MITRA-lexicon៖ កំណត់ត្រាផ្អែកលើសំណុំអត្ថបទអំពីរបៀបដែលពាក្យពុទ្ធសាសនាជាភាសាសំស្ក្រឹតត្រូវបានបកប្រែជាភាសាទីបេ ចិន និងអង់គ្លេស

អ្វីដែលត្រូវបានចេញផ្សាយ

នៅថ្ងៃទី 19 ខែតុលា ឆ្នាំ 2026 Sebastian Nehrdich, Kengo Harimoto, Sven Sellmer និង Oliver Hellwig បានដាក់បង្ហោះលើ arXiv នូវអត្ថបទមុនបោះពុម្ពមួយដែលពណ៌នាអំពី MITRA-lexicon ដែលជាវចនានុក្រមទិសដៅតែមួយចំនួនប្រាំមួយរវាងភាសាសំស្ក្រឹត និងភាសាអង់គ្លេស ទីបេ និងចិន។ អ្នកនិពន្ធរាយការណ៍ពីធាតុពាក្យមេចំនួន 2.18 លាន និងភស្តុតាងចំនួន 10.4 លាន។ ភស្តុតាងនីមួយៗភ្ជាប់ទៅនឹងគូប្រយោគរបស់វា រួមជាមួយទីតាំងតួអក្សរនៃពាក្យសំស្ក្រឹត និងពាក្យស្មើរបស់វា។ អត្ថន័យត្រូវបានតម្រៀបតាមប្រេកង់នៃការលេចឡើង។ ^[1]

ទិន្នន័យត្រូវបានបោះផ្សាយនៅថ្ងៃតែមួយនៅលើ GitHub ជាការចេញផ្សាយ v1.1 រួមជាមួយកូដ ទិន្នន័យវាយតម្លៃ និងចំណុចប្រទាក់គេហទំព័រក្នុងកំណែបេតា។ ការចេញផ្សាយនេះបន្ថែមវចនានុក្រមចិន–ទីបេ ដែលមិនបានពណ៌នានៅក្នុងអត្ថបទទេ។ ចំណុចប្រទាក់បញ្ជាក់ថា វាមិនមែនជាវចនានុក្រមដែលចងក្រងដោយដៃទេ៖ គូទាំងនោះត្រូវបានទាញយកដោយស្វ័យប្រវត្តិ ដូច្នេះការផ្គូផ្គងអាចខុស មិនពេញលេញ ឬអាចជ្រុល ហើយគួរអានប្រយោគទាំងមូល។ ^{[2] [3]}

របៀបដែលវាត្រូវបានកសាង

វចនានុក្រមសំស្ក្រឹត–អង់គ្លេសបានមកពីសំណុំអត្ថបទ Mitrasaṃgraha (គូប្រយោគ 395,528) ចំណែកវចនានុក្រមសំស្ក្រឹត–ទីបេ និងសំស្ក្រឹត–ចិនបានមកពី MITRA-parallel v3 (គូ 566,068 និង 340,691)។ អត្ថបទចំនួនដប់ប្រាំបីដែលភាសាសំស្ក្រឹតទាំងមូលឬមួយផ្នែកជាការកសាងឡើងវិញសម័យទំនើបពីការបកប្រែជាភាសាទីបេឬចិន ត្រូវបានដកចេញ។ ^[1]

ផ្នែកសំស្ក្រឹតត្រូវបានបំបែកពាក្យ និងកាត់ទៅជាទម្រង់ដើមដោយឧបករណ៍វិភាគ ByT5-Sanskrit។ គំរូភាសាពាណិជ្ជកម្មមួយ (Gemini Flash) បានដាក់ស្លាកឧទាហរណ៍បណ្ដុះបណ្ដាលចំនួន 9,366 បន្ទាប់មកគំរូតូចជាងដែលផ្អែកលើ MITRA Qwen3.5-9B ត្រូវបានកែសម្រួលឱ្យចម្លងការបកប្រែនីមួយៗ និងសម្គាល់ផ្នែកដែលបង្ហាញពាក្យសំស្ក្រឹតនីមួយៗ។ ការរុករកសំណុំអត្ថបទទាំងបីចំណាយពេលប្រហែល 36 ម៉ោង GPU។ គំរូតម្រឹមត្រូវបានបោះផ្សាយដោយឡែក ហើយកាតគំរូរបស់វាកត់សម្គាល់ថា ពិន្ទុរបស់វាវាស់ការយល់ស្របជាមួយគំរូគ្រូ មិនមែនភាពត្រឹមត្រូវទេ។ ^{[1] [4]}

