Ingušský jazyk v digitále: platforma PaydaDosh

# Digitální obrození ingušského jazyka: jak PaydaDosh vytváří slovník, korpus a modely AI

Projekt PaydaDosh představuje otevřenou lingvistickou platformu, která spojuje slovník, paralelní korpus a AI nástroje na podporu ingušského jazyka. Shromážděná databáze obsahuje více než 66 tisíc slovníkových hesel a desítky tisíc vyrovnaných vět, což z ní činí největší zdroj pro studium a zachování jazyka. Ingušský jazyk, patřící k nachským jazykům kavkazské rodiny, používá přibližně 400–500 tisíc lidí, ale jeho digitální přítomnost byla do nedávna minimální.

Sestava platformy: od slovníku po AI asistenta

PaydaDosh poskytuje vývojářům a lingvistům komplexní sadu zdrojů:

• Slovník — 66 524 slovníkových hesel s překlady, gramatickými označením, slovesnými formami a audio příklady.
• Paralelní korpus — věty z reálných textů, sladěné s ruským překladem. Zahrnuje historický román „Magas Blagoslovennyj“ (34 156 vět), folklór (9 477 vět) a překlady klasiky (Puškin, Turgenev aj.).
• Tematické sbírky — 2 156 přísloví rozdělených do 16 kategorií (práce, rodina, čest aj.) a 171 podobenství s paralelním překladem.
• Rozhovorová příručka — hotové fráze seskupené podle situací pro praktické použití.
• Komunita — sekce „Otázky“, kde rodilí mluvčí odpovídají na dotazy k gramatice a překladům, s označením autoritativních odpovědí.
• AI asistent — automaticky generuje předběžné odpovědi na otázky na základě dat ze slovníku a gramatiky.
• Mobilní aplikace — dvě Android aplikace (jedna offline) a Telegram-bot se synchronizací dat.

Všechny zdroje jsou otevřené a zdarma dostupné, což je klíčové pro podporu malých jazyků v digitální éře.

Zdroje dat: od klasických slovníků po moderní sbírky

Základem slovníku se stal projekt „Slovníkový svod ingušského jazyka“ (ghalghay.github.io), ale PaydaDosh ho výrazně rozšířil díky integraci dat z různých zdrojů. Mezi nimi:

• Užachov M. G. _Ingušsko-ruský slovník_ (1927)
• Mal'sagov Z. K. _Ingušský terminologický sborník_ (1933)
• Johanna Nichols. _Ingush-English and English-Ingush Dictionary_ (2004), přeložený do ruštiny Ahmedem Bekovem
• Kurkiev A. S. _Ingušsko-ruský slovník_ (2005)
• Dudarov A.-M. M. _Zemědělství Ingušů_ (2015)
• Kodzoev N. D. _Slovník počítačových termínů_ (2016)
• Dětský časopis „SelaIad“ (294 čísel)

Každé slovníkové heslo obsahuje odkaz na zdroj ve formě zkráceného kódu, což zajišťuje transparentnost a umožňuje badatelům ověřovat původní zdroje. Tento přístup je obzvláště důležitý pro akademickou práci, kde je důvěryhodnost dat prvořadá.

Technická realizace: morfologie, korpus a AI

Ingušský jazyk má ergativní stavbu, složitou pádovou soustavu a třídy sloves, což vyžaduje specializované nástroje pro zpracování. PaydaDosh tyto úkoly řeší prostřednictvím:

Ne přesného vyhledávání s morfologickou analýzou. Algoritmus rozpoznává slovesné formy a upřednostňuje přesné shody. Pro jazyk, kde jedno základní slovo může generovat desítky forem, to zvyšuje relevanci vyhledávání. Například dotaz „h'jo“ (já) vrátí všechny formy zájmena, ale zvýrazní základní formu.

Propojení korpusu a slovníku. Každá věta v paralelním korpusu je spojena se slovníkovými hesly. Po kliknutí na slovo v textu se uživatel přesune k jeho popisu a v kartě slova vidí příklady použití z korpusu. Vyhledávání funguje jak v ingušském, tak v ruském textu, což usnadňuje práci s paralelními daty.

Integrace AI do systému otázek. Při příchodu nového dotazu systém generuje předběžnou odpověď na základě existujících dat, což snižuje vstupní práh pro uživatele. Odpovědi rodilých mluvčích jsou označeny zvlášť a hlasování povyšuje nejpřesnější varianty.

Krosplatformová synchronizace. Historie vyhledávání, oblíbené položky a uživatelské příspěvky se synchronizují mezi webovou stránkou, Telegram-botem a mobilními aplikacemi. To zajišťuje jednotnou ekosystém pro práci s jazykem v jakémkoli formátu.

Mechanismus uživatelského příspěvku. Registrovaní uživatelé mohou přidávat nová slova, příklady nebo audio záznamy. Všechny návrhy procházejí moderací editorem před publikací, což zaručuje kvalitu dat.

Význam paralelního korpusu pro výpočetní lingvistiku

Paralelní korpus je klíčovým zdrojem pro vývoj NLP nástrojů. Pro ingušský jazyk, stejně jako pro většinu malých jazyků Kavkazu, takových materiálů prakticky neexistovalo. PaydaDosh tento mezeru vyplňuje a poskytuje:

• 218 vyrovnaných vět ze „Slova o pluku Igorově“ pro analýzu syntaktických struktur.
• 2 918 vět z „Kapitánské dcery“ Puškina, což umožňuje studovat překladatelské strategie.
• Texty folklóru a současné literatury, které odrážejí živou řeč.

Tato data jsou nezbytná pro trénink jazykových modelů, zejména v úlohách strojového překladu. Standardní přístupy vyvinuté pro velké jazyky často nefungují s ergativními systémy a nestandardními grafickými systémy, proto jsou přizpůsobené korpusy základem pro adaptaci technologií.

Plány rozvoje: od mobilních aplikací po vzdělávací nástroje

Tým PaydaDosh se zaměřuje na tři směry:

• Rozšíření korpusu — přidání originálních ingušských textů, včetně současné prózy a publicistiky.
• Prohloubení AI funkcionality — vývoj modelů zohledňujících specifičnost ingušské gramatiky pro zvýšení přesnosti automatických odpovědí.
• Vzdělávací nástroje — přenos mobilních kvízů a flashkart na webovou platformu, vytvoření interaktivních lekcí.

Zvláštní pozornost věnuje podpoře badatelů: plánuje se API pro programový přístup k datům a nástroje pro analýzu korpusu. To udělá z platformy nejen příručku, ale i laboratoř pro výpočetní lingvistiku.

Co je důležité

• Rozsah dat: 66 524 slovníkových hesel a 43 633 vět v paralelním korpusu tvoří základ pro NLP vývoj.
• Technická adaptace: Ne přesné vyhledávání s morfologií řeší problém vysoké slovesné formotvorné schopnosti ingušského jazyka.
• Otevřenost: Všechny zdroje jsou volně použitelné, což je klíčové pro zachování jazyků s omezenou digitální ekosystémou.
• Komunita: Integrace AI a moderovaného příspěvku rodilých mluvčích vytváří udržitelný model rozvoje.

— Editorial Team