A Comparative Analysis of Language Generation Mechanisms in Cartesian Universal Grammar and Transformer-Based AI Models

Asst. Lecturer Raqib Imad Jassim

doi:10.31185/lark.5400

المؤلفون

م.م. رقيب عماد جاسم جامعة واسط / كلية الآداب

DOI:

https://doi.org/10.31185/lark.5400

الكلمات المفتاحية:

النحو الكلّي الديكارتي، البرنامج الأدنى (MP)، نماذج الذكاء الاصطناعي القائمة على بنية المحوِّلات.

الملخص

الملخّص

تقدّم هذه الدراسة تحليلًا مقارنًا بين نموذجين متعارضين جذريًا في مقاربة إدراك اللغة الإنسانية وإنتاجها: النموذج الفِطري ذي الطابع الحاسوبي–الهرمي الذي يتصوّر اللغة بوصفها نحوًا كلّيًا ديكارتيًا (Universal Grammar – UG) كما يتم تفعيله ضمن البرنامج الأدنى (Minimalist Program – MP)، والنموذج التجريبي ذي الطابع الإحصائي–الترابطي الذي يمثّل فهم اللغة الإنسانية من خلال نماذج اللغة الضخمة القائمة على بنية المحوِّلات , (Transformer-based Large Language Models – LLMs). وترتكز المقارنة المحورية على العمليات التوليدية الأساسية في كل نموذج: عملية بناء البنية في النحو الكلّي، المتمثّلة في آلية الدمج (Merge)، في مقابل آلية التسييق/التمركز السياقي في بنية المحوِّل، والمتمثّلة في الانتباه الذاتي, فبينما يفترض النحو الكلّي وجود ملكة لغوية فطرية متخصّصة ومجالية، قادرة على توليد البنى التركيبية تراجعيًا ضمن لا نهائية متقطّعة، تكتسب نماذج اللغة الضخمة كفاءتها اللغوية عبر التحسين الإحصائي على مدوّنات نصية واسعة النطاق، معتمدةً على تمثيلات منهجية مستمرة وعالية الأبعاد. ولإبراز أوجه التمايز بين النموذجين، تعتمد الدراسة إطارًا تحليليًا رباعي الأبعاد يضمّ: البدائية الحاسوبية، والبنية التمثيلية، ومصدر المعرفة، والنطاق التفسيري. وتُظهر النتائج أن النحو الكلّي يتمتّع بعمقٍ تفسيري أعلى فيما يتعلّق بطبيعة الكفاءة اللغوية، ويقدّم تفسيرًا مبدئيًا منضبطًا لخصائصها الصورية. في المقابل، تُظهر نماذج اللغة الضخمة قوةً تنبؤيةً وأداءً تطبيقيًا أعلى في الاستعمال اللغوي، يتجلّى في الطلاقة، والاتساق، وقابلية التوسّع. وتختتم الدراسة بمناقشة دلالات النجاح التجريبي لنماذج اللغة الضخمة على الفرضية الفطرية، وتقترح أن تطوير نظرية لغوية أكثر شمولًا قد يستلزم مواءمة القيود الصورية الكامنة في النحو الكلّي مع القدرة الإحصائية التي تتميّز بها بنية المحوِّلات.

المراجع

Alsaray, A. A. D., & Altimimiy, K. K. (2023). Employing artificial intelligence techniques among mobile journalism practitioners when covering daily events: A field study in Wasit Governorate. Lark Journal of Philosophy, Linguistics and Social Sciences, 15(3/Pt2), 537–577.

https://doi.org/10.31185/lark.Vol2.Iss50.3165

Chomsky, N. (1957). Syntactic structures. Mouton.

Chomsky, N. (1966). Cartesian linguistics: A chapter in the history of rationalist thought. Harper & Row.

Chomsky, N. (2002). On nature and language. Cambridge University Press.

Chomsky, N. (2014). The minimalist program. MIT Press.

Chomsky, N., Seely, T. D., Berwick, R. C., & Fong, S. (2023). Merge and the strong minimalist thesis. Cambridge University Press.

Chomsky, N., Watumull, J., & Roberts, I. (2023, March 8). Chomsky: The fallacy of Chat GPT and large language models. The New York Times, A21.

Clark, K., Khandelwal, U., Levy, O., & Manning, C. D. (2019). What does BERT look at? An analysis of BERT's attention. Proceedings of the 2019 ACL Workshop Black boxNLP: Analyzing and Interpreting Neural Networks for NLP, 276-286.

Goldberg, Y. (2019). Assessing the ability of LSTMs to learn syntax-sensitive dependencies. Language and Linguistics Compass, 13(1), e12319.

Hupkes, D., & De Raedt, L. (2024). The role of recursion in large language models. Trends in Cognitive Sciences, 28(2), 105-116.

Kaplan, J., McCandlish, S., Henighan, T., Brown, T. B., Chess, B., Child, R., Gray, S., Radford, A., Wu, J., & Amodei, D. (2020). Scaling laws for neural language models. arXiv preprint arXiv:2001.08361.

Manning, C. D., & Schütze, H. (1999). Foundations of statistical natural language processing. MIT Press.

Marcus, G., & Davis, E. (2020). Rebooting AI: Building artificial intelligence we can trust. Pantheon.

Piantadosi, S. T. (2023). Modern language models refute Chomsky's approach to language. Cognitive Science, 47(10), e13361.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30, 5998-6008.