អាចទុកចិត្តបានកម្រិតណា

បើប្រៀបធៀបជាមួយវចនានុក្រមយោងក្រោមការផ្គូផ្គងតឹងរ៉ឹង អត្ថន័យចំណាត់ថ្នាក់ទីមួយស្របជាមួយវចនានុក្រមសម្រាប់ 58.2% នៃពាក្យមេសំស្ក្រឹត–ទីបេ (Negi) 53.0% នៃពាក្យមេសំស្ក្រឹត–ចិន (Hirakawa) និង 36.6% នៃពាក្យមេសំស្ក្រឹត–អង់គ្លេស (Monier-Williams រួមជាមួយ Apte)។ អ្នកនិពន្ធហៅតួលេខទាំងនេះថាជាព្រំដែនខាងក្រោម ព្រោះវចនានុក្រមគ្របដណ្ដប់សំណុំអត្ថបទតូចជាង ហើយមានកំហុសរបស់ខ្លួនផងដែរ។ ការយល់ស្របកើនឡើងតាមប្រេកង់៖ សម្រាប់ពាក្យមេដែលមានភស្តុតាងយ៉ាងតិច 100 អត្ថន័យសំស្ក្រឹត–ទីបេកំពូលត្រូវបានបញ្ជាក់ក្នុង 84–90% នៃករណី។ ^[1]

ការតម្រឹមស្តង់ដារមាសមានតែសម្រាប់សំស្ក្រឹត–អង់គ្លេសប៉ុណ្ណោះ៖ ប្រយោគ 100 ត្រូវបានតម្រឹមដោយឯករាជ្យដោយអ្នកជំនាញសំស្ក្រឹតបីនាក់ ដោយមាន alpha របស់ Krippendorff 0.77 ក្នុងចំណោមពួកគេ ហើយគំរូសម្រេចបាន F1 88.4 ធៀបនឹងការសម្រេចចិត្តភាគច្រើនរបស់ពួកគេ។ អត្ថបទរាយបញ្ជីដែនកំណត់បន្ថែមទៀត៖ កំហុសរបស់ឧបករណ៍វិភាគ និងអត្ថបទអេឡិចត្រូនិករីករាលដាលទៅជាទម្រង់ដើមខុស ទម្រង់បំប្លែងនៅភាសាគោលដៅបែងចែកភស្តុតាងទៅតាមអត្ថន័យផ្សេងៗ វចនានុក្រមអង់គ្លេសត្រូវបានគ្របដណ្ដប់ដោយអត្ថបទវីរកាព្យ និងបុរាណៈធំៗពីរបីប៉ុណ្ណោះ ពាក្យមេកម្រមានកំហុសច្រើនជាង ហើយជំហានដាក់ស្លាកពឹងផ្អែកលើគំរូពាណិជ្ជកម្ម។ ឃ្លាំងកូដពណ៌នាអត្ថបទថាកំពុងស្ថិតក្រោមការត្រួតពិនិត្យសម្រាប់ ISCLS 2027 ដូច្នេះវាជាអត្ថបទមុនបោះពុម្ព មិនមែនជាលទ្ធផលដែលបានត្រួតពិនិត្យដោយសមភាគីទេ។ ^{[1] [2]}

អាជ្ញាប័ណ្ណ និងការប្រើប្រាស់ឡើងវិញ

ដោយសារភស្តុតាងនីមួយៗផលិតឡើងវិញនូវគូប្រយោគរបស់វា វចនានុក្រមទទួលមរតកអាជ្ញាប័ណ្ណពីអត្ថបទប្រភព។ វចនានុក្រមសំស្ក្រឹត–ទីបេ សំស្ក្រឹត–ចិន និងចិន–ទីបេ ត្រូវបានចេញផ្សាយក្រោម CC BY-SA 4.0។ វចនានុក្រមសំស្ក្រឹត–អង់គ្លេសមានពីរកំណែ៖ កំណែ CC BY-SA 4.0 ដែលមាន 92.3% នៃភស្តុតាងពីអត្ថបទ CC BY-SA និងកំណែពេញលេញក្រោម CC BY-NC-ND 4.0 ដែលបន្ថែមភស្តុតាងពីអត្ថបទ CC BY-NC-ND និងពីផ្នែកសំណុំអត្ថបទដែលគ្មានអាជ្ញាប័ណ្ណបញ្ជាក់។ ទិន្នន័យស្តង់ដារមាស និងទិន្នន័យគ្រូគឺ CC BY-NC-ND 4.0 កូដគឺ MIT ហើយគំរូតម្រឹមគឺ Apache-2.0។ ^{[2] [4]}

