NLP بالعبرية: الأدوات والمشكلات

دليل

في هذه الصفحة

معالجة اللغة الطبيعية (natural language processing, NLP) هي الطبقة التي تحت كل تحليل كمّي للنص – عدّ الكلمات، وتحليل المحتوى، ونمذجة الموضوعات، والتعرف على المشاعر. في الإنجليزية هذه الطبقة شفافة: يُفصل بالمسافات، وتُحذف اللاحقة، ويُعَدّ. في العبرية ليست شفافة، والباحث الذي يتعامل معها على أنها شفافة سيحصل على أرقام – خاطئة بصمت. تشرح الصفحة ما الذي في العبرية يكسر الأدوات العامة (القسم 1)، والمشكلة التقنية التي تسبق كل تحليل – الترميز والاتجاهية (2)، وما الذي تفعله سلسلة معالجة عبرية سليمة وأيّ أدوات تطبّقها (3)، وما النماذج اللغوية المتاحة (4)، وأيّ مدوّنات وبنوك أشجار موسومة موجودة (5)، وما المختلف في العبرية التوراتية ولغة الحكماء (6)، ووصفة عمل عملية لتحليل النص العبري في البحث الاجتماعي (7) – حتى النقطة التي يتحول فيها النص إلى أرقام، وتكمل حاسبات الموقع.

1. لماذا العبرية صعبة على الحاسوب – أربع مشكلات

أ. الكتابة بلا تشكيل، ولذلك ملتبسة. الوحدة ספר يمكن أن تكون סֵפֶר أو סַפָּר أو סָפַר أو סִפֵּר أو סְפָר – خمس كلمات مختلفة بالحروف الثلاثة نفسها، ويختار القارئ بحسب السياق دون أن ينتبه. الحاسوب لا يستطيع. في قياس على ستة ملايين كلمة من الصحافة، بلغ عدد التحليلات الصرفية الممكنة للوحدة العبرية في المتوسط 2.4، مقابل 1.4 في الإنجليزية (Adler & Elhadad, 2006) – ولهذا السبب في كل سلسلة معالجة عبرية مرحلة لا توجد في الإنجليزية: رفع الالتباس (disambiguation)، حيث يخمّن النموذج أيّ القراءات صحيحة. ما مدى جودة التخمين اليوم؟ أفضل نموذج عبري جرى الإبلاغ عنه، DictaBERT-Parse-large، يبلغ في اختبار بنك الأشجار 97.9% في تقطيع السوابق، و97.3% في وسم أقسام الكلام و95.6% في الخصائص الصرفية – لكنه يبلغ 85.4% فقط في التحليل النحوي الموسوم (LAS)، وقبل توسيع مدوّنة التدريب إلى 975 ألف كلمة كانت الأرقام أدنى قليلًا (Shmidman, Shmidman, Koppel & Tsarfaty, 2024, Table 1). أي: على مستوى الكلمة فوق 95%، وعلى مستوى الجملة أقل؛ وفي نص من 10,000 كلمة حتى 2-5% تعني مئات الأخطاء التي تدخل العدّ.

ب. الصرف غني، والكلمة "تندمج". حروف الجر والعطف والتعريف (ו، ה، ב، כ، ל، מ، ש) تلتصق قبل الكلمة، وضمائر الملكية والمفعول – بعدها: בביתם = ב + בית + הם؛ ראיתיו = ראיתי + אותו. في بنك الأشجار العبري (الجدول 3)، تحتوي 114,648 وحدة على 160,195 كلمة نحوية – أي أن واحدة من كل ثلاث وحدات في نص صحفي عادي يجب أن تُقسَم قبل أن يمكن عدّها. والأداة التي تتخطى التقطيع ستعدّ "בבית" و"לבית" و"הבית" و"בית" أربع كلمات – ولن ترى الكلمة الشائعة "ש" (שֶ) أبدًا، لأنها لا تقف وحدها قط.

ج. الجذر والوزن: صرف غير سلسلي. في الإنجليزية تُبنى الكلمة بالسَّلسلة – walk + ed: مورفيمات منفصلة تنضم عند طرف الأساس، ولذلك، كما صاغ McCarthy، يمكن استعادتها "بتفكيك الكلمات من اليسار إلى اليمين بحثًا عن سلاسل جزئية متكررة" (McCarthy, 1981, p. 373). في العبرية والعربية الجذر "لحن" من الصوامت على طبقة منفصلة، يندرج في قالب عروضي من خانات الصوامت والصوائت (ص 386-387): כ-ת-ב "يُنسَج" داخل الوزن – כָּתַב، כּוֹתֵב، מִכְתָּב، הִכְתִּיב، כְּתוּבָה، הִתְכַּתֵּב – ويفتتح McCarthy مقاله بالضبط بنموذج تصريفي كهذا في العربية (kataba, kattaba, kitaabun, maktabun…)، وهي صيغ "مرتبطة صرفيًا بعضها ببعض مع أنها لا تشترك في سلاسل معزولة من الأصوات" (ص 374-375). ومن هنا لا توجد سلسلة حروف مشتركة يمكن "قطعها" (stemming)، والأدوات التي تحذف اللواحق – المعيار في الإنجليزية – بلا معنى في العبرية. الحل هو التجريد المعجمي (lemmatization) بقاموس، وهو أيضًا يعيد مدخلًا معجميًا (כתב، מכתב، כתובה – ثلاثة مداخل)، لا جذرًا. وعند المتكلمين الجذر طبقة حقيقية، لا مجرد وصف نحوي: تلخص Ravid وSchiff أن الجذر "يشغل مستوى تمثيل منفصلًا في المعجم الذهني" لمتكلمي العبرية والعربية، ويحمل المعنى الجوهري الذي يربط كل أفراد العائلة الصرفية (ג-ד-ל: גדל، גידל، הגדיל، גידול، מגדל، מגדלת، גדול…)، وأن الأطفال يستخرجون الجذور من الكلمات منذ سن الثانية (Ravid & Schiff, 2006, pp. 790-791)؛ وفي تجاربهما على 300 طفل في المدرسة، كان التعرف على الجذر "المركزي والمستقر" بين الاثنين، أما إدراك الوزن فأكثر هشاشة ويظهر متأخرًا – من بين أسباب ذلك أن هناك نحو 4,000 جذر مقابل نحو 200 وزن على الأكثر، وأن معنى الوزن غير متسق (ص 808-809). إن سؤال البحث عن "الحقل الدلالي لجذر" يستند إذن إلى وحدة نفسية حقيقية – لكنه يتطلب طبقة إضافية فوق المدخل المعجمي، لا أداة جاهزة لها.

