ხელოვნური ინტელექტი მცირერესურსიან ენათა ლექსიკოგრაფიაში: ქართული ენის მაგალითი

ხელოვნური ინტელექტის გამოჩენამ ბიძგი მისცა ჩატბოტების სხვადასხვა სფეროში ინტეგრაციას და თითქოს შეამცირა ადამიანის როლი. ამ თვალსაზრისით არც ლექსიკოგრაფიაა გამონაკლისი. 2022 წლიდან დღემდე, ბევრი კვლევა ჩატარდა იმის დასადგენად, თუ როგორია ხელოვნური ინტელექტის როლი ლექსიკონების შექმნის პროცესში. შედეგად, ზოგიერთი მკვლევარი შიშობს, რომ მომავალში ლექსიკოგრაფები აღარ იქნებიან საჭირო; სხვები კი ეჭვის თვალით უყურებენ ჩატბოტების მიერ შექმნილი სიტყვა-სტატიების სიზუსტესა და საიმედოობას. ლექსიკოგრაფიაში ხელოვნური ინტელექტის როლის ანალიზისას, მკვლევრები ძირითადად სწავლობენ დიდი რესურსების მქონე ინგლისურ ენას, რომელიც ჩატბოტების „მშობლიური ენაა.“ ნაკლებად არის შესწავლილი ხელოვნური ინტელექტის ეფექტურობა მცირე რესურსების მქონე ენებისთვის, მათ შორის ქართული ენისათვის. ჩატბოტების პრაქტიკული როლი მცირერესურსიან ენებში ჯერ კიდევ შესწავლის საგანია და არ არის სათანადოდ გამოკვლეული. ამ სტატიის მიზანია გამოიკვლიოს ChatGPT-ის შესაძლებლობები ლექსიკოგრაფიაში მცირერესურსიანი ენებისათვის ქართული ენის მაგალითზე. ქართული ენა სამხრეთ კავკასიურ (ქართველურ) ენათა ოჯახს მიეკუთვნება და საკმაოდ განსხვავდება სხვა ენებისგან. აუცილებელია აღვნიშნოთ, რომ ChatGPT, როგორც სხვა ბოტები, მომხმარებლის მოთხოვნის მიხედვით ქმნის ტექსტს და სთავაზობს პასუხს იმ ინფორმაციაზე დაყრდნობით, რომელზეც იგი გაწვრთნეს. მაშასადამე, ChatGPT-ის როგორც ხელოვნურ ინტელექტს, სჭირდება დიდი რაოდენობის მონაცემების დამუშავება, როგორიც შეიძლება იყოს ვიკიპედია, გაზეთები ან ლიტერატურა. ასე შეუძლია მას გაანალიზოს და გაიგოს ტექსტი, დააკავშიროს მასალა ერთმანეთთან და მოგვცეს აზრიანი პასუხები. საინტერესოა ის, რომ ChatGPT-ის დღევანდელ მოდელს შეუძლია 90-ზე მეტი ენის დამუშავება, თუმცა ყოველ ენაში იგი განსხვავებული მონაცემებით იწვრთნება. იმ ენას, რომელშიც მას ყველაზე მეტი მასალა და წვრთნა აქვს გავლილი, ეწოდება დიდრესურსიანი ენა. ასეთია, მაგალითად ინგლისური. სწორედ ამიტომაც, აქამდე ჩატარებულმა კვლევებმა აჩვენა კიდევაც, რომ ChatGPT საკმაოდ ადვილად ქმნის სიტყვა-სტატიებსა და ტექსტებს ამ ენაზე. საპირისპიროდ, იმ ენას, რომელზეც ჩატბოტს ნაკლები მონაცემი აქვს, მცირერესურსიან ენას უწოდებენ და ამ ჯგუფს მიეკუთვნება ქართული ენა. რადგანაც ქართულ ენას ციფრულ სამყაროში შედარებით მოკრძალებული ადგილი უკავია, ChatGPTის პოტენციალი ამ ენისთვის ჯერ კიდევ შესასწავლია და არ ვიცით, რამდენად შეუძლია მას ზუსტი, აზრიანი და შემოქმედებითი ტექსტების შექმნა.

მოხსენება ეფუძნება თვისებრივ კვლევას, რომელიც აანალიზებს რამდენად შეუძლია ChatGPT-ის ქართული ენის განმარტებითი ლექსიკონისათვის დაადგინოს:

• ლექსიკონის სიტყვანი,

• სიტყვის პოლისემიური მნიშვნელობები,

• მნიშვნელობათა განმარტებები,

• საილუსტრაციო მაგალითები, • გრამატიკული ინფორმაცია,

• კვალიფიკაციები.

ასევე გავაანალიზეთ ხელოვნური ინტელექტის უნარი ქართულ ენაში ნეოლოგიზმების აღმოჩენის თვალსაზრისით.

არჩეული მეთოდოლოგია ნაწილობრივ მიჰყვება ტრაპ-იენსენის 2024 წლის კვლევას ინგლისური ენის მაგალითზე (Trap-Jensen 2024). ChatGPT-ის მიერ შექმნილი სიტყვა-სტატიები შევადარეთ ქართული ენის განმარტებითი ლექსიკონის სიტყვა-სტატიებს მიღებული შედეგების შესაფასებლად.