អាជ្ញាប័ណ្ណលើវចនានុក្រមមិនសម្រេចសិទ្ធិលើសំណុំអត្ថបទ ឯកសារស្កេន ឬការបកប្រែផ្សេងទៀតណាមួយទេ។ ការអានពាក្យមួយក្នុងចំណុចប្រទាក់មិនផ្ដល់ការអនុញ្ញាតឱ្យបោះពុម្ពផ្សាយអត្ថបទប្រភពឡើងវិញ ឬបណ្ដុះបណ្ដាលគំរូលើអត្ថបទទាំងនោះហួសពីអាជ្ញាប័ណ្ណផ្ទាល់របស់វាទេ។ អ្នកនិពន្ធស្នើឱ្យកម្មវិធីសម្រាប់សាធារណជនទទួលស្គាល់គម្រោង Dharmamitra។ ^[2]

វិធីប្រើដោយប្រុងប្រយ័ត្ន

ស្វែងរកពាក្យជាភាសាសំស្ក្រឹត ទីបេ (Unicode ឬ Wylie) ឬចិន ជ្រើសរើសភាសាគោលដៅ ហើយអានភស្តុតាងក្នុងបរិបទប្រយោគ មិនមែនតែពាក្យមេប៉ុណ្ណោះទេ។ ចាត់ទុកប្រេកង់ជាភស្តុតាងនៃការប្រើប្រាស់របស់អ្នកបកប្រែ មិនមែនជាការសម្រេចអំពីពាក្យស្មើត្រឹមត្រូវទេ។ អត្ថន័យកម្រដែលមានភស្តុតាងតែមួយអាចជាកំហុសតម្រឹម។ ផ្ដល់អាទិភាពដល់ពាក្យមេដែលមានភស្តុតាងច្រើន កត់សម្គាល់បណ្ដុំអត្ថបទដែលភស្តុតាងបានមក ហើយកត់ត្រាកំណែចេញផ្សាយ និងអាជ្ញាប័ណ្ណនៅពេលដកស្រង់ធាតុណាមួយ។ ^{[1] [3]}

សម្រាប់ Matreya នេះជាឧបករណ៍ជាក់ស្តែងសម្រាប់ពិនិត្យពាក្យបច្ចេកទេសឆ្លងភាសារបស់យើង និងជាឧទាហរណ៍ដែលមានឯកសារនៃធនធានសំណុំអត្ថបទដែលគោរពការអនុញ្ញាត៖ អាជ្ញាប័ណ្ណត្រូវបានបញ្ជាក់តាមឯកសារនីមួយៗ ហើយការកសាងអាចផលិតឡើងវិញពីកូដ និងទិន្នន័យដែលបានបោះផ្សាយ។ យើងមិនទាន់បានផលិតឡើងវិញនូវតួលេខដែលបានរាយការណ៍ដោយខ្លួនឯងទេ ហើយវចនានុក្រមមិនជំនួសការអានអត្ថបទដោយអ្នកជំនាញឡើយ។ ^{[1] [2]}

កំណត់ចំណាំរបស់និពន្ធនាយក

អ្នកនិពន្ធថ្លែងអំណរគុណដល់ Tsadra Foundation ដែលបានផ្ដល់មូលនិធិសម្រាប់ហេដ្ឋារចនាសម្ព័ន្ធគណនា ហើយបង្ហាញពីការប្រើ AI បង្កើតសម្រាប់ការសរសេរកម្មវិធី និងសម្រាប់ភាសានៃអត្ថបទ។ អត្ថបទនេះ និងការបកប្រែរបស់វាត្រូវបានរៀបចំដោយមានជំនួយពី AI ហើយការត្រួតពិនិត្យភាសាដោយអ្នកជំនាញមិនទាន់បានបញ្ចប់ទេ។ ^[1]