د عبري ژبې NLP: وسیلې او ستونزې

لارښود

په دې پاڼه کې

د طبیعي ژبې پروسس (natural language processing, NLP) د متن د هر کمي تحلیل لاندې طبقه ده – د کلمو شمېرل، د منځپانګې تحلیل، د موضوعاتو ماډل جوړونه، د احساس پېژندنه. په انګلیسي کې دا طبقه روڼه ده: په تشو ځایونو جلا کېږي، وروستاړی لرې کېږي، شمېرل کېږي. په عبري کې روڼه نه ده، او هغه څېړونکی چې روڼه یې ګڼي شمېرې به ترلاسه کړي – په چوپه خوله غلطې. دا پاڼه تشریح کوي چې په عبري کې څه عمومي وسیلې ماتوي (برخه 1)، هغه تخنیکي ستونزه چې له هر تحلیل مخکې ده – کوډ ورکول او لوری (2)، د عبري سم پروسس پایپ لاین څه کوي او کومې وسیلې یې پلي کوي (3)، کوم ژبني ماډلونه شته (4)، کوم کورپوسونه او نښه شوې زېرمې شته (5)، په توراتي او حزلي عبري کې څه توپیر لري (6)، او په ټولنیزه څېړنه کې د عبري متن د تحلیل لپاره عملي کاري نسخه (7) – تر هغه ټکي پورې چې متن په شمېرو بدلېږي، او د وېبپاڼې حساب ماشینونه کار ته دوام ورکوي.

1. ولې عبري د کمپیوټر لپاره ستونزمنه ده – څلور ستونزې

الف. لیکدود بې اعرابه دی، نو دوه معنایي دی. ټوکن ספר کېدای شي סֵפֶר، סַפָּר، סָפַר، סִפֵּר یا סְפָר وي – په همغو درې تورو کې پنځه بېلابېلې کلمې، او لوستونکی د شرایطو له مخې پرته له دې چې پام وکړي غوره کوي. کمپیوټر نشي کولای. د ورځپاڼو د شپږ میلیونو کلمو پر اندازه ګیرنه، د یو عبري ټوکن لپاره د ممکنو مورفولوژیکي تحلیلونو شمېر په اوسط ډول 2.4 دی، په انګلیسي کې د 1.4 په پرتله (Adler & Elhadad, 2006) – او دا هغه لامل دی چې هر عبري پایپ لاین داسې پړاو لري چې په انګلیسي کې نشته: د دوه معنایي لرې کول (disambiguation)، چې پکې ماډل اټکل کوي چې کومه لوستنه سمه ده. نن ورځ اټکل څومره ښه دی؟ تر ټولو ښه راپور شوی عبري ماډل، DictaBERT-Parse-large، د ونو د زېرمې پر ازموینه د مختاړو په ټوټه کولو کې 97.9%، د وینا د برخو په نښه کولو کې 97.3% او په مورفولوژیکو ځانګړتیاوو کې 95.6% ته رسېږي – خو په نښه شوي نحوي تحلیل (LAS) کې یوازې 85.4% ته، او د روزنې د کورپوس 975 زره کلمو ته له پراخېدو مخکې شمېرې یو څه ټیټې وې (Shmidman, Shmidman, Koppel & Tsarfaty, 2024, Table 1). یعنې: د کلمې په کچه له 95% پورته، د جملې په کچه کم؛ او د 10,000 کلمو پر متن حتی 2-5% هم سلګونه تېروتنې دي چې شمېرنې ته ننوځي.

ب. مورفولوژي بډایه ده، او کلمه "ویلې کېږي". د اضافت، ربط او معرفې توري (ו، ה، ב، כ، ל، מ، ש) د کلمې مخې ته نښلي، او د ملکیت او مفعول ضمیرونه – وروسته: בביתם = ב + בית + הם؛ ראיתיו = ראיתי + אותו. د عبري ونو په زېرمه کې (3 جدول)، 114,648 ټوکنونه 160,195 نحوي کلمې لري – یعنې په یو عادي ژورنالیستیک متن کې له هرو درېیو ټوکنونو څخه یو باید له شمېرلو مخکې ووېشل شي. هغه وسیله چې ټوټه کول پرېږدي به "בבית"، "לבית"، "הבית" او "בית" د څلورو کلمو په توګه وشمېري – او عامه کلمه "ש" (שֶ) به هېڅ ونه ویني، ځکه چې هېڅکله یوازې نه راځي.

