ساختارهای جبری در زبان طبیعی ۲۰۲۲
Algebraic Structures in Natural Language 2022

**ساختارهای جبری در زبان طبیعی** به یک مسئله‌ی اساسی در علوم شناختی می‌پردازد: فرایندهای یادگیری که انسان‌ها از طریق آن‌ها زبان طبیعی را کسب و بازنمایی می‌کنند. تا همین اواخر، سیستم‌های جبری بر مطالعه‌ی زبان طبیعی در زبان‌شناسی صوری و محاسباتی، هوش مصنوعی و روانشناسی زبان تسلط داشتند؛ به این ترتیب که دانش زبانی به صورت دستور زبان‌های صوری، نظریه‌های مدل، نظریه‌های اثبات و سایر ابزارهای قاعده‌محور رمزگذاری شده تلقی می‌شد. اما کارهای اخیر در زمینه یادگیری عمیق، مجموعه‌ای قدرتمندتر از مکانیزم‌های یادگیری عمومی را تولید کرده‌اند که مدل‌های جبری قاعده‌مند بازنمایی را به کار نمی‌گیرند. موفقیت یادگیری عمیق در پردازش زبان طبیعی (NLP) باعث شده است که برخی از محققان نقش مدل‌های جبری را در مطالعه‌ی اکتساب زبان و بازنمایی زبانی انسان زیر سوال ببرند. روانشناسان و دانشمندان علوم شناختی نیز در حال بررسی توضیحاتی برای تکامل و اکتساب زبان هستند که به جای مدل‌های صوری استقرای دستور زبان، بر روش‌های احتمالی، تعامل اجتماعی و نظریه اطلاعات تکیه دارند.

این کتاب به فرایندهای یادگیری می‌پردازد که انسان‌ها از طریق آن‌ها زبان طبیعی را کسب می‌کنند و چگونگی بازنمایی ویژگی‌های آن را بررسی می‌کند. در این اثر، محققان برجسته‌ای از حوزه‌های زبان‌شناسی محاسباتی، روانشناسی، علوم رفتاری و زبان‌شناسی ریاضی گرد هم آمده‌اند تا اهمیت روش‌های غیرجبری را برای مطالعه زبان طبیعی مورد بررسی قرار دهند. این متن طیف گسترده‌ای از دیدگاه‌ها را ارائه می‌دهد؛ از این ادعا که سیستم‌های جبری تا حد زیادی نامربوط هستند، تا این موضع مخالف که روش‌های یادگیری غیرجبری، ابزارهای مهندسی برای شناسایی کارآمد الگوهایی هستند که دستور زبان‌ها و مدل‌های معنایی زیربنایی برای ورودی زبان طبیعی ایجاد می‌کنند. دیدگاه‌های جالب و مهمی وجود دارد که در نقاط میانی بین این رویکردهای متضاد قرار می‌گیرند و ممکن است عناصری از هر دو را ترکیب کنند. این اثر برای محققان و دانشجویان پیشرفته در هر یک از این زمینه‌ها، و همچنین برای هر کسی که می‌خواهد در مورد رابطه بین مدل‌های محاسباتی و زبان طبیعی بیشتر بیاموزد، جذاب خواهد بود.

Algebraic Structures in Natural Language addresses a central problem in cognitive science concerning the learning procedures through which humans acquire and represent natural language. Until recently algebraic systems have dominated the study of natural language in formal and computational linguistics, AI, and the psychology of language, with linguistic knowledge seen as encoded in formal grammars, model theories, proof theories and other rule-driven devices. Recent work on deep learning has produced an increasingly powerful set of general learning mechanisms which do not apply rule-based algebraic models of representation. The success of deep learning in NLP has led some researchers to question the role of algebraic models in the study of human language acquisition and linguistic representation. Psychologists and cognitive scientists have also been exploring explanations of language evolution and language acquisition that rely on probabilistic methods, social interaction and information theory, rather than on formal models of grammar induction.

This book addresses the learning procedures through which humans acquire natural language, and the way in which they represent its properties. It brings together leading researchers from computational linguistics, psychology, behavioral science and mathematical linguistics to consider the significance of non-algebraic methods for the study of natural language. The text represents a wide spectrum of views, from the claim that algebraic systems are largely irrelevant to the contrary position that non-algebraic learning methods are engineering devices for efficiently identifying the patterns that underlying grammars and semantic models generate for natural language input. There are interesting and important perspectives that fall at intermediate points between these opposing approaches, and they may combine elements of both. It will appeal to researchers and advanced students in each of these fields, as well as to anyone who wants to learn more about the relationship between computational models and natural language.