د. أربعة سجلّات، أربع لغات. التقسيم المعتمد في اللسانيات العبرية هو إلى أربع حقب – التوراتية، ولغة الحكماء (الحاخامية)، والقروسطية والإسرائيلية – مع تقسيمات فرعية ومراحل انتقالية: التوراتية إلى قديمة وكلاسيكية ومتأخرة (ما بعد السبي)، ولغة الحكماء إلى لغة التنائيم ولغة الأمورائيم (Pérez Fernández, 1997, p. 1). وهذه ليست أساليب للغة واحدة بل مراحل تعاقبت حتى بوصفها لغة محكية: لغة المقرا، "التي كانت في أساسها لهجة أدبية، كفّت عن أن تكون لغة حية في الحقبة التي تلت السبي البابلي"، ولغة الحكماء كانت كلامًا يوميًا في يهودا حتى قمع تمرد بار كوخبا (135 للميلاد) ثم صارت لغة كتابة فقط إلى جانب الآرامية (Sáenz-Badillos, 1993, pp. 166, 171). ويعدّد Pérez Fernández في مستهل كتابه الفروق بوصفها ما يفاجئ كل قارئ لنص من أدب الحكماء: ש- بدل אשר، و"של" بدل الإضافة، و"היה" مع اسم الفاعل، واختفاء واو القلب، وفقدان المصدر المطلق وصيغ الأمر الخاصة، والنون بدل الميم في لاحقة الجمع (ص 1)؛ ونحو نصف مفردات لغة التنائيم فقط مشترك مع المقرا – والباقي آرامي، ويوناني، وبدرجة أقل لاتيني وأكادي وفارسي (ص 4). وكانت عبرية العصور الوسطى لغة كتابة لا كلام، أُحييت منذ القرن العاشر بإلهام من النحو العربي وتوسعت إلى الشعر الدنيوي والفلسفة والعلم (Sáenz-Badillos, pp. 202-203)؛ والعبرية الإسرائيلية، وفق Rosén (1958, as cited in Sáenz-Badillos, pp. 275-276)، لغة مشتركة (كويني) تُستخدم فيها العناصر التوراتية وعناصر لغة الحكماء جنبًا إلى جنب بوصفها مستويين أسلوبيين، على ركيزة غير عبرية ومع نحو ومفردات تأثرت بالسلافية والألمانية وخاصة بالإنجليزية (ص 280) – "ما كان النحو التقليدي يعدّه أخطاء هو في الواقع ابتكارات مرحلة جديدة من اللغة" (ص 276). والنتيجة بالنسبة إلى الحاسوب: النموذج الذي دُرِّب على "هآرتس" وويكيبيديا (AlephBERT، DictaBERT) سيفشل على صفحة من الغمارا؛ ولهذا بُني BEREL (الجدول 2)؛ وللمقرا قاعدة بيانات موسومة يدويًا خاصة بها (BHSA, Table 4) لا تحتاج إلى نموذج أصلًا. الاختيار الأول للباحث ليس "أيّ أداة" بل "أيّ عبرية".

المراجعات الأساسية في المجال: Wintner (2004) – العقد الأول من اللسانيات الحاسوبية العبرية؛ Itai & Wintner (2008) – الموارد التي بُنيت في التخنيون والتي يقوم عليها كل ما جاء بعدها؛ وما تغيّر في العقد العصبي – Tsarfaty, Bareket, Klein & Seker (2020).

2. المشكلة التي لا تُرى: الترميز، والتشكيل والاتجاهية

قبل الحديث عن الصرف، هناك طبقة تنكسر فيها العبرية دون أن ينتبه أحد – ومعظم "الرموز غير المفهومة" التي يواجهها الباحثون تأتي منها.

الترميز. الملف العبري إما UTF-8 أو windows-1255 (الترميز القديم للعبرية في Windows، الذي لا يزال يخرج من SPSS ومن البرامج القديمة). ملف 1255 يُفتح بوصفه UTF-8 يبدو سلسلة رموز؛ وملف UTF-8 بلا BOM تفتحه مكتبة تفترض ترميزًا لاتينيًا – الشيء نفسه. صفحات الحاسبات في الموقع تصحح الحالتين تلقائيًا (انظروا خريطة الأدوات، القسم 7)؛ أما الأداة الخارجية – فليس بالضرورة. القاعدة: احفظوا كل شيء بترميز UTF-8، وافحصوا السطر الأول بالعين قبل كل تحليل. وعثرة أندر: "العبرية المرئية" (ISO-8859-8 القديم)، حيث تُحفظ الحروف بترتيب العرض، من اليمين إلى اليسار – فتبدو الكلمات معكوسة بعد التحويل.

