MITRA-lexicon: සංස්කෘත බෞද්ධ පාරිභාෂික වචන ටිබෙට්, චීන සහ ඉංග්‍රීසි භාෂාවලට පරිවර්තනය වූ ආකාරය පිළිබඳ පාඨ සංග්‍රහ මත පදනම් වූ වාර්තාවක්

නිකුත් කළේ කුමක්ද

2026 ඔක්තෝබර් 19 වන දින Sebastian Nehrdich, Kengo Harimoto, Sven Sellmer සහ Oliver Hellwig විසින් සංස්කෘත සහ ඉංග්‍රීසි, ටිබෙට්, චීන භාෂා අතර ඒකදිශා ශබ්දකෝෂ හයක් වන MITRA-lexicon විස්තර කරන පූර්ව මුද්‍රණයක් arXiv හි පළ කරන ලදී. කතුවරුන් ශීර්ෂ පද ඇතුළත් කිරීම් මිලියන 2.18ක් සහ සාක්ෂි මිලියන 10.4ක් වාර්තා කරයි; සෑම සාක්ෂියක්ම එහි වාක්‍ය යුගලයට, සංස්කෘත වචනයේ සහ එහි සමාන පදයේ අක්ෂර ස්ථාන සමඟ සම්බන්ධ වේ. අර්ථ ඒවා හමුවන වාර ගණන අනුව පෙළගස්වා ඇත. ^[1]

දත්ත එදිනම GitHub හි නිකුතුව v1.1 ලෙස කේතය, ඇගයුම් දත්ත සහ බීටා අදියරේ වෙබ් අතුරුමුහුණතක් සමඟ ප්‍රකාශයට පත් කරන ලදී. මෙම නිකුතුවට පත්‍රිකාවේ විස්තර නොකළ චීන–ටිබෙට් ශබ්දකෝෂයක් එකතු වේ. අතුරුමුහුණත එය අතින් සංස්කරණය කළ ශබ්දකෝෂයක් නොවන බව සඳහන් කරයි: යුගල ස්වයංක්‍රීයව උකහා ගත් නිසා ගැළපීමක් වැරදි, අසම්පූර්ණ හෝ විස්ථාපිත විය හැකි අතර සම්පූර්ණ වාක්‍යය කියවිය යුතුය. ^{[2] [3]}

එය ගොඩනැගූ ආකාරය

සංස්කෘත–ඉංග්‍රීසි ශබ්දකෝෂ Mitrasaṃgraha පාඨ සංග්‍රහයෙන් (වාක්‍ය යුගල 395,528) ලැබෙන අතර සංස්කෘත–ටිබෙට් සහ සංස්කෘත–චීන ශබ්දකෝෂ MITRA-parallel v3 (යුගල 566,068 සහ 340,691) වෙතින් ලැබේ. සංස්කෘත පාඨය සම්පූර්ණයෙන් හෝ අර්ධ වශයෙන් ටිබෙට් හෝ චීන පරිවර්තනයකින් නූතන ප්‍රතිනිර්මාණයක් වන පාඨ දහඅටක් ඉවත් කරන ලදී. ^[1]

සංස්කෘත පැත්ත ByT5-Sanskrit විශ්ලේෂකය මගින් ඛණ්ඩනය කර මූල පදවලට ගෙන එයි. වාණිජ භාෂා ආකෘතියක් (Gemini Flash) පුහුණු උදාහරණ 9,366කට ලේබල් යෙදූ අතර, ඉන්පසු MITRA Qwen3.5-9B මත පදනම් වූ කුඩා ආකෘතියක් සෑම පරිවර්තනයක්ම පිටපත් කර සෑම සංස්කෘත වචනයක්ම නිරූපණය කරන කොටස සලකුණු කිරීමට සියුම්ව සකස් කරන ලදී. පාඨ සංග්‍රහ තුන කැණීමට GPU පැය 36ක් පමණ ගත විය. පෙළගැස්වීමේ ආකෘතිය වෙනම ප්‍රකාශයට පත් කර ඇති අතර එහි ආකෘති කාඩ්පත එහි ලකුණු නිවැරදිභාවය නොව ගුරු ආකෘතිය සමඟ එකඟතාව මනින බව සඳහන් කරයි. ^{[1] [4]}