ج. ریښه او وزن: غیر زنځیري مورفولوژي. په انګلیسي کې کلمه په زنځیري ډول جوړېږي – walk + ed: جلا مورفیمونه چې د بنسټ په پای کې نښلي، نو، لکه څنګه چې McCarthy بیان کړې، هغوی بېرته موندل کېدای شي "د تکرارېدونکو فرعي تارونو په لټه کې د کلمو له چپ څخه ښي لوري ته تجزیې سره" (McCarthy, 1981, p. 373). په عبري او عربي کې ریښه پر یوه جلا طبقه د صامتونو "نغمه" ده، چې د صامتونو او مصوتونو د خونو په یوه پروسوډیک کینډۍ کې ځای نیسي (مخ 386-387): כ-ת-ב په وزن کې "اوبدل کېږي" – כָּתַב، כּוֹתֵב، מִכְתָּב، הִכְתִּיב، כְּתוּבָה، הִתְכַּתֵּב – او McCarthy خپله مقاله دقیقاً په عربي کې په داسې یوه پاراډایم پیلوي (kataba, kattaba, kitaabun, maktabun…)، هغه بڼې چې "په مورفولوژیکي ډول یو له بل سره تړلې دي که څه هم د غږونو جلا تارونه نه شریکوي" (مخ 374-375). له دې څخه دا چې د تورو داسې ګډه لړۍ نشته چې "پرې" شي (stemming)، او هغه وسیلې چې وروستاړي لرې کوي – په انګلیسي کې معیار – په عبري کې بې معنا دي. حل لیماټایزیشن (lemmatization) د قاموس سره دی، او هغه هم لیما بېرته ورکوي (כתב، מכתב، כתובה – د درې لیماوو په توګه)، نه ریښه. او د ویونکو په نزد ریښه یوه ریښتینې طبقه ده، نه یوازې ګرامري تشریح: Ravid او Schiff لنډیز کوي چې ریښه د عبري او عربي ویونکو په "ذهني لیکسیکون کې د استازیتوب جلا کچه نیسي"، چې هغه اصلي معنا لېږدوي چې د مورفولوژیکې کورنۍ ټول غړي سره تړي (ג-ד-ל: גדל، גידל، הגדיל، גידול، מגדל، מגדלת، גדול…)، او دا چې ماشومان لا په دوه کلنۍ کې له کلمو ریښې راباسي (Ravid & Schiff, 2006, pp. 790-791)؛ د ښوونځي پر 300 ماشومانو د هغوی په ازمایښتونو کې، د ریښې پېژندنه له دواړو څخه "مرکزي او ثابته" وه، په داسې حال کې چې د وزن درک ماتېدونکی دی او وروسته راڅرګندېږي – د نورو لاملونو تر څنګ ځکه چې شاوخوا 4,000 ریښې دي د تر ډېره حده شاوخوا 200 وزنونو په پرتله، او ځکه چې د وزن معنا همغږې نه ده (مخ 808-809). د "یوې ریښې د معنایي ساحې" په اړه د څېړنې پوښتنه نو پر یو ریښتیني ارواپوهنیز واحد ولاړه ده – خو له لیما پورته یوې بلې طبقې ته اړتیا لري، چې چمتو وسیله نه لري.

د. څلور کچې، څلور ژبې. په عبري ژبپوهنه کې منل شوی وېش پر څلورو دورو دی – توراتي، حزلي (رباني)، منځنیو پېړیو او اسرائیلي – د فرعي وېشونو او انتقالي پړاوونو سره: توراتي پر لرغونې، کلاسیکې او وروستۍ (له جلاوطنۍ وروسته)، او حزلي د تنائیمو پر ژبې او د امورائیمو پر ژبې (Pérez Fernández, 1997, p. 1). دا د یوې ژبې سبکونه نه دي بلکې پړاوونه دي چې د ویل کېدونکې ژبې په توګه هم یو د بل ځای نیولی: د تورات ژبه، "چې په بنسټ کې ادبي لهجه وه، د بابل له جلاوطنۍ وروسته دوره کې ژوندۍ ژبه پاتې نه شوه"، او د حکیمانو ژبه په یهودا کې د بر-کوخبا د پاڅون تر ځپلو (135 میلادي) پورې ورځنۍ وینا وه او وروسته د ارامي تر څنګ یوازې د لیکلو ژبه (Sáenz-Badillos, 1993, pp. 166, 171). Pérez Fernández د خپل کتاب په پیل کې هغه توپیرونه شمېري چې د حزلي متن هر لوستونکی حیرانوي: ש- د אשר پر ځای، "של" د اضافي جوړښت پر ځای، "היה" له فاعلي صفت سره، د اړونې د واو ورکېدل، د مطلق مصدر او د امر د ځانګړو بڼو له لاسه تلل، او د جمع په وروستاړي کې نون د میم پر ځای (مخ 1)؛ او د تنائیمو د ژبې د لغتونو یوازې نیمایي له تورات سره ګډ دي – پاتې یې ارامي، یوناني، او په کمه کچه لاتیني، اکدي او پارسي دي (مخ 4). د منځنیو پېړیو عبري د لیکلو ژبه وه نه د وینا، چې له لسمې پېړۍ د عربي ګرامر په الهام بیا ژوندۍ شوه او سیکولر شاعرۍ، فلسفې او علم ته پراخه شوه (Sáenz-Badillos, pp. 202-203)؛ او اسرائیلي عبري، د Rosen په وینا (1958, as cited in Sáenz-Badillos, pp. 275-276)، یوه کوینه ده چې پکې توراتي او حزلي عناصر د سبک د دوو کچو په توګه څنګ په څنګ کارول کېږي، پر یوه غیر عبري بنسټ او له داسې نحو او لغتونو سره چې له سلاوي، الماني او تر ټولو زیات له انګلیسي اغېزمن شوي (مخ 280) – "هغه څه چې دودیز ګرامر به یې تېروتنې ګڼلې، په حقیقت کې د ژبې د یو نوي پړاو نوښتونه دي" (مخ 276). د کمپیوټر لپاره پایله: هغه ماډل چې د "هآرتص" او ویکيپېډیا پر متنونو روزل شوی (AlephBERT، DictaBERT) به د ګمارا پر یوه پاڼه ناکام شي؛ د همدې لپاره BEREL جوړ شو (2 جدول)؛ او تورات خپل په لاس نښه شوی ډیټابېس لري (BHSA, Table 4) چې اصلاً ماډل ته اړتیا نه لري. د څېړونکي لومړی انتخاب "کومه وسیله" نه دی بلکې "کومه عبري".