التشكيل وعلامات الترتيل. في يونيكود، علامة التشكيل محرف منفصل ينضم إلى الحرف (combining mark): في الكتلة العبرية (U+0590 إلى U+05FF) توجد 51 علامة كهذه – علامات الترتيل، والتشكيل، والداغش ونقطتا الشين والسين – من U+0591 (الأتنحتا) حتى U+05C7 (القامتس الصغير)، إلى جانب 27 حرفًا (U+05D0 إلى U+05EA) وعلامات ترقيم (Unicode Consortium، 2026، كتلة Hebrew). "שָׁלוֹם" المشكَّلة و"שלום" بلا تشكيل سلسلتان مختلفتان، وللسلسلة المشكَّلة أكثر من صيغة تخزين واحدة: ترتيب العلامات على الحرف نفسه ("ש + قامتس + نقطة الشين" مقابل "ש + نقطة الشين + قامتس") ومحارف العرض المركّبة في الكتلة U+FB1D إلى U+FB4F (46 محرفًا، مثل שׁ كمحرف واحد). التطبيع (NFC أو NFD) يحل الاثنين – فهو يفكك محارف العرض ويرتب العلامات بحسب صنف الضم الخاص بها (Whistler، 2026، خوارزمية الترتيب القانوني). قبل العدّ – طبّعوا، ثم احذفوا التشكيل بحسب الفئة (Mn، علامة غير متباعدة) لا بحسب المدى: المدى U+0591 إلى U+05C7 يحتوي أيضًا على المقاف (U+05BE)، والفاصل (paseq)، ونهاية الآية والنون المقلوبة – ومن يحذف المدى يحذفها أيضًا. والنص التوراتي المشكَّل بعلامات الترتيل الذي لم يُطبَّع سيعطي كل كلمة تكرار 1.

الكتابة الكاملة والناقصة، والحروف النهائية، والترقيم العبري. "תוכנית" و"תכנית"، "אמיתי" و"אמתי"، "ליברלי" و"ליבראלי" – الكلمة نفسها، سلسلتان، تكراران. قواعد الكتابة الكاملة لمجمع اللغة العبرية (2017) لم تُنهِ الانقسام – بل غيّرت اتجاهه فقط. الغيرش والغيرشايم العبريان (׳ ״) مقابل الفاصلة العليا وعلامات التنصيص في ASCII (' ") – "ד״ר" و"ד"ר" وحدتان مختلفتان، وكذلك كل الاختصارات. المقاف العبري (־) مقابل الشرطة في ASCII (-). لا يوجد حل آلي كامل؛ يوجد تطبيع صريح يُوثَّق.

الاتجاهية. النص العبري من اليمين إلى اليسار (RTL)، لكن الأرقام وأسماء المتغيرات بالإنجليزية وعلامات الترقيم في آخره ليست كذلك: في خوارزمية الاتجاهية في يونيكود الحروف العبرية من النوع R، والأرقام من النوع EN، وعلامات الترقيم والأقواس "محايدة" – فهي تأخذ اتجاه النص القوي على جانبيها، وإن اختلف الجانبان، فاتجاه الفقرة (Goregaokar & Leroy, 2026, Sections 3.2, 3.3.5) – والنتيجة مألوفة: أقواس مقلوبة، وإشارة سالب على يمين الرقم، وأسماء متغيرات تنكسر في الرسم البياني. والحل الذي يقترحه المعيار نفسه هو العزل (isolate): "المحارف داخل العزل لا يمكنها التأثير في ترتيب المحارف خارجه، والعكس بالعكس"، والعزل كله يتصرف تجاه محيطه كمحرف محايد (المرجع نفسه، القسم 2.4). في هذا الموقع هو span.en (unicode-bidi: isolate) لكل قيمة أجنبية؛ وفي R – محرك الرسوم AGG (انظروا صفحة شكل الانتشار، القسم "وكيف يُنفَّذ ذلك في R"). في أدوات مثل AntConc أو Voyant تعمل العبرية – لكن العرض قد يكون مقلوبًا أو مكسورًا، لا التحليل. وللتمييز: العرض المكسور ليس دليلًا على عدّ خاطئ، والعدّ الخاطئ (بسبب التقطيع) لا يظهر في العرض.

3. سلسلة المعالجة: من التقطيع إلى التحليل النحوي – والأدوات

سلسلة معالجة عبرية سليمة تقوم، بهذا الترتيب، بـ: التقطيع (فصل السوابق واللواحق)، والتحليل الصرفي (كل القراءات الممكنة لكل مقطع)، وفكّ الالتباس (اختيار القراءة الصحيحة في السياق)، ووسم أقسام الكلام والمدخل المعجمي، والتحليل النحوي (ما الذي يتبع ماذا)، والتعرّف على الكيانات (أسماء الأشخاص والأماكن والمنظمات). والفكرة المحورية في العقد الأخير أن هذه المراحل ليست مستقلة: التقطيع الصحيح لـ"הבית" يتوقف على النحو، والنحو يتوقف على التقطيع – ولذلك تنفذها النماذج الجيدة معًا، لا الواحدة تلو الأخرى (More, Seker, Basmova &; Tsarfaty, 2019; Tsarfaty, Sadde, Klein &; Seker, 2019). والجيل الحالي – DictaBERT-joint – ينفذ المراحل الست كلها في نموذج واحد.

بالنسبة إلى الباحث الاجتماعي المعنى عملي: لا يوجد "مقطِّع للعبرية" يمكن تشغيله ثم المتابعة بأداة إنجليزية. التقطيع والتجريد المعجمي يجب أن يأتيا من سلسلة معالجة عبرية، ومخرجاتها – نص مقطَّع ومجرَّد معجميًا – هي المدخل لكل الأدوات الأخرى (نمذجة الموضوعات، والكشافات السياقية، والمعاجم).