კვლევამ აჩვენა, რომ ChatGPT-ის ადვილად შეუძლია ახალი სიტყვების შემოთავაზება, რომლებიც ჯერ ლექსიკონებში არ არის შეტანილი. მას ასევე შეუძლია საინტერესო ნეოლოგიზმების აღმოჩენა, რომლებიც უპირატესად დაკავშირებულია ტექნოლოგიასთან და სოციალურ ქსელებთან; ამის რამდენიმე ნათელი მაგალითია: გამომწერი, გიგაბაიტი, სმარტფონი, ვებინარი, გეოლოკაცია და ინფლუენსერი. აღსანიშნავია, რომ ChatGPT უკეთესად ართმევს თავს ინგლისურიდან ნასესხები სიტყვების ანალიზს, თუმცა სწორი პასუხების გაცემა უჭირს, როდესაც სთხოვ ახალი ქართული სიტყვების ჩამოწერას ან უკვე არსებული სიტყვების აღმოჩენას, რომელიც ლექსიკონებში არაა ასახული. კვლევამ აჩვენა, რომ ChatGPT უკეთესად ქმნის სიტყვა-სტატიებს, თუ მას ვაძლევთ სასათაურო სიტყვის გამოყენების მაგალითებს. სწორედ ამიტომაც, ამ კვლევისთვის მას მოდელად მიეცა ქართული ლექსიკონის (Tsotsanidze, Loladze, Datukishvili 2014) სიტყვა-სტატიები. ChatGPT-მ წარმატებით შეძლო სიტყვა-სტატიის ზოგადი სტილის გადაღება, თუმცა უამრავი შეცდომა დაუშვა ქართული წინადადებების აგებისას, მართლწერასა და გრამატიკაში. აშკარაა, რომ ChatGPT ჯერ ინგლისურად „ფიქრობს,“ შემდგომ კი შინაარსს ქართულად თარგმნის. რაც უფრო ნაკლებად ჩაუსწორებ შეცდომებს, მით უფრო გაუგებარი ხდება მისი პასუხებიც. შესაბამისად, მიუხედავად იმისა, რომ მისი სიტყვა-სტატია შეიძლება იყოს ინოვაციური და სასარგებლო, მას პროფესიონალი ლექსიკოგრაფის ჩასწორება მაინც სჭირდება. კიდევ ერთი ხშირი პრობლემაა ჰალუცინაცია. ChatGPT-ის ქართულ ენაში უფრო მეტი ჰალუცინაცია აქვს ვიდრე სხვა ენებში. იგი ქმნის არარსებულ სიტყვებსა და მნიშვნელობებს, როგორიცაა თეთრხალათიანობა – “თეთრი ხალათის ტარება”, ზაფხულწათვისობა – „ზაფხულის თვისება“ და ვაშლიანობა – „სიმწარე“. საინტერესოა, მაგრამ არა გასაკვირი, რომ ChatGPT ინგლისური ენის წყაროებს ეყრდნობა და ხშირად ინგლისური სიტყვების მნიშვნელობები სემანტიკური კალკით გადმოაქვს ქართულ ენაში. მაგალითად, შემოთავაზებული მგრძნობიარე თემა (sensitive topic) არ არსებობს ქართულში და მისი სწორი შესატყვისი იქნება „დელიკატური თემა“ (delicate topic).

როდესაც საქმე ეხება სიტყვის მეტყველების ნაწილისა და კვალიფიკაციის შერჩევას, ChatGPT უკეთესად მუშაობს და ნაკლებ შეცდომებს უშვებს. თუმცა მას ხშირად უჭირს სახელზმნების გაანალიზება და ზოგჯერ ორ მეტყველების ნაწილს წერს ან იგონებს არარსებულ მეტყველების ნაწილს, როგორიცაა ზმნიზედა სახელი და ზმნებითი სახელი. მეორე მხრივ, ChatGPT-ის ზუსტად შეუძლია ტერმინების აღმოჩენა და მათი სფეროების დადგენა. მას ასევე შეუძლია განსაზღვროს სიტყვა წიგნურია, სასაუბროა, ნეიტრალური თუ დამცრობითი, თუმცა ეს სიტყვა მისი მონაცემების ბაზაში უნდა არსებობდეს. აღსანიშნავია, რომ ChatGPT ასევე დიდი მონდომებით ცდილობს ეტიმოლოგიის აღწერას, რომელიც უპირატესად სწორია ინგლისური ნასესხობების შემთხვევაში, მაგ: „ქართული სიტყვა ინფლუენსერი (inpluenceri) ნასესხებია ინგლისური სიტყვიდან «influencer» — «influence» + სუფიქსი -er.”

სტატიაში განვიხილავთ ChatGPT-ის ძლიერ და სუსტ მხარეებს ქართული ლექსიკოგრაფიისათვის და წარმოვაჩენთ, თუ რამდენად საჭიროებს ის ლექსიკოგრაფების ჩარევას, როცა ეს ისეთ მცირერესურსიან ენებს ეხება, როგორიცაა ქართული ენა.