رزومه من

تحول ارتباطات از عصر پسانوشتاری به عصر ارتباط-از-راه-دور گونه نوشتار دیجیتال را پدید آورده است. علیرغم اینکه این گونه بخش اعظمی از ارتباطات روزمره را به خود اختصاص می‌دهد، به دلیل چالش‌هایی که در پردازش آن وجود دارد، در پیکره‌سازی فارسی کمتر به آن پرداخته شده است. در این رساله با تدوین و پردازش دستی یکی از ریزگونه‌های چالش‌برانگیز این گونه زبانی، با نام میکروبلاگ، قصد داشتیم تا علاوه بر پر کردن خلاء وجود چنین پیکره‌هایی، راهکارهای عملی در تسهیل پردازش این گونه زبانی ارائه کنیم. هدف ما تدوین یک پیکره از ریزگونه میکروبلاگ و تسهیل تکالیف پردازشی پایه، در عین حفظ تنوعات زبانی و کاهش حجم فهرست واژگان پیکره، بود. به همین منظور پیکره‌ای با حجم یک-میلیون توییت، با عنوان ۱۴۰۰، از توییت‌های سال ۱۴۰۰ به طور متوازن و تصادفی، استخراج کردیم. از این پیکره، ریزپیکره‌ای با حجم بیش از یک-میلیون توکن به صورت تصادفی برای پردازش دستی انتخاب کردیم. در پردازش دستی پیکره از رویکردی با عنوان رویکرد توزیعی استفاده کردیم. در این رویکرد چالش‌های موجود در مراحل مختلف نرمال‌سازی، توکن‌یابی، تگزنی، و لمایابی، با توزیع تکالیف و تعامل بین این فرایندها پاسخ داده می‌شود. برای تگزنی پیکره چارچوبی جدید و منعطف، با عنوان تگفریم، برای کدگذاری تگ‌ها ارائه کردیم که علاوه بر امکان بازنمایی اطلاعات زبانی و پیرازبانی و حفظ تنوعات ساختواژی و نگارشی، ما را قادر می‌سازد تا ساختار درونی واژه‌ها را بازنمایی کنیم. همچنین، از ردگذاری، به عنوان روشی جدید، برای کاهش از حجم فهرست واژه‌های پیکره بهره بردیم. در لمایابی هم از اعراب‌گذاری برای متمایز کردن هویت هم‌نویسه‌ها استفاده شد. ارائه یک دستورالعمل تگزنی، بازنگری در برخی مفاهیم دستوری، و ارائه یک تگفریم استاندارد فارسی از نتایج دیگری بود که از پردازش پیکره به دست آمد. محصول این پروسه، پیکره مرجعی است که به صورت دستی نرمال‌سازی، توکن‌یابی شده و با ۸۵ ویژگی در قالب ۲٬۰۴۵ تگ و در سه لایه زبانی، درون-واژگانی، و پیرازبانی تگ خورده است. تحلیل آماری و مقایسه ریزپیکره ۱۴۰۰ و طبقات واژگانی آن با دیگر پیکره‌ها نشان داد که تنوع واژگانی، بسامد بالای توکن‌های تک‌بسامدی، بسامد بالای طبقات فعل، ضمیر، و صوت، بسامد پایین طبقات اسم، حرف اضافه و پیوند، و علائم نگارشی، استفاده از طبقات خاصی مانند اموجی‌ها و شناساگرها، کوتاه بودن پیام، و وجود واژه‌های تابو از ویژگی‌های بارز سیاق میکروبلاگ است که با مولفه‌های موقعیتی مشارکان و نوع رابطه میان مشارکان، کانال ارتباطی، اهداف و موضوع ارتباط، و شرایط تولید در ارتباط‌اند.

در این پژوهش وضعیت صورت‌های پیچیده تصریفی را در ذهن سخنگویان زبان فارسی، با تمرکز بر روی تصریف زمان دستوری افعال ساده زبان فارسی، در بی‌نشان‌ترین حالت آن (: حال اخباری و گذشته ساده)، مورد بررسی قراردادیم. دستیابی به چنین هدفی مستلزم بازنگری در برخی از مفاهیم در این حوزه بود. به همین منظور سه پرسش مطرح‌کردیم که دو پرسش نخست، ناظر بر چنین بازنگری‌ای بود و پرسش سوم به شیوه پردازش واحدهای پیچیده صرفیِ حاصل از تصریف زمان دستوری اختصاص‌داشت: 1. چه تقسیم‌بندی‌‌ای را براساس مفهوم رگولاریتی می‌توان از افعال زبان فارسی ارائه‌کرد؟ 2. چه مدلی را می‌توان از فرایند تصریف زمان دستوری در افعال زبان فارسی ارائه‌کرد که بازنمایی مناسبی از عملکرد ذهنی این فرایند باشد؟ 3. تمایز میان افعال رگولار و غیررگولار ریشه در کدام مکانیسم‌های ذهنی دارد؟ برای دستیابی به داده‌هایی که بتوان با استناد به آنها این سه پرسش را مورد سنجش قرارداد، دو آزمایش تجربی طراحی‌کردیم که در آن خطاهای کاربران زبان در تصریف زمان دستوری در مواجهه با افعال واقعی و ناواژه‌ها جمع‌آوری‌می‌شد. نتایج به‌دست‌آمده نشان‌داد که براساس مفهوم رگولاریتی افعال زبان فارسی را می‌توان به سه دسته افعال رگولار، غیررگولار، و آلترناتیو تقسیم‌کرد: افعال آلترناتیو طبقه بازی از افعال هستند که پایه آنها از بیش از دو هجا تشکیل‌شده، به توالی واجی -ɑn ختم‌می‌شود، در فهرست افعال غیررگولار حضورندارند و می‌توانند با دو وند -d و -id به گذشته صرف‌شوند؛ افعال غیررگولار فهرستی از افعال را تشکیل‌می‌دهند که هیچ رابطه نظام‌مندی میان ریشه و بنِ گذشته آنها وجودندارد؛ و افعال رگولار شامل تمام افعال بالفعل و بالقوه زبان فارسی می‌شود که در دو دسته پیشین جای نداشته و از الگوی «ریشه + -id» در تصریف گذشته خود بهره‌می‌برند. نتایج به‌دست‌آمده در رابطه با پرسش دوم نشان‌می‌داد که صورت حال افعال رگولار و غیررگولار، و همینطور صورت گذشته اکثر افعال رگولار از ریشه مشتق‌می‌شوند؛ درمقابل صورت گذشته افعال غیررگولار و افعالِ رگولارِ بسیار پربسامد، با بازیابی بنِ گذشته این افعال از حافظه و سپس افزودن شناسه تولید‌می‌شوند. نتایج به‌دست‌آمده در رابطه با پرسش سوم، که به سنجش ادعای نظریه مکانیسم دوگانه اختصاص داشت، در تائید آرای این نظریه، نشان‌می‌داد که افعال رگولار با مکانیسم قاعده و افعال غیررگولار با مکانیسم حافظه تولید‌می‌شوند.