4. النماذج اللغوية للعبرية – وكم يكلفنا التقطيع إلى وحدات

النماذج اللغوية المدرَّبة مسبقًا (pretrained language models) هي ما يتيح سلسلة المعالجة المتكاملة، والتعرف على الكيانات وتصنيف المشاعر. للعبرية اليوم عائلة صغيرة لكنها جادة، كلها على Hugging Face؛ والجدول 2 يرتبها بحسب المستوى اللغوي والوظيفة. والتمييز المهم هو بين نماذج الترميز (BERT ومشتقاته – تحلل نصًا موجودًا) والنماذج التوليدية (DictaLM، والنماذج التجارية العملاقة – تُنتج نصًا). للتحليل الكمي في البحث نحتاج إلى الأولى؛ والثانية مفيدة للتلخيص وللوسم المساعد، وهي في هذا الموقع – خارج مبدأ "بلا ذكاء اصطناعي وقت التشغيل". ما هو مثل هذا النموذج من الناحية التقنية – شبكة عصبية عميقة دُرِّبت مسبقًا ثم تُضبط ضبطًا دقيقًا – ومتى تلائم شبكة كهذه البحث الاجتماعي ومتى لا: صفحة تعلّم الآلة، القسم 6.

كلفة التقطيع إلى وحدات. النموذج اللغوي لا يرى كلمات بل "قطعًا" (subword tokens) حُدِّدت بحسب التكرار في مدوّنة التدريب. في نموذج متعدد اللغات دُرِّب في معظمه على الإنجليزية، تتفكك الكلمة العبرية إلى قطع أكثر من كلمة إنجليزية بالطول نفسه – ولذلك "يكلّف" النص العبري وحدات أكثر، ويُحلَّل بدقة أدنى، وفي النماذج التجارية يكلّف أيضًا مالًا أكثر للمحتوى نفسه (Rust, Pfeiffer, Vulić, Ruder &; Gurevych, 2021; Ahia et al., 2023). ولهذا السبب نمت المفردات من 52K في AlephBERT إلى 128K في AlephBERTGimmel، ولهذا توسّع النماذج التوليدية للعبرية مفرداتها العبرية عن قصد. للباحثة: النموذج المبني للعبرية أفضل من نموذج متعدد اللغات أكبر بعشر مرات – لا بسبب الحجم بل بسبب التقطيع إلى وحدات.

مفتوح أو مغلق، محلي أو بعيد. يقترح الكتاب الدراسي للإنسانيات الرقمية محورين لاختيار النموذج اللغوي، ويحسن تطبيقهما على الجدول 2: النموذج المغلق الذي يعمل على خادم شركة يعني أن "بياناتكم تُلتقط وتُعالَج على خوادم مملوكة"، وفي شروط استخدام أدوات كثيرة يوافق المستخدم على أن تُستخدم المطالبات والمخرجات لمواصلة التدريب؛ والبديل هو نموذج مفتوح يُنزَّل ويُشغَّل محليًا (مثلًا في Ollama)، وللأسئلة عن مجموعة وثائق محددة – نظام استرجاع من نوع RAG، يجيب فقط من داخل المستودع الذي حدده الباحث، ولذلك هو أدق وأنسب للبيانات الحساسة أو المحمية (Drucker & Albrezzi, 2026, pp. 118-119, 121). كل النماذج في الجدول 2 من النوع الأخير – مفتوحة وتعمل على حاسوبكم؛ وبالنسبة إلى نصوص المقابلات المفرغة ليس هذا ميزة راحة بل شرطًا (انظروا "أين نصكم؟" في القسم 7). وتحذير آخر من الفصل نفسه: الهلوسات (hallucinations) لا تزال تحدث، وما ليس في مجموعة تدريب النموذج العام يبدو كأنه غير موجود – مخرجات النموذج التوليدي تُفحص مقابل مصدر، ولا يُستشهد بها كمصدر (ص 119، 121).

5. المدوّنات وبنوك الأشجار الموسومة والمستودعات

بنك الأشجار (treebank) هو مدوّنة وسم فيها بشرٌ التقطيعَ والوسمَ والنحوَ الصحيحة – إنه "المعلّم" لكل نموذج، وهو أيضًا المقياس الذي يُقاس به. للعبرية بنكان عامّان في Universal Dependencies: HTB القديم (صحافة سنوات الـ90) وIAHLTwiki الجديد (ويكيبيديا المعاصرة). وصغر حجمهما – نحو 5,000-6,000 جملة لكل منهما، مقابل عشرات الآلاف في الإنجليزية – قيد بنيوي على المجال كله (Tsarfaty et al., 2020). وإلى جانبهما: المدوّنة المرجعية للخطاب السياسي – محاضر الكنيست – ومدوّنات الويب الكبيرة.

6. العبرية قبل العبرية الحديثة: المقرا، والحكماء، والعصور الوسطى

بالنسبة إلى باحثة المقرا وباحث أدب الحكماء الوضع مختلف جوهريًا – وأفضل من ناحية واحدة. النص التوراتي كله موسوم، كلمةً كلمة، بمستوى لا تبلغه أي مدوّنة حديثة: قاعدة بيانات ETCBC (مركز إيب تالسترا للكتاب المقدس والحاسوب في الجامعة الحرة في أمستردام؛ حتى 2013 – مجموعة المعلوماتية WIVU، التي تأسست في 1977؛ Kingham & van Peursen، 2018، ص 1-2) تسجل لكل كلمة الكتابة، والصرف، وقسم الكلام والمادة المعجمية (lexeme)، ولكل مركّب ولكل جملة حدودها ووظيفتها، ولكل جملة أيضًا نوعها، ومجال الخطاب الذي تنتمي إليه وموقعها في هرمية الجمل (المرجع نفسه، ص 3). على 426,555 كلمة في مخطوطة لينينغراد (بحسب BHS) تقوم نحو 946 ألف وحدة لغوية و22.6 مليون قيمة سمة (Roorda, 2017, Table 18.2, p. 222)، مفتوحة للاستعلامات النحوية على التناخ كله – في المتصفح عبر SHEBANQ (منذ 2014) وفي Python عبر Text-Fabric (منذ 2017؛ Roorda، 2017، ص 223-224؛ Roorda، 2018). والثمن: النموذج اللساني الذي يقف خلف الوسم نظرية بعينها، ونتائج البحث التي تستند إليه ترث قراراتها. وما الذي يُورَث بالضبط – فيما يلي، على لسان بناة القاعدة أنفسهم.