د ساحې بنسټیزې بیاکتنې: Wintner (2004) – د عبري محاسباتي ژبپوهنې لومړۍ لسیزه؛ Itai & Wintner (2008) – هغه سرچینې چې په ټېکنیون کې جوړې شوې او هر هغه څه چې وروسته راغلل پرې ولاړ دي؛ او هغه څه چې په عصبي لسیزه کې بدل شول – Tsarfaty, Bareket, Klein & Seker (2020).

2. هغه ستونزه چې نه لیدل کېږي: کوډ ورکول، اعراب او لوری

مخکې له دې چې د مورفولوژۍ خبره وشي، یوه طبقه شته چې پکې عبري ماتېږي پرته له دې چې څوک پام وکړي – او ډېری هغه "بې معنا توري" چې څېړونکي ورسره مخ کېږي له همدې ځایه راځي.

کوډ ورکول. عبري فایل UTF-8 یا windows-1255 دی (په Windows کې د عبري زوړ کوډ، چې لا هم له SPSS او زړو پروګرامونو وځي). هغه 1255 فایل چې د UTF-8 په توګه پرانیستل شي د نښو لړۍ ښکاري؛ هغه UTF-8 فایل چې BOM نه لري او د داسې کتابتون لخوا پرانیستل شي چې لاتیني کوډ انګېري – همغه شی. د وېبپاڼې د حساب ماشین پاڼې دواړه حالتونه په اتوماتیک ډول سموي (د وسیلو نقشه وګورئ، برخه 7)؛ بهرنۍ وسیله – اړینه نه ده. قاعده: هر څه د UTF-8 په توګه خوندي کړئ، او له هر تحلیل مخکې لومړۍ کرښه په سترګو وګورئ. نادره ستونزه: "بصري عبري" (زوړ ISO-8859-8)، چې پکې توري د ښودنې په ترتیب، له ښي څخه چپ ته، ساتل شوي – کلمې له بدلون وروسته معکوسې ښکاري.

اعراب او د تلاوت نښې. په یونیکوډ کې، د اعرابو نښه یو جلا توری دی چې له توري سره یو ځای کېږي (combining mark): په عبري بلاک (U+0590 تر U+05FF) کې 51 داسې نښې شته – د تلاوت نښې، اعراب، دګش او د شین او سین ټکي – له U+0591 (اتناختا) څخه تر U+05C7 (کوچنی قامص) پورې، د 27 تورو (U+05D0 تر U+05EA) او د ټکي ګذارۍ نښو تر څنګ (Unicode Consortium، 2026، د Hebrew بلاک). اعراب لرونکی "שָׁלוֹם" او بې اعرابه "שלום" دوه بېلابېل تارونه دي، او اعراب لرونکی تار د ساتلو له یوې ډېرې بڼې لري: پر همغه توري د نښو ترتیب ("ש + قامص + د شین ټکی" د "ש + د شین ټکی + قامص" په پرتله) او د U+FB1D تر U+FB4F بلاک ترکیبي د ښودنې توري (46 توري، د بېلګې په توګه שׁ د یو توري په توګه). نورمال کول (NFC یا NFD) دواړه حل کوي – ترکیبي د ښودنې توري تجزیه کوي او نښې د هغوی د یو ځای کېدو د ټولګي له مخې ترتیبوي (Whistler، 2026، د کانوني ترتیب الګوریتم). له شمېرلو مخکې – نورمال کړئ، او بیا اعراب د کټګورۍ له مخې (Mn، غیر فاصله ییزه نښه) لرې کړئ نه د ساحې له مخې: د U+0591 تر U+05C7 ساحه مقاف (U+05BE)، پاسق، سوف پاسوق او معکوس نون هم لري – او څوک چې ساحه ړنګوي هغوی هم ړنګوي. توراتي متن د اعرابو او تلاوت نښو سره چې نورمال شوی نه وي هرې کلمې ته د 1 فریکونسي ورکوي.

بشپړ او ناقص لیکدود، وروستي توري، عبري ټکي ګذاري. "תוכנית" او "תכנית"، "אמיתי" او "אמתי"، "ליברלי" او "ליבראלי" – یوه کلمه، دوه تارونه، دوه فریکونسۍ. د عبري ژبې د اکاډمۍ د بشپړ لیکدود قاعدو (2017) وېش پای ته ونه رساوه – یوازې یې لوری بدل کړ. عبري ګېرېش او ګېرشایم (׳ ״) د ASCII ګېرېش او نښانو په پرتله (' ") – "ד״ר" او "ד"ר" دوه بېلابېل ټوکنونه دي، او همداسې ټول لنډیزونه. عبري مقاف (־) د ASCII ډش (-) په پرتله. بشپړ اتوماتیک حل نشته؛ ښکاره نورمال کول شته چې ثبتېږي.

