КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ

---

Номер проекта 25-78-20002

НазваниеВозможности искусственного интеллекта для сравнительно-исторического изучения малоресурсных языков народов РФ

Руководитель Норманская Юлия Викторовна, Доктор филологических наук

Организация финансирования, регион Федеральное государственное бюджетное учреждение науки Институт системного программирования им. В.П. Иванникова Российской академии наук , г Москва

Конкурс №108 - Конкурс 2025 года на получение грантов РНФ по мероприятию «Проведение исследований на базе существующей научной инфраструктуры мирового уровня» Президентской программы исследовательских проектов

Область знания, основной код классификатора 08 - Гуманитарные и социальные науки; 08-453 - Языкознание

Ключевые слова Искусственный интеллект, языки народов РФ, сравнительно-историческое языкознание, классификация диалектов, фонетика, морфология, глоттохронология

Код ГРНТИ16.41.25

---

 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

---

Аннотация
Сегодня технологии ИИ (искусственного интеллекта) решают важные общественные проблемы и превращаются в огромную индустрию. Президент анонсировал новый этап развития искусственного интеллекта. Его задача в горизонте текущего десятилетия — «обеспечить массовое внедрение технологии ИИ». В Институте системного программирования РАН им. В.П.Иванникова в этой области уже получены реальные результаты: создана нейросеть, которая по данным электрокардиограмм выявляет фибрилляцию предсердий. В настоящее время эта технология уже активно используется на практике. В лингвистике тоже накоплен богатый материал для применения технологий ИИ. Но в рамках сравнительно-исторического языкознания в России нейросети ранее не были использованы. В других странах уже есть подобный опыт: начиная с 2007 года такого рода разработки появляются для разных групп индоевропейских языков в Англии, Германии, Франции, Италии, Болгарии, Австралии и Индии. Начиная с 2016 года нейросети, ищущие когнаты, появляются для неиндоевропейских языков: китайского, арабского, австронезийских. Точность нейросетей, ищущих когнаты, например, для романских языков достигает 95%, см. [L.Dinu and Co. 2023]. Но большинство нейросетей, которые работают не только для близкородственных языков, обучены на материале баз данных, собранных либо добровольцами в Интернете, либо путем автоматического подбора, например, по расстоянию Левенштейна, см. [Rama 2016], поэтому зачастую низкое качество результата подбора связано с исходным материалом. В настоящее время на платформе ЛингвоДок (lingvodoc.ispras.ru) в рамках работы по грантам РНФ 20-18-00403 (рук. Ю.В. Норманская), РНФ 15-18-00044 (рук. В.М. Алпатов), РНФ 18-18-00501 (рук. А.В. Дыбо) собраны словари по более чем 2 тысячам диалектам языков народов РФ. Эти словари были соединены вручную этимологическими связями частично с помощью программ ЛингвоДока, основанных на учете фонетических и семантических регулярных соответствий. В настоящее время на ЛингвоДоке более 1,5 миллионов слов связаны этимологическими связями. Это достаточный материал для обучения нейросети, которая далее будет искать родственные слова. Соответственно, первая задача, которую планируется решить в рамках проекта, – это создание нейросети, основанной на сиамской модели, где две входные последовательности проходят через идентичные слои с общими весами, для поиска новых этимологий. Код нейросети, веса́ и весь материал этимологий, на котором она была создана, будет размещен в открытом доступе онлайн. Вторая задача — это загрузка новых материалов на ЛингвоДок: это и изданные современные большие словари, новые экспедиционные словари, архивные словари и конкордансы. На третьем этапе работы планируется обработать полученные лексические и морфологические словари с помощью следующих специальных программ ЛингвоДока: «Анализ когнатов в разных языках и диалектах», «Глоттохронологический анализ языков и диалектов», «Степень морфологической близости между языками и диалектами», «Суммарная степень различий между языками и диалектами». Таким образом, в результате работы над проектом мы планируем получить доступные онлайн: не менее 220 больших словарей диалектов и языков народов РФ, связанных между собой этимологиями; первые глоссированные тексты на этих языках и диалектах; созданные из них конкордансы и морфологические словари, связанные этимологиями с современными словарями; уточненную классификацию диалектов и языков по трем параметрам: фонетическим соответствиям, родственным словоизменительным аффиксам и глоттохронологии; а также суммарную матрицу и 3D-график новой классификации. Результаты будут отражены в 40 статьях, индексируемых в ВоС, Скопус, RSCI и зарубежных БД, и двух итоговых монографиях. В Москве будут организованы 3 международные конференции.