"مشاهدات، لا نظرية" – وحدود الادعاء. يصف رووردا الاختيار المؤسِّس هكذا: الفريق "امتنع عن صياغة التعليقات في نموذج لساني هرمي، لأنه أراد تمثيل مشاهدات، لا نظرية"، وما نشأ هو "قاعدة بيانات بمعنى بيانات مشاهدة يمكن أن تُبنى عليها نظريات" (Roorda, 2017, pp. 218-219). ويجسد ذلك مبدآن للعمل (Kingham & van Peursen, 2018, pp. 3-4; Talstra & Sikkel, 2000, pp. 54-56, Figure 7): من الشكل إلى الوظيفة – تُسجَّل أولًا خصائص السطح وبعدها فقط تسميات الوظيفة، بلا التزام بنظرية لسانية إلا بعد جمع البيانات؛ ومن الأسفل إلى الأعلى – من المورفيمات إلى المواد المعجمية، إلى المركّبات، إلى الجمل البسيطة، إلى الجمل، إلى النص، عبر التعرف على أنماط يقرّها المستخدم ويتعلمها البرنامج ("لن تُفترض القواعد مسبقًا، بل ستتشكل في أثناء تحليل البيانات" – Talstra & Sikkel، ص 46). لكن بناة القاعدة أنفسهم يتحفظون: "عدم الالتزام بأي نظرية هو في ذاته نوع من النظرية – نوع لا يعمل إلا إذا كانت البنية والوظيفة في النص مرتبطتين مباشرة" (Kingham & van Peursen, p. 4)؛ والأسس النظرية ترجع إلى نحو النص البنيوي لدى فولفغانغ شنايدر وهارالد فاينريش (ibid., Note 10; Talstra & Sikkel, p. 62, Note 26)؛ و"لا يمكن أن يكون هناك إدخال 'محايد'، أي غير مدروس نظريًا، للبيانات اللغوية" – بناء القاعدة هو في ذاته بحث، لا مجرد بنية تحتية له (Talstra & Sikkel, p. 53). القرارات الأربعة التي ترثها كل نتيجة:

1. حدود الجملة. يجري التقطيع على مرحلتين: أولًا إلى وحدات توزيع – "ذرّات"، أي سلاسل كلمات لا تقبل مزيدًا من التقسيم ولا تنقطع – وبعدها فقط إلى وحدات وظيفية، قد تتكون من عدة ذرّات ولذلك قد تحتوي على تضمين وفجوات (Talstra & Sikkel، 2000، ص 47-48، 51؛ Kingham & van Peursen، 2018، ص 5-6؛ ومثالهم: سفر التكوين، الإصحاح الثالث، 11، حيث تفصل جملة "אשר" وجملة "לבלתי" بين جزأي الجملة المحيطة). والقرار الصعب هو اسم الفاعل (beinoni): حين يكون الصرف ملتبسًا ويمكن تفسير المركّبات المجاورة على أنها تابعة له، يُعدّ اسم الفاعل مسندًا على مستوى الجملة – ولذلك تُرمَّز "ארץ אכלת יושביה הוא" (سفر العدد، الإصحاح الثالث عشر، 32) جملةَ صفةٍ منفصلة لا مركّبًا اسميًا واحدًا (Talstra & Sikkel, pp. 49-51, 52). من تعدّ الجمل، أو تقيس طول الجملة أو تحسب العلاقات بين الجمل، تعدّ هذا القرار.

2. نوع الجملة ومجال الخطاب. تتلقى كل جملة نوعًا بحسب صيغة الفعل الرئيسي وترتيب المكونات (wayyiqtol بلا فاعل صريح، وw-X-qatal، والجملة الاسمية، وجملة اسم الفاعل إلخ)، و"جنسًا" (فعلية، اسمية، بلا مسند) ومجال خطاب – سرد، أو كلام أو مُضمَّن (Kingham & van Peursen, 2018, p. 3). يُحدَّد مجال الخطاب بحسب الفعل لا بحسب قراءة أدبية: جملة wayyiqtol تُوسَم سردًا (N)، والجملة التي تُفتتح بـ"אמר" أو "דבר" تفتتح اقتباسًا (Q)، والأمر أو yiqtol بلا مقدمة كلام – خطاب (D)، وفي غياب قرينة نحوية ترث الجملة وسم الجملة التي فوقها؛ وهكذا يدل "QN" على wayyiqtol داخل كلام مباشر، و"ND" – على yiqtol داخل سرد (Talstra & Sikkel, 2000, p. 62). هذا هو نحو النص لدى فاينريش وشنايدر، ولذلك فإن "السرد" و"الخطاب" هنا فئتان من نظام الفعل، لا من النوع الأدبي. ووظائف المكونات (الفاعل، والمسند، والمفعول، والمتمم) هي المرحلة الوظيفية، الثانية، وهي التي تتيح مثلًا مقارنة منهجية لتعدية الأفعال (المرجع نفسه، ص 63).