لوری. عبري متن RTL دی، خو شمېرې، د متحولونو انګلیسي نومونه او د هغه په پای کې د ټکي نښې داسې نه دي: د یونیکوډ د لوري په الګوریتم کې عبري توري د R ډول دي، عددونه د EN ډول، او د ټکي نښې او قوسونه "بې پلوه" دي – هغوی د خپلو دواړو خواوو د قوي متن لوری اخلي، او که دواړه خواوې سره توپیر ولري، د پاراګراف لوری (Goregaokar & Leroy, 2026, Sections 3.2, 3.3.5) – او پایله یې پېژندل شوې ده: اوښتي قوسونه، د شمېرې ښي خوا ته منفي نښه، د متحولونو نومونه چې په ګراف کې ماتېږي. هغه حل چې پخپله معیار یې وړاندې کوي جلا کول (isolate) دي: "د جلا شوې برخې دننه توري نشي کولی له هغې بهر د تورو په ترتیب اغېز وکړي، او برعکس"، او ټوله جلا شوې برخه د خپل چاپېریال په وړاندې د یو بې پلوه توري په څېر چلند کوي (همغلته، برخه 2.4). په دې وېبپاڼه کې دا د هر لاتیني ارزښت لپاره span.en (unicode-bidi: isolate) دی؛ په R کې – د AGG ګرافیکي انجن (د خپرو ټکو د ګراف پاڼه وګورئ، برخه "او دا په R کې څنګه کېږي"). په AntConc یا Voyant غوندې وسیلو کې عبري ژبه کار کوي – خو ښکاره کېدنه یې کېدای شي اوښتې یا ماته وي، نه تحلیل. د توپیر لپاره: ماته ښکاره کېدنه د غلطې شمېرنې ثبوت نه دی، او غلطه شمېرنه (د ټوټه کولو (segmentation) له امله) په ښکاره کېدنه کې نه لیدل کېږي.

3. پایپ لاین: له ټوټه کولو تر نحوي تحلیل پورې – او وسیلې

یو سم عبري پروسس پایپ لاین (pipeline) په همدې ترتیب دا کارونه کوي: ټوټه کول (segmentation) (د مختاړو او وروستاړو جلا کول)، مورفولوژیک تحلیل (د هرې ټوټې ټولې ممکنې لوستنې)، د دوه ګوني مانا لرې کول (په متن کې د سمې لوستنې ټاکل)، د وینا د برخو او لیما نښه کول، نحوي تحلیل (څوک د چا فاعل دی) او د نومونو پېژندنه (د خلکو، ځایونو او سازمانونو نومونه). د تېرې لسیزې مرکزي بصیرت دا دی چې دا پړاوونه خپلواک نه دي: د "הבית" سم ټوټه کول په نحو پورې تړلی دی، او نحو په ټوټه کولو پورې – نو ځکه ښه ماډلونه دا په ګډه ترسره کوي، نه یو له بل وروسته (More, Seker, Basmova &; Tsarfaty, 2019; Tsarfaty, Sadde, Klein &; Seker, 2019). اوسنی نسل – DictaBERT-joint – ټول شپږ واړه په یو ماډل کې ترسره کوي.

د ټولنیز څېړونکي لپاره مانا یې عملي ده: داسې "د عبري ژبې ټوکنایزر" نشته چې ترسره یې کړئ او بیا په یوه انګلیسي وسیله کې دوام ورکړئ. ټوټه کول (segmentation) او لیماټایزیشن باید له یوه عبري پایپ لاین څخه راشي، او د هغه پایلې – لیما شوی او ټوټه شوی متن – د نورو ټولو وسیلو (د موضوعاتو ماډل جوړونه (topic modeling)، کانکورډنس، قاموسونه) لپاره ننوتنه ده.

4. د عبري ژبې لپاره ژبني ماډلونه – او ټوکنایزیشن موږ ته په څه تمامېږي

دمخه روزل شوي ژبني ماډلونه (pretrained language models) هغه څه دي چې ګډ پایپ لاین، د نومونو پېژندنه او د احساس ډلبندي ممکنوي. عبري ژبه نن یوه کوچنۍ خو جدي کورنۍ لري، ټوله په Hugging Face کې؛ جدول 2 یې د ژبنۍ دورې او دندې له مخې تنظیموي. مهم توپیر د کوډ کوونکو ماډلونو (BERT او د هغه مشتقات – موجود متن تحلیلوي) او تولیدوونکو ماډلونو (DictaLM، او لوی سوداګریز ماډلونه – متن جوړوي) ترمنځ دی. په څېړنه کې کمي تحلیل ته لومړني اړین دي؛ دوهم ډول د لنډیز او مرستندویه نښه کولو لپاره ګټور دي، او په دې وېبپاڼه کې – د "د اجرا پر مهال بې مصنوعي ځیرکتیا" له اصل څخه بهر دي. دا ډول ماډل له تخنیکي پلوه څه دی – یوه ژوره عصبي شبکه چې دمخه روزل شوې او بیا تنظیمېږي – او دا ډول شبکه کله د ټولنیزې څېړنې لپاره مناسبه ده او کله نه: د ماشیني زده کړې پاڼه، برخه 6.

