# Cyfrowe odrodzenie inguskiego: jak PaydaDosh tworzy słownik, korpus i modele AI
Projekt PaydaDosh to otwarta platforma lingwistyczna, która łączy słownik, równoległy korpus i narzędzia AI na rzecz wsparcia języka inguskiego. Zgromadzona baza danych zawiera ponad 66 tysięcy haseł słownikowych i dziesiątki tysięcy wyrównanych zdań, co czyni ją największym zasobem do nauki i zachowania języka. Język inguski, należący do języków nachskich z rodziny kaukaskiej, jest używany przez około 400–500 tysięcy osób, ale jego obecność w świecie cyfrowym do niedawna była minimalna.
Skład platformy: od słownika po asystenta AI
PaydaDosh oferuje deweloperom i lingwistom kompleksowy zestaw zasobów:
- Słownik — 66 524 hasła słownikowe z tłumaczeniami, oznaczeniami gramatycznymi, formami wyrazów i przykładami audio.
- Równoległy korpus — zdania z autentycznych tekstów, sparowane z tłumaczeniem na rosyjski. Zawiera powieść historyczną „Magas Błogosławiony” (34 156 zdań), folklor (9 477 zdań) i tłumaczenia klasyki (Puśkin, Turgieniew i inni).
- Zbiory tematyczne — 2 156 przysłów pogrupowanych w 16 kategoriach (praca, rodzina, honor itp.) oraz 171 przypowieści z równoległym tłumaczeniem.
- Rozmówki — gotowe zwroty pogrupowane według sytuacji, do praktycznego użytku.
- Społeczność — sekcja „Pytania”, w której native speakerzy odpowiadają na zapytania dotyczące gramatyki i tłumaczeń, z oznaczeniem autorytatywnych odpowiedzi.
- Asystent AI — automatycznie generuje wstępne odpowiedzi na pytania, korzystając z danych słownika i gramatyki.
- Aplikacje mobilne — dwie aplikacje na Androida (jedna offline) oraz bot Telegram z synchronizacją danych.
Wszystkie zasoby są otwarte i dostępne za darmo, co jest kluczowe dla wsparcia małych języków w erze cyfrowej.
Źródła danych: od klasycznych słowników po współczesne zbiory
Podstawą słownika stał się projekt „Słownikowy zbiór języka inguskiego” (ghalghay.github.io), ale PaydaDosh znacznie go rozszerzył dzięki integracji danych z różnorodnych źródeł. Wśród nich:
- Użachow M. G. _Ingusko-rosyjski słownik_ (1927)
- Małsagow Z. K. _Inguski zbiór terminologiczny_ (1933)
- Johanna Nichols. _Ingush-English and English-Ingush Dictionary_ (2004), przetłumaczony na rosyjski przez Achmeda Bekowa
- Kurkijew A. S. _Ingusko-rosyjski słownik_ (2005)
- Dudałow A.-M. M. _Rolnictwo Inguszy_ (2015)
- Kodzojew N. D. _Słownik terminów komputerowych_ (2016)
- Dziecięcy magazyn „SelaIad” (294 numery)
Każde hasło słownikowe zawiera odnośnik do źródła w formie skróconego kodu, co zapewnia przejrzystość i pozwala badaczom weryfikować źródła pierwotne. Taki podejście jest szczególnie ważne w pracach akademickich, gdzie wiarygodność danych jest priorytetem.
Realizacja techniczna: morfologia, korpus i AI
Język inguski charakteryzuje się strukturą ergatywną, skomplikowanym systemem przypadków i klasami czasowników, co wymaga specjalistycznych narzędzi przetwarzania. PaydaDosh rozwiązuje te wyzwania poprzez:
Rozmyty wyszukiwanie z analizą morfologiczną. Algorytm rozpoznaje formy wyrazów i priorytetyzuje dokładne trafienia. Dla języka, w którym jedno słowo podstawowe może generować dziesiątki form, zwiększa to trafność wyszukiwania. Na przykład zapytanie „ho” (ja) zwróci wszystkie formy zaimka, ale wyróżni formę bazową.
