التقسيم إلى مقاطع في اللغة الإنجليزية من خلال الذكاء الاصطناعي: دراسة مقارنة بين ChatGPT وGemini
DOI:
https://doi.org/10.21271/zjhs.29.SpB.38الكلمات المفتاحية:
الذكاء الاصطناعي، ChatGPT، Geminiالملخص
تسعى هذه الدراسة إلى استكشاف فعالية الذكاء الاصطناعي في مهمة تقسيم الكلمات الإنجليزية إلى مقاطع لفظية، وذلك من خلال مقارنة أداء نموذجين متقدمتين وهما ChatGPT و .Gemini يُعد التقسيم إلى مقاطع لفظية أحد المفاهيم الأساسية في التحليل الفونولوجي، وله أهمية بالغة في مجالات متعددة مثل تعليم اللغة الإنجليزية، وتوليف الكلام، واللغويات الحاسوبية. يهدف هذا البحث إلى تقييم مدى دقة النموذجين في تنفيذ هذه المهمة اللغوية الدقيقة، مع التركيز على الجوانب التي تعزز أو تعيق الأداء اللغوي المدعوم بالذكاء الاصطناعي. يعتمد التحليل على إطار مرجعي علمي يتمثل في كتاب "علم الأصوات وعلم الفونولوجيا" لبيتر روتش، بالإضافة إلى "قاموس أكسفورد للمتعلمين المتقدمين" (الطبعة العاشرة) كمصدر معياري. تم اختيار عينة بحثية مكوّنة من 100 كلمة إنجليزية متعددة المقاطع، موزعة بشكل متوازن على الفئات المعجمية الأساسية (أسماء، أفعال، صفات، ظروف...إلخ). وقد خضعت هذه العينة لتحليل دقيق باستخدام النموذجين، بهدف قياس دقة كل نموذج في تحديد حدود المقاطع الصوتية. أظهرت النتائج من خلال تحليل مقارن مفصل أن كلا النموذجين قدما أداءً جيدًا في تحديد عدد المقاطع، إلا أن ChatGPT تفوق من حيث الدقة والاتساق، خاصة في تطبيقه لمبدأ "بداية المقطع القصوى" ومراعاته للمعايير المعجمية والفونولوجية المعتمدة. تسلط الدراسة الضوء على الإمكانات الكبيرة التي تتيحها نماذج الذكاء الاصطناعي في مجال التحليل الصوتي، كما تكشف في الوقت نفسه عن بعض القيود التي ينبغي أخذها في الاعتبار عند استخدام هذه التقنيات في التطبيقات اللغوية المتقدمة.
المراجع
- Davis, A. (2024). AI rising in higher education: opportunities, risks and limitations. Asian Education and Development Studies. http://dx.doi.org/10.1108/AEDS-01-2024-0017
- Duanmu, S., Kim, H.-Y., & Stiennon, N. (2005). Stress and Syllable Structure in English: Approaches to Phonological Variations. Taiwan Journal of Linguistics. http://dx.doi.org/10.6519/TJL.2005.3(2).2
- Fakih, H. (2020). The relationship between artificial intelligence and reducing the cognitive load of learners, Zanco Journal of Human Sciences, Vol. 24, No. 5
https://doi.org/10.21271/zjhs.24.s5.34.
- Giegerich, H. J. (1998). English Phonology. Cambridge University Press.
- Ladefoged, P., Johnson, K. (2014). A Course in Phonetics, 6th ed. Cengage Learning.
- McMahon, A. (2002). An Introduction to English Phonology. Edinburgh University Press.
- Mohammadkarimi, E. (2024). Exploring the Use of Artificial Intelligence in Promoting English Language Pronunciation Skills. Journal on Language and Language Teaching 27, 98–115. https://doi.org/10.24071/llt.v27i1.8151
- Parker, S.G. (2002). Quantifying the sonority hierarchy. PhD dissertation. University of Massachusetts Amherst.
- Roach, P. (2009). English Phonetics and Phonology. Cambridge University Press.
- Tian J. (2004). Data-driven Approaches for Automatic Detection of Syllable Boundaries. 8th International Conference on Spoken Language Processing, ICSLP pp. 61-64 http://dx.doi.org/10.21437/Interspeech.2004-60
- Treiman, R. and Zukowski, A. (1990). Toward an understanding of English syllabification. Journal of Memory and Language, 29(1), pp.66–85. http://dx.doi.org/10.1016/0749-596X(90)90010-W
- Vančová, H. (2023). AI and AI-powered tools for pronunciation training. Journal of Language and Cultural Education 11, 12–24. https://doi.org/10.2478/jolace-2023-0022
- Wattpad (n.d.) Sonority Hierarchy. [online] Available at: https://www.wattpad.com/814152454-conlang-001-kjamir-sonority-hierarchy
التنزيلات
منشور
كيفية الاقتباس
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2025 Askandar Khalid Abdullah, Pakhshan Ismail Hamad
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