د ټوکنایزیشن لګښت. ژبنی ماډل کلمې نه ویني بلکې "ټوټې" (subword tokens) ویني چې د روزنې په کورپس کې د فریکونسۍ (frequencies) له مخې ټاکل شوې دي. په یوه څو ژبني ماډل کې چې ډېری یې په انګلیسي روزل شوی، عبري کلمه د همغه اوږدوالي د انګلیسي کلمې په پرتله په ډېرو ټوټو وېشل کېږي – نو ځکه عبري متن ډېر ټوکنونه "لګوي"، په ټیټ دقت تحلیلېږي، او په سوداګریزو ماډلونو کې د همغه منځپانګې لپاره ډېرې پیسې هم لګوي (Rust, Pfeiffer, Vulić, Ruder &; Gurevych, 2021; Ahia et al., 2023). همدا لامل دی چې د لغتونو ذخیره په AlephBERT کې له 52K څخه په AlephBERTGimmel کې 128K ته لوړه شوه، او د عبري ژبې تولیدوونکي ماډلونه په قصدي ډول عبري لغتونه پراخوي. څېړونکې ته: هغه ماډل چې د عبري ژبې لپاره جوړ شوی د لس چنده لوی څو ژبني ماډل څخه غوره دی – د اندازې له امله نه بلکې د ټوکنایزیشن له امله.

پرانیستی یا تړلی، محلي یا لرې. د ډیجیټل بشري علومو (digital humanities) درسي کتاب د ژبني ماډل د ټاکلو لپاره دوه محورونه وړاندې کوي، او ښه ده چې په جدول 2 یې پلي کړو: هغه تړلی ماډل چې د یوه شرکت په سرور چلېږي مانا یې دا ده چې "ستاسو معلومات په ځانګړي ملکیت سرورونو کې نیول کېږي او پروسس کېږي"، او د ډېرو وسیلو د کارونې په شرطونو کې کاروونکی موافقه کوي چې پرامپټونه او پایلې به د لا روزنې لپاره وکارول شي؛ بدیل یې یو پرانیستی ماډل دی چې ښکته کېږي او په محلي ډول چلېږي (د بېلګې په توګه په Ollama کې)، او د یوې ټاکلې اسنادو ټولګې په اړه د پوښتنو لپاره – د RAG ډوله بیا راوړنې سیستم، چې یوازې د هغې زېرمې دننه ځواب ورکوي چې څېړونکي ټاکلې ده، نو ځکه ډېر دقیق دی او د حساسو یا خوندي معلوماتو لپاره مناسب دی (Drucker & Albrezzi, 2026, pp. 118-119, 121). په جدول 2 کې ټول ماډلونه د لومړي ډول دي – پرانیستي او ستاسو په کمپیوټر چلېږي؛ د مرکو د لیکلي متنونو لپاره دا د اسانتیا ګټه نه بلکې شرط دی (په 7 برخه کې "ستاسو متن چېرې دی؟" وګورئ). او له همغه څپرکي یو بل خبرداری: هذیانونه (hallucinations) لا هم پېښېږي، او هغه څه چې د یوه عمومي ماډل د روزنې په ټولګه کې نه وي داسې ښکاري لکه چې شتون نه لري – د تولیدوونکي ماډل پایله له سرچینې سره پرتله کېږي، نه د سرچینې په توګه حواله کېږي (مخ 119، 121).

5. کورپسونه، نښه شوي کورپسونه او زېرمې

نښه شوی کورپس (treebank) هغه کورپس دی چې پکې انسانانو سم ټوټه کول (segmentation)، نښه کول او نحو په نښه کړي دي – دا د هر ماډل "ښوونکی" دی، او هغه معیار هم دی چې ماډل ورباندې اندازه کېږي. عبري ژبه په Universal Dependencies کې دوه عامه نښه شوي کورپسونه لري: زوړ HTB (د 90 مې لسیزې ورځپاڼې) او نوی IAHLTwiki (اوسنی ویکیپیډیا). د دوی کوچنیوالی – هر یو شاوخوا 5,000-6,000 جملې، په انګلیسي کې د لسګونو زرو په پرتله – د ټولې ساحې جوړښتي محدودیت دی (Tsarfaty et al., 2020). د دوی تر څنګ: د سیاسي وینا مرجع کورپس – د کنیسټ پروتوکولونه – او لوی انټرنېټي کورپسونه.

6. له معاصرې عبري مخکې عبري: مقرا، د حزل (Hazal) ادب، منځنۍ پېړۍ

د مقرا (عبري انجیل) څېړونکې او د حزل د ادبیاتو څېړونکي لپاره حالت په بنسټیز ډول توپیر لري – او په یوه مانا ښه دی. ټول مقرايي متن، کلمه په کلمه، په داسې کچه نښه شوی چې هېڅ معاصر کورپس یې نه لري: د ETCBC ډیټابېس (د امسټرډم د Vrije Universiteit د مقرا او کمپیوټر لپاره د Eep Talstra په نوم مرکز؛ تر 2013 پورې – د WIVU د انفارمېټیکس ډله، چې په 1977 کې جوړه شوه؛ Kingham & van Peursen, 2018، مخ 1-2) د هرې کلمې لپاره املا، مورفولوژي، د وینا برخه او لیکسیم ثبتوي، د هرې عبارتي ډلې او هرې جملګۍ لپاره یې پولې او دنده، او د هرې جملګۍ لپاره یې ډول، د وینا ساحه او د جملګیو په سلسله مراتبو کې یې ځای هم (همغلته، مخ 3). د لېنینګراد کوډکس په 426,555 کلمو (د BHS له مخې) شاوخوا 946 زره ژبني شیان او 22.6 میلیونه د ځانګړنو ارزښتونه پراته دي (Roorda, 2017, Table 18.2, p. 222)، چې په ټول تنخ باندې د نحوي پوښتنو لپاره پرانیستي دي – په براوزر کې د SHEBANQ له لارې (له 2014 راهیسې) او په Python کې د Text-Fabric له لارې (له 2017 راهیسې؛ Roorda, 2017، مخ 223-224؛ Roorda, 2018). بیه یې: د نښه کولو تر شا ژبنی ماډل یوه ځانګړې تیوري ده، او د څېړنې هغه پایلې چې پرې تکیه کوي د هغې پرېکړې په میراث وړي. په دقیق ډول څه په میراث وړل کېږي – لاندې، د ډیټابېس د جوړوونکو له خولې.

