Kilenc afrikai nyelvre készült új adatbázis – az AI-modellek még mindig elakadnak a szintaxisukon

Az afrikai nyelvek nyelvi sokszínűsége és globális jelentősége ellenére továbbra is alulreprezentáltak a kutatásokban és az őket támogató erőforrásokban. Ezt a hiányt hivatott pótolni az AfriSUD, amely az első nagyszabású, szintaktikailag annotált fa-gyűjtemény (treebank) kilenc különböző afrikai nyelvre, lefedve a szubszaharai régió fő nyelvcsaládjait és területeit.

A kutatók a Surface-Syntactic Universal Dependencies (SUD) keretrendszerét használták, hogy magas minőségű, anyanyelvi beszélők által ellenőrzött adatokat hozzanak létre. Ezek az adatok olyan tipológiai kulcsfontosságú jellemzőket rögzítenek, mint az agglutináció és a tonalitás. Az adatbázis létrehozása közösségi összefogás eredménye.

Kapcsolódó: TBC-ellátás Dél-Afrikában

Az AI-modellek korlátai

A kutatás keretében egy sor modellt – köztük nem-transformer alapú baseline-okat, többnyelvű előre betanított kódolókat és LLM-eket – értékeltek ki az AfriSUD adathalmazon, különös tekintettel a helyesírási címkézésre (part-of-speech tagging) és a függőségi elemzésre (dependency parsing). Az eredmények jelentős szintaktikai szakadékot tárnak fel: az AI-modellek továbbra is egyértelmű korlátokat mutatnak a kilenc nyelv esetében.

Kapcsolódó: MultiSoc-4D adatbázis

Jövőbeli kutatási irányok

Az AfriSUD adatbázist az arXiv előnyomtatott formában publikált tanulmányban mutatják be, amely kulcsfontosságú lehet a jövőbeli kutatások és alkalmazások fejlesztésében, például a Google LLM modelljének továbbfejlesztésében 2026-ban.

Kapcsolódó: LLM-ek torzítása