| تعداد نشریات | 24 |
| تعداد شماره‌ها | 927 |
| تعداد مقالات | 8,335 |
| تعداد مشاهده مقاله | 16,719,104 |
| تعداد دریافت فایل اصل مقاله | 14,064,417 |
طراح‌آزمون: چارچوبی نیمه‌خودکار مبتنی بر مدل زبانی بزرگ برای تحلیل رده‌شناختی نظام مطابقه در گویش بختیاری ایذه | ||
| زبان‌شناسی و گویش‌های ایرانی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 13 مهر 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22099/jlil.2026.55606.1473 | ||
| نویسندگان | ||
| سعید مزرعه* 1؛ ناصر علی فر2 | ||
| 1گروه کامپیوتر، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران. | ||
| 2گروه زبان شناسی، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران. | ||
| چکیده | ||
| مستندسازی سریع گویش‌های درخطر ایرانی به دلیل روش‌های دستی وقت‌گیر با بحران مقیاس مواجه است. این مطالعه با هدف طراحی و ارزیابی یک چارچوب نیمه‌خودکار مبتنی بر مدل زبانی بزرگ (LLM) برای تسریع تحلیل‌های رده‌شناختی انجام شد. در یک روندکار «انسان-در-حلقه»، از مدل Llama 3.1 و یادگیری چندمثاله‌ای برای استخراج الگوهای نظام مطابقه از یک پیکره ۵۴۰۰ جمله‌ای از گویش بختیاری ایذه استفاده شد. عملکرد مدل بر روی یک مجموعه آزمون حاشیه‌نویسی‌شده طلایی (۴۵۰ جمله) با معیارهای دقت، بازیابی و F1 ارزیابی و خطاها به طور کیفی تحلیل شدند. مدل به دقت کلی ۸۷.۴٪ و نمره F1 معادل ۸۷.۴ دست یافت. تحلیل کیفی ۱۲.۶٪ خطاها، دو محدودیت اصلی را آشکار کرد: ۱) سوگیری مدل به ساختارهای پرتکرار، و ۲) دشواری در پردازش پدیده‌های واجی-صرفی خاص (مانند جمع‌های مکسر). از منظر کارایی، این چارچوب صرفه‌جویی ۷۸٪ در زمان و امکان پردازش ۴.۶ برابر داده بیشتر در واحد زمان را محقق کرد. یافته‌ها نشان می‌دهد مدل‌های زبانی بزرگ در قالب یک سیستم همکار انسان‌محور، می‌توانند سرعت و مقیاس مستندسازی زبان‌های کم‌منبع را به طور چشمگیر و بدون کاهش دقت افزایش دهند. این چارچوب الگویی عملی برای شتاب‌بخشی به مطالعات میدانی زبان‌شناسی ایرانی ارائه می‌کند. | ||
| کلیدواژه‌ها | ||
| انسان-در-حلقه؛ پردازش زبان طبیعی؛ رده‌شناسی نحوی؛ گویش‌های ایرانی؛ مدل‌های زبانی بزرگ | ||
|
آمار تعداد مشاهده مقاله: 13 |
||