"کتنې، نه تیوري" – او د ادعا پولې. Roorda بنسټیز انتخاب داسې بیانوي: ټیم "له دې ډډه وکړه چې یادښتونه په یوه سلسله مراتبي ژبني ماډل کې جوړ کړي، ځکه یې غوښتل کتنې استازیتوب کړي، نه تیوري"، او هغه څه چې جوړ شول "د کتنیزو معلوماتو په مانا یو ډیټابېس دی چې تیورۍ پرې ولاړېدای شي" (Roorda, 2017, pp. 218-219). د کار دوه اصول دا څرګندوي (Kingham & van Peursen, 2018, pp. 3-4; Talstra & Sikkel, 2000, pp. 54-56, Figure 7): له بڼې دندې ته – لومړی د سطحې ځانګړنې ثبتېږي او یوازې وروسته د دندې لیبلونه، د معلوماتو تر راټولولو پورې ژبنۍ تیورۍ ته له ژمنې پرته؛ او له لاندې پورته – له مورفیمونو لیکسیمونو ته، عبارتي ډلو ته، جملګیو ته، جملو ته، متن ته، د هغو بڼو په پېژندلو سره چې کاروونکی یې تاییدوي او سافټوېر یې زده کوي ("ګرامر به مخکې له مخکې نه فرض کېږي، بلکې د معلوماتو د تحلیل په جریان کې به بڼه غوره کړي" – Talstra & Sikkel، مخ 46). خو د ډیټابېس جوړوونکي پخپله شرط ږدي: "هېڅ تیورۍ ته نه ژمنتیا پخپله یو ډول تیوري ده – داسې چې یوازې هغه وخت کار کوي چې په متن کې جوړښت او دنده مستقیم سره تړلي وي" (Kingham & van Peursen, p. 4)؛ نظري بنسټونه یې د Wolfgang Schneider او Harald Weinrich ساختارپاله متني ګرامر ته ورګرځي (ibid., Note 10; Talstra & Sikkel, p. 62, Note 26)؛ او "د ژبنیو معلوماتو 'بې پلوه' ننوتنه، یعنې له نظري فکر پرته، ممکنه نه ده" – د ډیټابېس جوړول پخپله څېړنه ده، نه یوازې د هغې زېربنا (Talstra & Sikkel, p. 53). هغه څلور پرېکړې چې هره پایله یې په میراث وړي:

1. د جملګۍ پولې. ټوټه کول (segmentation) په دوو پړاوونو کې کېږي: لومړی د وېش واحدونو ته – "اټومونه"، د کلمو داسې لړۍ چې نور نه وېشل کېږي او نه پرې کېږي – او یوازې وروسته دندیز واحدونو ته، چې کېدای شي له څو اټومونو جوړ وي او نو ځکه ځای پر ځای کول او تشې ولري (Talstra & Sikkel, 2000، مخ 47-48، 51؛ Kingham & van Peursen, 2018، مخ 5-6؛ د دوی بېلګه: پیدایښت، درېیم څپرکی، 11، چېرته چې د "אשר" جملګۍ او د "לבלתי" جملګۍ د راګېرونکې جملګۍ د دوو برخو ترمنځ واقع کېږي). سخته پرېکړه د فاعلي صفت (participle) ده: کله چې مورفولوژي دوه مانیزه وي او نږدې عبارتي ډلې د هغه پورې تړلې تفسیرېدای شي، فاعلي صفت د جملګۍ په کچه مسند ګڼل کېږي – نو ځکه "ארץ אכלת יושביה הוא" (شمېر، دیارلسم څپرکی، 32) د یوې جلا صفتي جملګۍ په توګه کوډ شوې، نه د یوې نومي عبارتي ډلې په توګه (Talstra & Sikkel, pp. 49-51, 52). څوک چې جملګۍ شمېري، د جملګۍ اوږدوالی اندازه کوي یا د جملګیو اړیکې محاسبه کوي، همدا پرېکړه شمېري.

2. د جملګۍ ډول او د وینا ساحه. هره جملګۍ د اصلي فعل د بڼې او د اجزاوو د ترتیب له مخې یو ډول ترلاسه کوي (wayyiqtol پرته له څرګند فاعل، w-X-qatal، نومي جمله، د فاعلي صفت جملګۍ او نور)، یو "جنس" (فعلي، نومي، بې مسنده) او د وینا ساحه – روایت، خبرې یا ځای پر ځای شوې (Kingham & van Peursen, 2018, p. 3). د وینا ساحه د فعل له مخې ټاکل کېږي نه د ادبي لوستنې له مخې: د wayyiqtol جملګۍ روایت (N) نښه کېږي، هغه جملګۍ چې په "אמר" یا "דבר" پیلېږي نقل قول پرانیزي (Q)، امر یا yiqtol پرته له د خبرو سریزې – وینا (D)، او د ګرامري نښې په نشتوالي کې جملګۍ د خپلې پورتنۍ جملګۍ نښه په میراث وړي؛ په دې ډول "QN" په مستقیمو خبرو کې wayyiqtol نښه کوي، او "ND" – په روایت کې yiqtol (Talstra & Sikkel, 2000, p. 62). دا د Weinrich او Schneider متن-نحو ده، نو ځکه "روایت" او "وینا" دلته د فعل د سیستم کټګورۍ دي، نه د ژانر. د اجزاوو دندې (فاعل، مسند، مفعول، بشپړوونکی) دندیز، دوهم پړاو دی، او همدوی دي چې د بېلګې په توګه د فعلونو د والانس سیستماتیکه پرتله ممکنوي (همغلته، مخ 63).