Ожидаемые результаты
1) Нейросеть, основанная на на сиамской модели, где две входные последовательности проходят через идентичные слои с общими весами, которая подбирает этимологии с точностью не менее 87% по сравнению с существующими наиболее авторитетными этимологическими словарями. Ее код и возможность проверки будут в открытом доступе, сама нейросеть будет установлена на ЛингвоДок, и с ее помощью можно будет обрабатывать любые размещенные там словари. 2) На ЛингвоДок будут добавлены уже изданные большие словари языков (в том числе тех, носители которых проживают не на территории РФ, а также исчезнувших к настоящему времени языков) с целью получения полной классификации уральских, тунгусских и монгольских языков: - финского языка (не менее 25 тыс. слов), - эстонского языка (не менее 25 тыс. слов), - ижорского языка (не менее 5 тыс. слов), - венгерского (не менее 25 тыс. слов), - камасинского (не менее 2,5 тыс. слов), - маторского (не менее 1 тыс. слов), - эвенкийского языка (не менее 25 тыс. слов), - нанайского языка (не менее 8 тыс. слов), - эвенского языка (не менее 10 тыс. слов), - маньчжурского языка (не менее 10 тыс. слов), - монгольского языка (не менее 25 тыс. слов), - бурятского языка (не менее 25 тыс. слов), - дагурского языка (не менее 5 тыс. слов). 3) Для сбора аудиословарей с полными парадигмами будут проведены экспедиции к носителям исчезающих языков: сето, хантам, саамам, эрзянам, северо-западным марийцам, бурятам, ойратам, эвенкам. Собранные аудиоматериалы будут сегментированы на отдельные слова и предложения, из них будут созданы онлайн-аудиословари с транскрипцией МФА. 4) На платформе ЛингвоДок в открытом доступе будут размещены архивные словари Г.Ф. Миллера, П.С. Палласа и другие найденные нами словари и книги по языкам народов РФ, созданные в XVIII–XIX вв. Общий объем – не менее 15 тыс. слов. 5) С помощью нейросети и последующей ручной проверки будут проэтимологизированы словари языков и диалектов народов РФ: • Азербайджанский – 1 словарь, • Алтайский – 10 словарей, • Башкирский – 10 словарей, • Бурятский – 5 словарей, • Вепсский – 8 словарей, • Водский – 2 словаря, • Горномарийский – 5 словарей, • Долганский – 1 словарь, • Ижорский – 2 словаря, • Казахский – 10 словарей, • Калмыцкий – 10 словарей, • Камасинский – 3 словаря, • Карельский – 10 словарей, • Коми – 10 словарей, • Крымско-татарский – 5 словарей, • Кумыкский – 1 словарь, • Луговой марийский – 5 словарей, • Мансийский – 10 словарей, • Маторский – 2 словаря, • Мокшанский – 10 словарей, • Нанайский – 5 словарей, • Нганасанский – 5 словарей, • Негидальский – 1 словарь, • Ногайский – 3 словаря, • Орокский – 1 словарь, • Саамские – 3 словаря, • Селькупский – 10 словарей, • Сето – 4 словаря, • Сибирско-татарский – 3 словаря, • Татарский – 10 словарей, • Тофаларский – 1 словарь, • Тувинский – 1 словарь, • Удмуртский – 10 словарей, • Удэгейский – 1 словарь, • Ульчский – 1 словарь, • Хакасский – 1 словарь, • Хантыйский – 10 словарей, • Чувашский – 1 словарь, • Чулымский – 1 словарь, • Шорский – 1 словарь, • Эвенкийский – 5 словарей, • Эвенский – 1 словарь, • Энецкий – 2 словаря, • Эрзянский – 10 словарей, • Эстонский (Ставропольская область) – 1 словарь, • Якутский – 10 словарей. 6) Морфологические словари по языкам народов РФ, доступные онлайн и соединенные этимологиями с другими морфологическими словарями (будет подготовлено не менее 60 словарей). 7) Уточненные классификации языков и диалектов народов РФ по глоттохронологии, фонетическим и морфологическим соответствиям, доступные онлайн с полным материалом, на котором базируются расчеты. 8) Результаты этой работы будут отражены в 40 статьях, индексируемых в ВоС, Скопус, RSCI и зарубежных БД, и двух итоговых монографиях, посвященных описаниям особенностям первых ранее неизученных текстов и уточненной классификации языков. В Москве будут организованы 3 международные конференции.

---

 

ОТЧЁТНЫЕ МАТЕРИАЛЫ

---