Powiązanie korpusu i słownika. Każde zdanie w równoległym korpusie jest powiązane z hasłami słownikowymi. Po kliknięciu słowa w tekście użytkownik przechodzi do jego opisu, a w karcie słowa widzi przykłady użycia z korpusu. Wyszukiwanie działa zarówno po ingusku, jak i po rosyjsku, co ułatwia pracę z danymi równoległymi.
Integracja AI w systemie pytań. Po otrzymaniu nowego zapytania system generuje wstępną odpowiedź na podstawie istniejących danych, obniżając próg wejścia dla użytkowników. Odpowiedzi native speakerów są oznaczane oddzielnie, a głosowanie promuje najbardziej dokładne warianty.
Synchronizacja cross-platformowa. Historia wyszukiwania, ulubione i wkłady użytkowników są synchronizowane między stroną www, botem Telegram i aplikacjami mobilnymi. Zapewnia to jednolitą ekosystem dla pracy z językiem w dowolnym formacie.
Mechanizm wkładu użytkowników. Zarejestrowani użytkownicy mogą dodawać nowe słowa, przykłady lub nagrania audio. Wszystkie propozycje przechodzą moderację redaktora przed publikacją, co gwarantuje jakość danych.
Znaczenie równoległego korpusu dla lingwistyki obliczeniowej
Równoległy korpus to kluczowy zasób do tworzenia narzędzi NLP. Dla języka inguskiego, podobnie jak dla większości małych języków Kaukazu, takich materiałów praktycznie nie było. PaydaDosh wypełnia tę lukę, dostarczając:
- 218 wyrównanych zdań z „Słowa o wyprawie Igora” do analizy struktur składniowych.
- 2 918 zdań z „Córki kapitana” Puśkina, co pozwala badać strategie translatorskie.
- Teksty folkloru i współczesnej literatury, odzwierciedlające żywą mowę.
Te dane są nieocenione do trenowania modeli językowych, zwłaszcza w zadaniach tłumaczenia maszynowego. Standardowe podejścia opracowane dla dużych języków często nie działają z systemami ergatywnymi i niestandardowymi systemami graficznymi, dlatego spersonalizowane korpusy stają się podstawą adaptacji technologii.
Plany rozwoju: od aplikacji mobilnych po narzędzia edukacyjne
Zespół PaydaDosh koncentruje się na trzech kierunkach:
- Rozszerzenie korpusu — dodanie oryginalnych tekstów inguskich, w tym współczesnej prozy i publicystyki.
- Pogłębienie funkcjonalności AI — opracowanie modeli uwzględniających specyfikę gramatyki inguskiej, dla zwiększenia dokładności automatycznych odpowiedzi.
- Narzędzia edukacyjne — przeniesienie quizów mobilnych i fiszek na platformę www, stworzenie interaktywnych lekcji.
Szczególną uwagę poświęca się wsparciu badaczy: planowany jest API do programowego dostępu do danych oraz narzędzia do analizy korpusu. To uczyni platformę nie tylko słownikiem, ale i laboratorium lingwistyki obliczeniowej.
Co ważne
- Skala danych: 66 524 hasła słownikowe i 43 633 zdania w równoległym korpusie tworzą podstawę dla rozwoju NLP.
- Adaptacja techniczna: Rozmyte wyszukiwanie z morfologią rozwiązuje problem wysokiej zdolności słowotwórczej inguskiego.
- Otwartość: Wszystkie zasoby są wolne do użytku, co jest kluczowe dla zachowania języków z ograniczoną ekosystemem cyfrowym.
- Społeczność: Integracja AI i moderowanego wkładu native speakerów tworzy zrównoważony model rozwoju.
— Editorial Team
Brak komentarzy.