3. ربطي واو او د جملګیو سلسله مراتب. د جملګۍ پوله، د نورو ترڅنګ، هغه وخت ټاکل کېږي چې د واو دواړو خواوو ته د بېلابېلو ډولونو عبارتي ډلې ولاړې وي – اضافي عبارتي ډله، واو، نومي عبارتي ډله – او د لیکوالانو بېلګه پیدایښت، دوه ویشتم څپرکی، 1 ده (Kingham & van Peursen, 2018, p. 5). خو ډیټابېس په پوله نه درېږي: د "مور" او "لور" جملګیو سلسله مراتب جوړوي. د هغې لږ ازمایښتي برخه په څرګندو ربطي توریو او موصولي توریو ولاړه ده؛ له هغې هاخوا سافټوېر ورته والی لټوي – د فعل د بڼو نږدېوالی، د شخص، شمېر او جنس پرله پسې والی، او د هغو اړیکو فریکونسي (frequency) چې دمخه د جملګیو د دې دوو ډولونو ترمنځ موندل شوې (همغلته، مخ 6). Talstra او Sikkel دا د دوو رد شویو بدیلونو د سمون په توګه وړاندې کوي: په BHt کې د Richter خطي ټوټه کول (segmentation)، چې په واو سره د اصلي جملګیو ترمنځ ربط ته هېڅ پام نه کوي (Talstra & Sikkel, 2000, pp. 39-40)، او د Sailhamer "له پورته لاندې" تحلیل، چې د متن کچې د ادبي معیارونو له مخې جلا کوي نه ژبنیو، او د فاعلي صفت او مصدر جملګۍ د جملګیو په توګه نه مني (همغلته، مخ 40-42). او مهم: د جملګیو سلسله مراتب او پاراګراف په ډیټابېس کې د ازمایښتي ځانګړنو په توګه ثبت دي (Kingham & van Peursen, p. 3) – څوک چې پرې تکیه کوي باید دا ووايي.

4. متن، ټرانسلیټریشن او کوډ کول. متن د BHS د چاپ له مخې د لېنینګراد کوډکس دی (Roorda, 2017, p. 218)؛ مورفولوژي "کوډ شوې ده نه نښه شوې" – مختاړي، لیکسیم، توپیر کوونکي حرکات او وروستاړي د ETCBC په داخلي ټرانسلیټریشن کې، چې سافټوېر له هغې تحلیل استخراجوي (Verheij, 1994, as cited in Kingham & van Peursen, 2018, p. 4)؛ او Roorda پخپله لیکي چې مرکز "په خپلو لارو کې ډوب" دی – خپل ټرانسلیټریشن او د کوډ کولو خپلې لارې، چې یوازې په 2014 کې د پرانیستو سره د خلکو لپاره مستند شوې (Roorda, 2017, p. 226). ډیټابېس په نسخو کې تازه کېږي (ETCBC4, 4b, 4c; ibid., p. 221)، او Text-Fabric تل د سرور له نسخې سره یو شان نه وي (Kingham & van Peursen, Note 26).

د مېتودولوژۍ په څپرکي کې څه لیکل کېږي. دا چې جملګیو ته ټوټه کول (segmentation)، د جملګیو ډولونه، د وینا ساحې او د جملګیو سلسله مراتب د ETCBC د ماډل محصولات دي – له لاندې پورته، له بڼې دندې ته، د Weinrich او Schneider د متني ګرامر په بنسټونو – نه د متن خام حقایق؛ د معلوماتو کومه نسخه کارول شوې (او په GitHub کې د BHSA شمېره یا په DANS کې DOI)؛ او کومې ازمایښتي ځانګړنې تحلیل ته ننوتې. د ډیټابېس جوړوونکي پخپله دا یو "متني-ګرامري د څېړنې وسیله" ګڼي نه وروستۍ پایله (Talstra & Sikkel, 2000, p. 35) – او هغه څېړونکې چې حواله یې ورکوي دا حیثیت هم په میراث وړي. د دې پاراګراف وروستی متن، لکه په دې پاڼه کې ټولې پرېکړې، د ETCBC نه بلکې د وېبپاڼې دی؛ هغه څوک چې په محاسباتي مقرايي نقد کې کار کوي غوره به وګڼي چې دا د خپل کار له مخې ولیکي.

