منهجية أطلس اللهجات السعودية

المعجمية اللهجية العربية تواجه قيدين متضادين. الأول أن مادتها متغيرة وشفاهية: تتبدل باللهجة والجيل، ولا يحصرها مسحٌ واحد. والثاني أن تحريرها المعجمي بطيء ومكلف: المعجم اللهجي الورقي ثمرة عقود من عمل فرد أو فريق، وحين يصدر يكون قد تجمّد.

والنماذج اللغوية الكبيرة تَعِد بحلّ نصف المشكلة — السرعة — وتُدخل مشكلة أخطر: الاختلاق. فالنموذج يُنتج مدخلًا معجميًا سليم الشكل لكلمة لا وجود لها، بثقة لفظية لا تفرّقها عن الصحيح. ومعجمٌ لهجي مختلَق أسوأ من لا معجم: يُستشهد به، ويُعاد نقله، ويلوّث المادة التي جاء ليحفظها.

فالفجوة التي يعالجها هذا العمل ليست «كيف نولّد مداخل بسرعة» بل كيف نجعل التوليد الآلي قابلًا للتدقيق: أن يكون لكل جملة في المعجم مصدرٌ يُراجَع، ودرجةُ ثقة تُقاس، وحالةُ مراجعة تُعرض للقارئ، وبوابةٌ معلنة تمنع نشر ما لم يُثبت.

يقوم النظام على ست مراحل تعود آخرتُها إلى أولها، فيكون كل تفاعل من المستخدمين وقودًا لدورة تالية:

وفصلُ الاستدعاءات ليس تنظيمًا بل شرط صحة. النموذج الذي يُطلب منه أن يراجع نصًّا كتبه في السياق نفسه يميل إلى تبريره، لأن المراجعة تصير امتدادًا للتوليد لا حكمًا عليه. أما الاستدعاء المنفصل فيرى النصّ وحده ومقتطفاتِ المصادر، ولا يرى أنه نصُّه.

اللهجات في هذا الأطلس شجرة بلا حدّ لعمقها، لا قائمةٌ مسطحة: السعودية ← النجدية ← لهجة حوطة بني تميم. والتمثيل بامتداد ltree في قاعدة البيانات، فيصير سؤال «كل ما تحت النجدية» استعلامًا واحدًا لا اجتيازًا برمجيًا.

المدخل وحدة البناء: رأس معجمي واحد في عقدة لهجية واحدة. وقالبه مغلق (الرأس، النطق الحرفي بالحروف الممتدة چ گ ڤ پ ژ ڨ، النطق اللاتيني، IPA، النوع، القسم الكلامي على منهج معجم الرياض، المعنى بالفصحى وبالإنجليزية، الجذر، الأصل الاشتقاقي، درجة الفصاحة، التصريفات، الأشكال الكتابية والصوتية، ثلاثة أمثلة، المرادفات، الوسوم) ومعه درجة ثقة لكل حقل على حدة لا للمدخل ككل. ونصّ المعيار كاملًا بإصداراته منشور في صفحة معيار المدخل المعجمي.

والمعيار نفسه يتطور، والمداخل تبقى. فكل مدخل موسوم في القاعدة بإصدار المعيار الذي بُني عليه، ليصير سؤال «ما الذي يحتاج إعادة نظر بعد آخر تحسين؟» استعلامًا لا تخمينًا. وهذا التوزيع هو أصدق وصف لعمر المادة:

والفجوة بين الإصدار الجاري وما دونه هي الدَّين المنهجي المعلن: مداخل قائمة بُنيت بمعيار أضعف مما نطلبه اليوم، وتنتظر جولة إثراء. إعلانها أصدق من طمسها.

المبدأ التأسيسي: كل معلومة تُسند إلى مصدر ورقي مرجعي بمجلده وصفحته، مع اقتباس منقول من نصّه. والمصادر طبقتان لا تختلطان:

والاسترجاع (RAG) يجمع لكل بذرة مقتطفاتٍ من مسارين يُدمجان: مسار نصّي (احتواء وتشابه ثلاثيات على الصيغتين الخام والمطبَّعة) ومسار متجهي (تشابه جيب التمام على متجهات المقاطع). ويصل كل مقتطف إلى النموذج بترويسة إسناده، والترشيحية موسومة بالمنع.

يستعمل النظام نماذج مختلفة لمهام مختلفة، والتوزيع مقصود: المهمة التي تحتمل الخطأ تأخذ نموذجًا أرخص، والمهمة التي يقع عليها حكمُ النشر تأخذ الأقوى.

المجتمع في هذا التصميم ليس مصدرًا للمادة بل مصدرٌ للأسئلة وحكمٌ على الأجوبة. وهذا التمييز هو ما يحفظ الإسناد: مساهمة المستخدم تُنشئ بذرة تُستقصى في المصادر، ولا تُنشئ مدخلًا.

نسبة الاشتعال — حصة الطابور الآتية من تفاعل الناس لا من مسح الكتب — تبلغ اليوم ١١٢ بذرة من ١٨٬٥٨٢، أي ٠٫٦٪. وهي المقياس الذي يفرّق بين حلقة حيّة وخطِّ إنتاج، وارتفاعُها هدفٌ صريح لا أثرٌ جانبي. وضآلتُها اليوم مقروءة على وجهها: مخزون البذور المستخرج من المصادر المرقمنة كبير بحكم التصميم، فيبتلع النسبةَ مقامُها لا بسطُها — والقياس الأدلّ في هذه المرحلة هو نموّ البسط نفسه.

الوسائط تتبع المعيار كما يتبعه النص، وقاعدتها الحاكمة واحدة: لا يُعرض مولَّد آليًا بغير وسمه — «صوت آلي» و«صورة آلية».

يقتضي الوصف العلمي أن تُعلن حدودُ ما يُوصف. وأهم قيود هذا العمل في مرحلته الحالية:

الأطروحة التي يختبرها هذا العمل أن التوليد الآلي يصلح للمعجمية اللهجية بشرط أن يُعامَل بوصفه اقتراحًا لا إنتاجًا: أن يُسنَد كل ما يقوله، وأن يُقاس بدرجات ثقة مفصَّلة لا بحكم إجمالي، وأن يمرّ ببوابات معلنة تردّ ما لم يثبت، وأن يُعرض للقارئ بحالته لا بحالٍ أفضل منها.

والأرقام المعروضة أعلاه — نسبة التصحيح، ونسبة الردّ، ونسبة ما كبحته البوابات، ونسبة ما لا تشرحه صورة — ليست زينةً بل هي موضوع الدراسة نفسه: نظامٌ لا يعلن كم يخطئ لا يمكن الحكم على مخرجاته.

معيار المدخل بإصداراته منشور في صفحة المعيار، ومقاييس الحلقة الجارية في صفحة صحة الحلقة، وما يُضاف يوميًا في صفحة يُبنى الآن.