3. واو العطف وهرمية الجمل. تُحدَّد حدود الجملة، ضمن أمور أخرى، حين يقف على جانبي الواو مركّبان من نوعين مختلفين – مركّب جرّ، وواو، ومركّب اسمي – ومثال المؤلفين هو سفر التكوين، الإصحاح الثاني والعشرون، 1 (Kingham & van Peursen, 2018, p. 5). لكن القاعدة لا تتوقف عند الحدود: فهي تبني هرمية من الجمل "الأم" و"البنت". الجزء الأقل تجريبية منها يستند إلى أدوات عطف وأدوات ربط صريحة؛ وما بعده يبحث فيه البرنامج عن التشابه – تقارب صيغ الفعل، واستمرارية الشخص والعدد والجنس، وتكرار الروابط التي وُجدت من قبل بين نوعي الجملتين (المرجع نفسه، ص 6). يقدّم تالسترا وسيكل ذلك تصحيحًا لبديلين رُفضا: التقطيع الخطي لدى ريختر في BHt، الذي لا يتعامل إطلاقًا مع العطف بين الجمل الرئيسية بالواو (Talstra & Sikkel, 2000, pp. 39-40)، والتحليل "من الأعلى إلى الأسفل" لدى سايلهايمر، الذي يفصل مستويات النص بحسب معايير أدبية لا لسانية ويتخلى عن جمل اسم الفاعل والمصدر بوصفها جملًا (المرجع نفسه، ص 40-42). والمهم: هرمية الجمل والفقرة مسجلتان في القاعدة بوصفهما سمتين تجريبيتين (Kingham & van Peursen, p. 3) – ومن يستند إليهما عليه أن يصرّح بذلك.

4. النص، والنقحرة والترميز. النص هو مخطوطة لينينغراد بحسب طبعة BHS (Roorda, 2017, p. 218)؛ والصرف "مُرمَّز لا موسوم" – السوابق، والمادة المعجمية، والحركات المميِّزة واللواحق بالنقحرة الداخلية لـETCBC، التي يستخرج منها البرنامج التحليل (Verheij, 1994, as cited in Kingham & van Peursen, 2018, p. 4)؛ ويكتب رووردا نفسه أن المركز "غارق في طرقه الخاصة" – نقحرة خاصة به وطرق ترميز خاصة به، لم تُوثَّق للجمهور إلا مع الانفتاح في 2014 (Roorda, 2017, p. 226). وتُحدَّث القاعدة في إصدارات (ETCBC4, 4b, 4c; ibid., p. 221)، وText-Fabric ليس دائمًا مطابقًا لإصدار الخادم (Kingham & van Peursen, Note 26).

ما يُكتب في فصل المنهجية. أن التقطيع إلى جمل، وأنواع الجمل، ومجالات الخطاب وهرمية الجمل هي نواتج نموذج ETCBC – من الأسفل إلى الأعلى، ومن الشكل إلى الوظيفة، على أسس نحو النص لدى فاينريش وشنايدر – لا وقائع خام في النص؛ وأيّ إصدار من البيانات استُخدم (ورقم BHSA على GitHub أو الـDOI في DANS)؛ وأيّ سمات تجريبية دخلت التحليل. يرى بناة القاعدة أنفسهم فيها "أداة بحث في نحو النص" لا نتيجة نهائية (Talstra & Sikkel, 2000, p. 35) – والباحثة التي تستشهد بها ترث هذه المكانة أيضًا. والصياغة النهائية لهذه الفقرة، ككل القرارات في الصفحة، ليست من ETCBC بل من الموقع؛ ومن تعمل في النقد الحاسوبي للمقرا ستفضّل صياغتها من واقع عملها.

لأدب الحكماء لا يوجد وسم يدوي كامل، ولذلك يدخل هنا نموذج لغوي: BEREL دُرِّب على التلمود، والمدراش والريشونيم – عبرية وآرامية متداخلتان – وهو الأساس لأدوات Dicta للتشكيل، والترقيم والتعرف على المتوازيات في هذه النصوص. ولمن يبحث عن "متى ظهرت الكلمة أول مرة" – المعجم التاريخي لمجمع اللغة العبرية (Ma'agarim)؛ ولمن يحتاج إلى النصوص نفسها، بوصول برمجي – واجهة API في Sefaria.

7. وصفة عمل: التحليل الكمي للنص العبري في البحث الاجتماعي

الحالة النموذجية: 400 إجابة مفتوحة في مسح، أو 30 نصًا مفرغًا لمقابلات، أو ألف منشور. الهدف: الانتقال من النص إلى أرقام يمكن نقلها إلى حاسبات الموقع – تكرارات الفئات، ودرجات المشاعر لكل مشارك، والعلاقة بين المحتوى ومتغيرات الخلفية. سبع خطوات، وكل واحدة منها موثَّقة.

أخطاء شائعة

عدّ الوحدات مع الظن بأنكم عددتم كلمات. "בבית"، "לבית"، "הבית"، "ביתנו" – أربعة صفوف في جدول التكرارات، وكلمة واحدة في الواقع. كل تحليل يتخطى التقطيع يُبلغ عن توزيع حروف الجر، لا المحتوى.

تشغيل أداة تجذيع (stemmer). أدوات عامة تعرض "حذف اللواحق للعبرية". لا يوجد شيء كهذا في صرف قائم على الجذر والوزن؛ والنتيجة سلاسل حروف ليست كلمات.