د حزل ادبیات بشپړ لاسي نښه کول نه لري، نو ځکه هلته ژبنی ماډل ننوځي: BEREL په تلمود، مدراش او ریشونیم روزل شوی – ګډې عبري او ارامي – او په دې متنونو کې د اعرابو، د ټکي نښو او د موازي متنونو د پېژندنې لپاره د Dicta د وسیلو بنسټ دی. د هغو کسانو لپاره چې لټوي "کلمه لومړی ځل کله راڅرګنده شوه" – د اکاډمۍ تاریخي قاموس (Ma'agarim)؛ او د هغو لپاره چې پخپله متنونو ته په پروګرامي لاسرسي اړتیا لري – د Sefaria API.

7. د کار نسخه: په ټولنیزه څېړنه کې د عبري متن کمي تحلیل

عادي حالت: په سروې کې 400 پرانیستي ځوابونه، د مرکو 30 لیکلي متنونه، یا زر پوسټونه. موخه: له متن څخه هغو شمېرو ته رسېدل چې د وېبپاڼې حساب ماشینونو ته لېږدول کېدای شي – د کټګوریو فریکونسۍ (frequencies)، د هر ګډونوال لپاره د احساس نمرې، د منځپانګې او شالید متحولونو ترمنځ اړیکه. اووه ګامونه، او هر یو یې مستند کېږي.

عامې تېروتنې

ټوکنونه شمېرل او فکر کول چې کلمې مو شمېرلې دي. "בבית"، "לבית"، "הבית"، "ביתנו" – د فریکونسۍ (frequencies) په جدول کې څلور کتارونه، په واقعیت کې یوه کلمه. هر تحلیل چې ټوټه کول (segmentation) پرېږدي د اضافي توریو د وېش (distribution) راپور ورکوي، نه د منځپانګې.

stemmer کارول. عمومي وسیلې "د عبري ژبې لپاره د وروستاړو لرې کول" وړاندې کوي. د ریښې او وزن په مورفولوژۍ کې داسې شی نشته؛ پایله یې د تورو لړۍ دي چې کلمې نه دي.

LIWC ته یا ژباړل شوي د احساس قاموس ته لېږدول. رسمي عبري LIWC قاموس نشته: د LIWC-22 د قاموسونو زېرمه 18 ژبې شمېري (سپټمبر 2026)، او عبري پکې نه ده. یوازینۍ ډله چې په بشپړ ډول یې ژباړلی – Shapira et al. (2021) – دا کار یې د 150 زره ژباړې نوماندانو او شاوخوا 1,000 ساعتونو قضاوت سره وکړ، او اجازه نه لري پایله خپره کړي ځکه چې LIWC سوداګریز دی (مخ 56، 62). هغه دا هم تشریح کوي چې ولې کلمه په کلمه ژباړه ناکامېږي: "مستقیمه ژباړه نیمګړو یا غلطو پایلو ته لار هواروي" (مخ 55) – صرفي بڼې او د فعل بڼې چې انګلیسي معادل نه لري، بېلابېلې کلمې چې په یوه لیما کې سره ګډېږي، او د LIWC د "زه" قاموس (په انګلیسي کې 12 کلمې) چې عبري مورفولوژي "یې له شمېرلو مخه نیسي" (مخ 56). د هغې پر ځای څه شته: Hebrew Psychological Lexicons – د احساس، خپګان او هوساینې قاموسونه چې د عبري ژبې لپاره د 872 رواني درملنې د لیکلو متنونو څخه جوړ شوي او د درېیو قاضیانو په واسطه تایید شوي (د Fleiss κ .54 په لومړي پړاو کې، .95 له روښانه کولو وروسته؛ مخ 57)، په GitHub کې وړیا (CC BY-SA؛ د hepsylex کڅوړه). HebEMO لږ تر لږه عبري روزنه لري – او بیا هم تایید ته اړتیا لري (7 برخه، 6 ګام).

په یوه عمومي وسیله کې په "د عبري ملاتړ" باور کول. په spaCy کې عبري "none yet" ده؛ په AntConc او Voyant کې عبري پورته کېږي خو نه ټوټه کېږي؛ په څو ژبنیو ماډلونو کې د انګلیسي لغتونو د ذخیرې له لارې تحلیلېږي. ملاتړ = ټوکنایزیشن، مګر دا چې بل ډول ویل شوي وي.

په غیر معاصر متن باندې معاصر ماډل چلول. AlephBERT د ګمارا په یوه پاڼه، HebPipe د اشعیا په یوه څپرکي – پایلې به سمې ښکاري او ډېرې به یې غلطې وي. ژبنۍ دوره له وسیلې مخکې ده (1 برخه، د).

نورمال نه کول – او د هرې کلمې لپاره دوه کلمې ترلاسه کول. هغه اعراب چې نه دی لرې شوی، هغه ګېرشایم چې نه دي یو شان شوي، بشپړ او ناقص لیکدود یو د بل تر څنګ. نښه یې: تر ټولو عامه کلمه په حیرانوونکې ټیټه فریکونسۍ (frequencies) راڅرګندېږي.

پرېکړه ماډل ته پرېښودل. د موضوعاتو شمېر، د احساس حد (cutoff)، د درېدونکو کلمو لېست – دا د څېړونکي پرېکړې دي، چې مستندېږي او دلیل ورته ویل کېږي. هغه ماډل چې "پخپله" یې ټاکلي وي هغه ماډل دی چې د بل چا تلواله (default) یې ټاکلې ده.

چک لیست – د عبري متن له تحلیل مخکې

سرچینې

Academy of the Hebrew Language. (2017). Rules for Plene Spelling [په عبري]. 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