تشخيص أخطاء القواعد باستخدام شبكات الالتفاف البياني مع دمج رسم بياني معرفي

لماذا تهم أدوات القواعد الأذكى

أي شخص شاهد معالج نصوص يضع خطًا تحت جملاه يعرف أن مدققات القواعد الآلية بعيدة عن الكمال. كثيرًا ما تغفل أخطاء دقيقة، وعندما تقترح تغييرًا نادرًا ما تشرح السبب. تعرض هذه الورقة نوعًا جديدًا من أنظمة تشخيص القواعد مصمّمًا ليس فقط لإصلاح الأخطاء في الكتابة الإنجليزية، بل أيضًا لعرض المنطق وراء هذه التصحيحات—مما يجعله أكثر فائدة للطلاب والمعلمين وأي شخص يتعلم أو يستخدم الإنجليزية كلغة ثانية.

تحويل الجمل إلى شبكات

معظم أدوات القواعد الحالية تقرأ النص كسلسلة بسيطة من الكلمات. يجادل المؤلفون بأن هذا سطحي جدًا، لأن الجمل الحقيقية لها بنية: الفاعل يرتبط بالفعل، وتترابط الجمل الفرعية، والمعنى يعتمد على من يرتبط بمن. يستخدم نظامهم تقنية من الذكاء الاصطناعي الحديث تُسمى شبكة الالتفاف البياني. بدلًا من التعامل مع الجملة كسلسلة مسطحة، يحول كل جملة إلى شبكة صغيرة يُصبح فيها كل كلمة نقطة، والخطوط بين النقاط تلتقط العلاقات النحوية مثل «فاعل» أو «مفعول به». ثم ينشر النموذج المعلومات عبر هذه الشبكة طبقةً بعد أخرى، بحيث يتشكل تمثيل كل كلمة ليس فقط من جيرانها المباشرين، بل أيضًا من الكلمات المرتبطة بها نحويًا، حتى لو ظهرت بعيدًا في الجملة.

بناء خريطة معرفة نحوّية

فوق شبكة الجملة يبني الباحثون بنية ثانية: رسم بياني معرفي كبير للقواعد. هذا يشبه خريطة منظمة بعناية لقواعد اللغة الإنجليزية، مجمعة من كتب مرجعية تقليدية وإرشادات الامتحانات والموارد التعليمية. يحتوي على آلاف «العقد» لأفكار مثل زمن الفعل، استخدام الأدوات النكرية/التعريفية، أو الاتفاق بين الفاعل والفعل، بالإضافة إلى عقد منفصلة لأنواع الأخطاء الشائعة وقواعد التشخيص واستراتيجيات التصحيح وروابط لمواد تدريبية. ترمز الروابط إلى علاقات مثل «هذه القاعدة تكشف هذا الخطأ» أو «هذه الاستراتيجية تصلح هذه المشكلة». تحقق الخبراء وصقلوا هذه الروابط بحيث يعكس الرسم كيف يفكر المعلمون فعليًا في مشكلات القواعد داخل الفصول الدراسية.

السماح للبيانات والقواعد بالعمل معًا

عندما يحلل النظام جملة جديدة، يبني أولًا شبكة الجملة ويشغّل النموذج البياني لاكتشاف الكلمات التي قد تكون خاطئة ونوع الخطأ الذي تمثّله. في الوقت نفسه، يبحث عن مدخلات مرتبطة في الرسم البياني المعرفي للقواعد—على سبيل المثال، قواعد تربط كلمة تدل على زمن ماضي مثل «yesterday» بالحاجة إلى فعل بصيغة الماضي. يمزج النموذج ما «يتعلمه» من البيانات مع ما هو مخزن في خريطة القواعد هذه. تبرز الأسهم في الشبكة الروابط والقواعد الأكثر تأثيرًا، مما يسمح للنظام بتتبع مسار من خطأ ملموس إلى المبدأ الذي ينتهكه. في الاختبارات، كان هذا النهج المشترك قويًا بشكل خاص في التقاط المشكلات البنائية مثل تغيّرات زمن الفعل وعدم توافق الفاعل والفعل، التي تعتمد على روابط بعيدة المدى داخل الجملة.

وضع النظام تحت الاختبار

قيّم المؤلفون طريقتهم على مجموعات مستخدمة على نطاق واسع من نصوص متعلّمي الإنجليزية، بما في ذلك CoNLL-2014 وJFLEG وBEA-2019. تحتوي هذه المجموعات على مقالات لطلبة يتعلمون الإنجليزية، مع تعليمات من مُعلّقين بشريين تحدّد أين وكيف تخطئ كل جملة. بالمقارنة مع أنظمة قوية قائمة على نماذج المتحول مثل BERT ومحدّدات متخصصة مثل GECToR، حقق النظام الجديد القائم على الرسوم البيانية درجات F1 أعلى—مقياس معياري يوازن بين رصد أكبر عدد ممكن من الأخطاء الحقيقية وتجنّب الإنذارات الكاذبة. والأهم من ذلك، أنه فعل ذلك بعدد أقل بكثير من معلمات النموذج، ما يوحي بأن البنية الصريحة والمعرفة النحوية يمكن أن تحل محل الحجم الخام. كما ألمح دراسة صغيرة في صف جامعي إلى أن الشروحات المبنية على الرسم البياني المعرفي ساعدت الطلاب على تحسين قدرتهم على رصد وفهم الأخطاء، رغم أن المؤلفين يؤكدون أن هناك حاجة إلى دراسات أكبر وأطول.

ماذا يعني هذا للكتّاب اليوميين

بعبارة بسيطة، تظهر الورقة أن مدققات القواعد تصبح أكثر دقة وتعليمية عندما «ترا» الجمل كشبكات من العلاقات وتستشير خريطة منظمة لقواعد اللغة، بدلًا من الاعتماد على مطابقة الأنماط فقط. لا يكتفي النظام المقترح بالإشارة إلى أن هناك خطأ ما، بل يمكنه أيضًا الإشارة إلى القاعدة الأساسية—مثل «الفاعلات الجمعيات تحتاج أفعالًا بصيغة الجمع»—واقترح تصحيحًا مستهدفًا. بينما لا يزال النهج يواجه صعوبة مع الخيارات الدقيقة للكلمات والتعابير الاصطلاحية والجمل المشوشة جدًا، فإنه يمثل خطوة نحو أدوات لغوية تتصرف أكثر كشخص معلم صبور من كونه قلمًا أحمرًا قاسيًا. مع مزيد من التطوير، يمكن لأنظمة مماثلة قائمة على الرسوم البيانية أن تدعم متعلمي لغات متعددة من خلال الجمع بين مزايا الذكاء الاصطناعي الحديث والمعرفة النحوية الواضحة والقابلة للقراءة من البشر.

الاستشهاد: Zhang, J., Ma, Y. Grammar error diagnosis using graph convolutional networks with knowledge graph integration. Sci Rep 16, 10867 (2026). https://doi.org/10.1038/s41598-026-45622-x

الكلمات المفتاحية: تصحيح أخطاء القواعد, الشبكات العصبية البيانية, الرسوم البيانية المعرفية, تقنية تعلم اللغة, معالجة اللغة الطبيعية