فإن PTMS المستخدمة في الأعمال السابقة عادة ما تعتمد نمذجة اللغة كامرأة تدريبية مسبقا، تفتقر إلى معرفة تجزئة مسبقة خاصة بمهام المهام وتجاهل التناقض بين مها
م ما قبل التدريب ومهام CWS المصب.في هذه الورقة، نقترح MetASE مطلقا مدربا مسبقا مسبقا CWS، والذي توظف هندسة موحدة ويشمل خوارزمية التعلم المعتوية في مهمة ما قبل التدريب متعدد المعايير.تظهر النتائج التجريبية أن METASEG يمكن أن تستخدم معرفة تجزئة مسبقة مشتركة من المعايير الحالية المختلفة وتخفيف التناقض بين النماذج المدربة مسبقا ومهام CWS المصب.علاوة على ذلك، يمكن أن يحقق MetASEG أداء جديدا على أحدث بيانات CWS المستخدمة على نطاق واسع وتحسين أداء النموذج بشكل كبير في إعدادات الموارد المنخفضة.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