التمرير إلى LIWC أو إلى معجم مشاعر مترجَم. لا يوجد معجم LIWC عبري رسمي: مستودع معاجم LIWC-22 يضم 18 لغة (سبتمبر 2026)، والعبرية ليست بينها. المجموعة الوحيدة التي ترجمته كاملًا – Shapira وآخرون (2021) – فعلت ذلك عبر 150 ألف مرشَّح للترجمة ونحو 1,000 ساعة تحكيم، ولا يحق لها نشر النتيجة لأن LIWC تجاري (ص 56، 62). وهي تشرح أيضًا لماذا تفشل الترجمة كلمةً بكلمة: "الترجمة المباشرة تؤدي إلى نتائج جزئية أو خاطئة" (ص 55) – تصريفات وصيغ أفعال لا مقابل لها في الإنجليزية، وكلمات مختلفة تندمج في المدخل المعجمي نفسه، ومعجم "أنا" في LIWC (12 كلمة بالإنجليزية) الذي "يمنعه" الصرف العبري "من العدّ" (ص 56). ما البديل: Hebrew Psychological Lexicons – معاجم للمشاعر والاكتئاب والرفاه بُنيت للعبرية من 872 نصًا مفرغًا لجلسات علاج نفسي وتُحقق منها بثلاثة محكّمين (κ لفلايس .54 في الجولة الأولى، و.95 بعد التسوية؛ ص 57)، مجانية على GitHub (CC BY-SA؛ حزمة hepsylex). أما HebEMO فلديه على الأقل تدريب عبري – ومع ذلك يتطلب تحققًا (القسم 7، الخطوة 6).

الاعتماد على "دعم العبرية" في أداة عامة. في spaCy العبرية "none yet"؛ وفي AntConc وVoyant تُحمَّل العبرية لكنها لا تُقطَّع؛ وفي النماذج متعددة اللغات تُحلَّل عبر مفردات إنجليزية. الدعم = تقطيع إلى وحدات، ما لم يُذكر خلاف ذلك.

تشغيل نموذج حديث على نص غير حديث. AlephBERT على صفحة من الغمارا، وHebPipe على إصحاح من إشعياء – ستبدو المخرجات سليمة وتكون خاطئة في معظمها. المستوى اللغوي يسبق الأداة (القسم 1د).

عدم التطبيع – والحصول على كلمتين مقابل كل كلمة. تشكيل لم يُحذف، وغيرشايم لم تُوحَّد، وكتابة كاملة وناقصة جنبًا إلى جنب. والعَرَض: الكلمة الأكثر تكرارًا تظهر بتكرار منخفض على نحو مفاجئ.

ترك القرار للنموذج. عدد الموضوعات، وعتبة الاتجاه العاطفي، وقائمة كلمات التوقف – قرارات الباحث، تُوثَّق وتُعلَّل. النموذج الذي اختار "وحده" هو نموذج اختار الإعداد الافتراضي لشخص آخر.

قائمة تحقق – قبل تحليل نص عبري

المراجع

مجمع اللغة العبرية. (2017). قواعد الكتابة الكاملة. https://hebrew-academy.org.il/topic/hahlatot/missingvocalizationspelling/

Adler, M., & Elhadad, M. (2006). An unsupervised morpheme-based HMM for Hebrew morphological disambiguation. In Proceedings of the 21st International Conference on Computational Linguistics and 44th Annual Meeting of the Association for Computational Linguistics (pp. 665-672). Association for Computational Linguistics. https://doi.org/10.3115/1220175.1220259

Ahia, O., Kumar, S., Gonen, H., Kasai, J., Mortensen, D. R., Smith, N. A., & Tsvetkov, Y. (2023). Do all languages cost the same? Tokenization in the era of commercial language models. In Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing (pp. 9904-9923). Association for Computational Linguistics. https://doi.org/10.18653/v1/2023.emnlp-main.614

Bareket, D., & Tsarfaty, R. (2021). Neural modeling for named entities and morphology (NEMO²). Transactions of the Association for Computational Linguistics, 9, 909-928. https://doi.org/10.1162/tacl_a_00404

Chriqui, A., & Yahav, I. (2022). HeBERT and HebEMO: A Hebrew BERT model and a tool for polarity analysis and emotion recognition. INFORMS Journal on Data Science, 1(1), 81-95. https://doi.org/10.1287/ijds.2022.0016

Drucker, J., & Albrezzi, F. (2026). The digital humanities coursebook: Applied concepts and critical approaches (2nd ed.). Routledge. https://doi.org/10.4324/9781003589792

Goldin, G., Howell, N., Ordan, N., Rabinovich, E., & Wintner, S. (2025). The Knesset corpus: An annotated corpus of Hebrew parliamentary proceedings. Language Resources and Evaluation, 59(3), 2973-3004. https://doi.org/10.1007/s10579-025-09833-4

Goregaokar, M., & Leroy, R. (Eds.). (2026). Unicode bidirectional algorithm (Unicode Standard Annex No. 9, Revision 52). Unicode Consortium. https://www.unicode.org/reports/tr9/

Itai, A., & Wintner, S. (2008). Language resources for Hebrew. Language Resources and Evaluation, 42(1), 75-98. https://doi.org/10.1007/s10579-007-9050-8

Kingham, C., & van Peursen, W. (2018). The ETCBC database of the Hebrew Bible. Journal for Semitics, 27(1), Article 2974. https://doi.org/10.25159/1013-8471/2974

McCarthy, J. J. (1981). A prosodic theory of nonconcatenative morphology. Linguistic Inquiry, 12(3), 373-418.

