MITRA-lexicon: một bản ghi dựa trên ngữ liệu về cách các thuật ngữ Phật giáo tiếng Phạn được dịch sang tiếng Tạng, tiếng Hán và tiếng Anh

Điều gì đã được công bố

Ngày 19 tháng 10 năm 2026, Sebastian Nehrdich, Kengo Harimoto, Sven Sellmer và Oliver Hellwig đã đăng trên arXiv một bản tiền ấn phẩm mô tả MITRA-lexicon, sáu bộ từ vựng một chiều giữa tiếng Phạn và tiếng Anh, tiếng Tạng, tiếng Hán. Các tác giả báo cáo 2,18 triệu mục từ đầu và 10,4 triệu chứng cứ; mỗi chứng cứ liên kết với cặp câu của nó cùng vị trí ký tự của từ tiếng Phạn và từ tương đương. Các nghĩa được xếp theo tần suất xuất hiện. ^[1]

Dữ liệu được công bố cùng ngày trên GitHub dưới dạng bản phát hành v1.1, kèm mã nguồn, dữ liệu đánh giá và một giao diện web ở phiên bản beta. Bản phát hành bổ sung một bộ từ vựng Hán–Tạng không được mô tả trong bài báo. Giao diện nêu rõ đây không phải là từ điển do con người biên soạn: các cặp được trích xuất tự động, nên một kết quả khớp có thể sai, không đầy đủ hoặc lệch, và cần đọc trọn câu. ^{[2] [3]}

Nó được xây dựng như thế nào

Các bộ từ vựng Phạn–Anh lấy từ kho ngữ liệu Mitrasaṃgraha (395.528 cặp câu); các bộ Phạn–Tạng và Phạn–Hán lấy từ MITRA-parallel v3 (566.068 và 340.691 cặp). Mười tám văn bản có phần tiếng Phạn toàn bộ hoặc một phần là bản phục dựng hiện đại từ bản dịch tiếng Tạng hoặc tiếng Hán đã bị loại trừ. ^[1]

Phía tiếng Phạn được tách từ và quy về dạng gốc bằng bộ phân tích ByT5-Sanskrit. Một mô hình ngôn ngữ thương mại (Gemini Flash) đã gán nhãn 9.366 ví dụ huấn luyện; sau đó một mô hình nhỏ hơn dựa trên MITRA Qwen3.5-9B được tinh chỉnh để sao chép mỗi bản dịch và đánh dấu đoạn thể hiện từng từ tiếng Phạn. Việc khai thác ba kho ngữ liệu mất khoảng 36 giờ GPU. Mô hình gióng hàng được công bố riêng, và thẻ mô hình ghi rằng điểm số của nó đo mức độ đồng thuận với mô hình giáo viên, chứ không đo tính đúng đắn. ^{[1] [4]}

Đáng tin cậy đến đâu

So với các từ điển tham chiếu theo tiêu chí khớp nghiêm ngặt, nghĩa xếp hạng đầu trùng với từ điển ở 58,2% từ đầu Phạn–Tạng (Negi), 53,0% từ đầu Phạn–Hán (Hirakawa) và 36,6% từ đầu Phạn–Anh (Monier-Williams cùng Apte). Các tác giả gọi những con số này là giới hạn dưới, vì các từ điển bao quát một tập văn bản hẹp hơn và tự chúng cũng có lỗi. Mức đồng thuận tăng theo tần suất: với các từ đầu có ít nhất 100 chứng cứ, nghĩa Phạn–Tạng đứng đầu được xác nhận trong 84–90% trường hợp. ^[1]

Gióng hàng chuẩn vàng chỉ có cho cặp Phạn–Anh: 100 câu được ba nhà Phạn học gióng hàng độc lập, với hệ số alpha của Krippendorff giữa họ là 0,77; mô hình đạt F1 88,4 so với quyết định đa số của họ. Bài báo còn liệt kê các giới hạn khác: lỗi của bộ phân tích và của văn bản điện tử lan sang từ gốc sai, các dạng biến hình ở ngôn ngữ đích làm phân tán chứng cứ giữa các nghĩa, bộ từ vựng tiếng Anh bị chi phối bởi vài văn bản sử thi và Purāṇa đồ sộ, các từ đầu hiếm chứa nhiều lỗi hơn, và bước gán nhãn phụ thuộc vào một mô hình thương mại. Kho mã mô tả bài báo đang được bình duyệt cho ISCLS 2027, nên đây là bản tiền ấn phẩm, không phải kết quả đã qua bình duyệt. ^{[1] [2]}

Giấy phép và tái sử dụng

Vì mỗi chứng cứ sao chép lại cặp câu của nó, các bộ từ vựng kế thừa giấy phép của văn bản nguồn. Các bộ Phạn–Tạng, Phạn–Hán và Hán–Tạng được phát hành theo CC BY-SA 4.0. Bộ Phạn–Anh có hai phiên bản: phiên bản CC BY-SA 4.0 với 92,3% chứng cứ đến từ các văn bản CC BY-SA, và phiên bản đầy đủ theo CC BY-NC-ND 4.0, bổ sung chứng cứ từ các văn bản CC BY-NC-ND và từ những phần kho ngữ liệu không ghi giấy phép. Dữ liệu chuẩn vàng và dữ liệu giáo viên theo CC BY-NC-ND 4.0, mã nguồn theo MIT và mô hình gióng hàng theo Apache-2.0. ^{[2] [4]}

Giấy phép của một bộ từ vựng không quyết định quyền đối với bất kỳ kho ngữ liệu, bản quét hay bản dịch nào khác. Đọc một thuật ngữ trên giao diện không cấp quyền tái xuất bản văn bản nguồn hay huấn luyện mô hình trên đó vượt quá giấy phép riêng của chúng. Các tác giả đề nghị các ứng dụng hướng tới công chúng ghi nhận dự án Dharmamitra. ^[2]

Một cách dùng thận trọng

Hãy tìm một thuật ngữ bằng tiếng Phạn, tiếng Tạng (Unicode hoặc Wylie) hay tiếng Hán, chọn ngôn ngữ đích và đọc các chứng cứ trong ngữ cảnh câu thay vì chỉ từ đầu. Hãy coi tần suất là bằng chứng về cách dùng của các dịch giả, không phải phán quyết về từ tương đương đúng; một nghĩa hiếm chỉ có một chứng cứ có thể là lỗi gióng hàng. Ưu tiên các từ đầu có nhiều chứng cứ, ghi chú bộ sưu tập mà chứng cứ xuất phát, và khi trích dẫn một mục, hãy ghi lại phiên bản phát hành cùng giấy phép. ^{[1] [3]}

Với Matreya, đây là một công cụ thiết thực để kiểm tra thuật ngữ giữa các ngôn ngữ của chúng tôi và một ví dụ có tài liệu về tài nguyên ngữ liệu tôn trọng quyền cho phép: giấy phép được ghi cho từng tệp và quy trình xây dựng có thể tái lập từ mã nguồn và dữ liệu đã công bố. Chúng tôi chưa tự tái lập các con số được báo cáo, và bộ từ vựng không thay thế việc một chuyên gia đọc đoạn văn. ^{[1] [2]}

Ghi chú biên tập

Các tác giả cảm ơn Tsadra Foundation đã tài trợ hạ tầng tính toán và công bố việc sử dụng AI tạo sinh cho lập trình và cho ngôn ngữ của bài báo. Bài viết này và các bản dịch được chuẩn bị với sự hỗ trợ của AI; việc hiệu đính ngôn ngữ chuyên môn chưa hoàn tất. ^[1]