එය කෙතරම් විශ්වාසදායකද

දැඩි ගැළපීම යටතේ යොමු ශබ්දකෝෂ සමඟ සැසඳීමේදී පළමු ශ්‍රේණිගත අර්ථය ශබ්දකෝෂය සමඟ එකඟ වූයේ සංස්කෘත–ටිබෙට් ශීර්ෂ පදවලින් 58.2%ක (Negi), සංස්කෘත–චීන ශීර්ෂ පදවලින් 53.0%ක (Hirakawa) සහ සංස්කෘත–ඉංග්‍රීසි ශීර්ෂ පදවලින් 36.6%ක (Monier-Williams සහ Apte එක්ව) ය. ශබ්දකෝෂ වඩා පටු පාඨ කට්ටලයක් ආවරණය කරන අතර ඒවායේම දෝෂ ද ඇති බැවින් කතුවරුන් මෙම අගයන් පහළ සීමා ලෙස හඳුන්වයි. එකඟතාව වාර ගණන සමඟ ඉහළ යයි: අවම වශයෙන් සාක්ෂි 100ක් ඇති ශීර්ෂ පද සඳහා ඉහළම සංස්කෘත–ටිබෙට් අර්ථය 84–90%ක අවස්ථාවලදී තහවුරු විය. ^[1]

රන් පෙළගැස්වීම් ඇත්තේ සංස්කෘත–ඉංග්‍රීසි සඳහා පමණි: වාක්‍ය 100ක් සංස්කෘත විශාරදයන් තිදෙනෙකු විසින් ස්වාධීනව පෙළගස්වා ඇති අතර ඔවුන් අතර Krippendorff ඇල්ෆා අගය 0.77 විය; ආකෘතිය ඔවුන්ගේ බහුතර තීරණයට සාපේක්ෂව F1 88.4ක් ළඟා කර ගත්තේය. පත්‍රිකාව තවත් සීමා ද ලැයිස්තුගත කරයි: විශ්ලේෂකයේ සහ විද්‍යුත් පාඨවල දෝෂ වැරදි මූල පද බවට පැතිරේ, ඉලක්ක භාෂාවේ විභක්ති රූප සාක්ෂි අර්ථ අතර බෙදා හරියි, ඉංග්‍රීසි ශබ්දකෝෂය විශාල වීර කාව්‍ය සහ පුරාණ පාඨ කිහිපයකින් ආධිපත්‍යයට පත්ව ඇත, දුර්ලභ ශීර්ෂ පදවල දෝෂ වැඩි වන අතර ලේබල් යෙදීමේ පියවර වාණිජ ආකෘතියක් මත රඳා පවතී. ගබඩාව පත්‍රිකාව ISCLS 2027 සඳහා සමාලෝචනය යටතේ ඇති බව විස්තර කරන බැවින් එය සම-සමාලෝචිත ප්‍රතිඵලයක් නොව පූර්ව මුද්‍රණයකි. ^{[1] [2]}

බලපත්‍ර සහ නැවත භාවිතය

සෑම සාක්ෂියක්ම එහි වාක්‍ය යුගලය ප්‍රතිනිෂ්පාදනය කරන බැවින් ශබ්දකෝෂ ඒවායේ මූලාශ්‍ර පාඨවල බලපත්‍ර උරුම කර ගනී. සංස්කෘත–ටිබෙට්, සංස්කෘත–චීන සහ චීන–ටිබෙට් ශබ්දකෝෂ CC BY-SA 4.0 යටතේ නිකුත් කර ඇත. සංස්කෘත–ඉංග්‍රීසි ශබ්දකෝෂය අනුවාද දෙකකින් පැමිණේ: CC BY-SA පාඨවලින් ලැබෙන සාක්ෂිවලින් 92.3%ක් සහිත CC BY-SA 4.0 අනුවාදයක් සහ CC BY-NC-ND පාඨවලින් හා බලපත්‍රයක් සඳහන් නොකළ පාඨ සංග්‍රහ කොටස්වලින් සාක්ෂි එකතු කරන CC BY-NC-ND 4.0 යටතේ සම්පූර්ණ අනුවාදයක්. රන් සහ ගුරු දත්ත CC BY-NC-ND 4.0, කේතය MIT සහ පෙළගැස්වීමේ ආකෘතිය Apache-2.0 වේ. ^{[2] [4]}