More, A., Seker, A., Basmova, V., & Tsarfaty, R. (2019). Joint transition-based models for morpho-syntactic parsing: Parsing strategies for MRLs and a case study from Modern Hebrew. Transactions of the Association for Computational Linguistics, 7, 33-48. https://doi.org/10.1162/tacl_a_00253

Neguse, T. T., Gabay, H., Reychav, I., McHaney, R., & Jonathan, G. M. (2026). AI-based chatbots and public value creation in digital government services. Transforming Government: People, Process and Policy. Advance online publication. https://doi.org/10.1108/TG-02-2026-0074

Pérez Fernández, M. (1997). An introductory grammar of Rabbinic Hebrew (J. Elwolde, Trans.). Brill. (Original work published 1992)

Ravid, D., & Schiff, R. (2006). Roots and patterns in Hebrew language development: Evidence from written morphological analogies. Reading and Writing, 19(8), 789-818. https://doi.org/10.1007/s11145-006-9004-3

Roorda, D. (2017). The Hebrew Bible as data: Laboratory – sharing – experiences. In J. Odijk & A. van Hessen (Eds.), CLARIN in the Low Countries (pp. 217-229). Ubiquity Press. https://doi.org/10.5334/bbi.18

Roorda, D. (2018). Coding the Hebrew Bible. Research Data Journal for the Humanities and Social Sciences, 3(1), 27-41. https://doi.org/10.1163/24523666-01000011

Rust, P., Pfeiffer, J., Vulić, I., Ruder, S., & Gurevych, I. (2021). How good is your tokenizer? On the monolingual performance of multilingual language models. In Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (Volume 1: Long Papers) (pp. 3118-3135). Association for Computational Linguistics. https://doi.org/10.18653/v1/2021.acl-long.243

Sáenz-Badillos, A. (1993). A history of the Hebrew language (J. Elwolde, Trans.). Cambridge University Press. (Original work published 1988)

Seker, A., Bandel, E., Bareket, D., Brusilovsky, I., Greenfeld, R., & Tsarfaty, R. (2022). AlephBERT: Language model pre-training and evaluation from sub-word to sentence level. In Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 46-56). Association for Computational Linguistics. https://doi.org/10.18653/v1/2022.acl-long.4

Shapira, N., Atzil-Slonim, D., Juravski, D., Baruch, M., Stolowicz-Melman, D., Paz, A., Alfi-Yogev, T., Azoulay, R., Singer, A., Revivo, M., Dahbash, C., Dayan, L., Naim, T., Gez, L., Yanai, B., Maman, A., Nadaf, A., Sarfati, E., Baloum, A., . . . Goldberg, Y. (2021). Hebrew psychological lexicons. In Proceedings of the Seventh Workshop on Computational Linguistics and Clinical Psychology: Improving Access (pp. 55-69). Association for Computational Linguistics. https://doi.org/10.18653/v1/2021.clpsych-1.6

Shmidman, A., Guedalia, J., Shmidman, S., Shmidman, C. S., Handel, E., & Koppel, M. (2022). Introducing BEREL: BERT embeddings for rabbinic-encoded language. arXiv. https://arxiv.org/abs/2208.01875

Shmidman, A., Shmidman, S., Koppel, M., & Goldberg, Y. (2020). Nakdan: Professional Hebrew diacritizer. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics: System Demonstrations (pp. 197-203). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-demos.23

Shmidman, S., Shmidman, A., Cohen, A. D. N., & Koppel, M. (2024). Adapting LLMs to Hebrew: Unveiling DictaLM 2.0 with enhanced vocabulary and instruction capabilities. arXiv. https://arxiv.org/abs/2407.07080

Shmidman, S., Shmidman, A., & Koppel, M. (2023). DictaBERT: A state-of-the-art BERT suite for Modern Hebrew. arXiv. https://arxiv.org/abs/2308.16687

Shmidman, S., Shmidman, A., Koppel, M., & Tsarfaty, R. (2024). MRL parsing without tears: The case of Hebrew. In Findings of the Association for Computational Linguistics: ACL 2024 (pp. 4537-4550). Association for Computational Linguistics. https://doi.org/10.18653/v1/2024.findings-acl.269

Sima'an, K., Itai, A., Winter, Y., Altman, A., & Nativ, N. (2001). Building a tree-bank of Modern Hebrew text. Traitement Automatique des Langues, 42(2), 347-380.

Talstra, E., & Sikkel, C. J. (2000). Genese und Kategorienentwicklung der WIVU-Datenbank, oder: Ein Versuch, dem Computer Hebräisch beizubringen. In C. Hardmeier, W.-D. Syring, J. D. Range, & E. Talstra (Eds.), Ad fontes! Quellen erfassen – lesen – deuten. Was ist Computerphilologie? Ansatzpunkte und Methodologie – Instrumente und Praxis (Applicatio 15, pp. 33-68). VU University Press.

Tsarfaty, R., Bareket, D., Klein, S., & Seker, A. (2020). From SPMRL to NMRL: What did we learn (and unlearn) in a decade of parsing morphologically-rich languages (MRLs)? In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (pp. 7396-7408). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.660

Tsarfaty, R., Sadde, S., Klein, S., & Seker, A. (2019). What's wrong with Hebrew NLP? And how to make it right. In Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP): System Demonstrations (pp. 259-264). Association for Computational Linguistics. https://doi.org/10.18653/v1/D19-3044

Unicode Consortium. (2026). The Unicode Standard, Version 18.0.0. https://www.unicode.org/versions/Unicode18.0.0/

Whistler, K. (Ed.). (2026). Unicode normalization forms (Unicode Standard Annex No. 15, Revision 58). Unicode Consortium. https://www.unicode.org/reports/tr15/

Wintner, S. (2004). Hebrew computational linguistics: Past and future. Artificial Intelligence Review, 21(2), 113-138. https://doi.org/10.1023/B:AIRE.0000020865.73561.bc

Zeldes, A., Howell, N., Ordan, N., & Ben Moshe, Y. (2022). A second wave of UD Hebrew treebanking and cross-domain parsing. In Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing (pp. 4331-4344). Association for Computational Linguistics. https://doi.org/10.18653/v1/2022.emnlp-main.292