ශබ්දකෝෂයක බලපත්‍රයක් වෙනත් කිසිදු පාඨ සංග්‍රහයක, ස්කෑන් පිටපතක හෝ පරිවර්තනයක අයිතිවාසිකම් තීරණය නොකරයි. අතුරුමුහුණතේ පදයක් කියවීම මූලාශ්‍ර පාඨ නැවත ප්‍රකාශයට පත් කිරීමට හෝ ඒවායේම බලපත්‍ර ඉක්මවා ඒවා මත ආකෘතියක් පුහුණු කිරීමට අවසරයක් ලබා නොදේ. කතුවරුන් මහජනතාවට මුහුණ දෙන යෙදුම්වලින් Dharmamitra ව්‍යාපෘතිය පිළිගන්නා ලෙස ඉල්ලා සිටී. ^[2]

ප්‍රවේශමෙන් භාවිත කරන ආකාරය

සංස්කෘත, ටිබෙට් (Unicode හෝ Wylie) හෝ චීන භාෂාවෙන් පදයක් සොයා, ඉලක්ක භාෂාව තෝරා, ශීර්ෂ පදය පමණක් නොව වාක්‍ය සන්දර්භය තුළ සාක්ෂි කියවන්න. වාර ගණන නිවැරදි සමාන පදය පිළිබඳ තීන්දුවක් ලෙස නොව පරිවර්තකයන්ගේ භාවිතය පිළිබඳ සාක්ෂියක් ලෙස සලකන්න; එක් සාක්ෂියක් පමණක් ඇති දුර්ලභ අර්ථයක් පෙළගැස්වීමේ දෝෂයක් විය හැකිය. සාක්ෂි කිහිපයක් ඇති ශීර්ෂ පදවලට ප්‍රමුඛතාව දෙන්න, සාක්ෂිය ලැබෙන එකතුව සටහන් කරගන්න, සහ ඇතුළත් කිරීමක් උපුටා දක්වන විට නිකුතු අනුවාදය සහ බලපත්‍රය වාර්තා කරන්න. ^{[1] [3]}

Matreya සඳහා මෙය අපගේ භාෂා හරහා පාරිභාෂික වචන පරීක්ෂා කිරීමේ ප්‍රායෝගික මෙවලමක් මෙන්ම අවසර සැලකිල්ලට ගත් පාඨ සංග්‍රහ සම්පතක ලේඛනගත උදාහරණයකි: බලපත්‍ර සෑම ගොනුවකටම සඳහන් කර ඇති අතර ගොඩනැගීම ප්‍රකාශිත කේතය සහ දත්තවලින් ප්‍රතිනිෂ්පාදනය කළ හැකිය. අපි වාර්තා කළ සංඛ්‍යා අප විසින්ම ප්‍රතිනිෂ්පාදනය කර නැති අතර ශබ්දකෝෂය විශේෂඥයෙකු ඡේදයක් කියවීම වෙනුවට ආදේශ නොවේ. ^{[1] [2]}

කර්තෘ සටහන

කතුවරුන් පරිගණක යටිතල පහසුකම් සඳහා අරමුදල් සැපයීම ගැන Tsadra Foundation වෙත ස්තුති කරන අතර ක්‍රමලේඛනය සහ පත්‍රිකාවේ භාෂාව සඳහා උත්පාදක AI භාවිත කළ බව හෙළි කරයි. මෙම ලිපිය සහ එහි පරිවර්තන AI සහාය ඇතිව සකස් කරන ලද අතර විශේෂඥ භාෂා සමාලෝචනය සම්පූර්ණ කර නොමැත. ^[1]