علوم اسلامی و انسانی دیجیتال

علوم اسلامی و انسانی دیجیتال

تحلیل رایانشی متون فارسی با تمرکز بر آثار ادبیِ دینی و عرفانی

نوع مقاله : مقاله پژوهشی

نویسنده
استادیار زبان و ادبیات فارسی، دانشگاه پیام نور
چکیده
با گسترش علوم انسانی دیجیتال در دهه‌های اخیر، افق‌های تازه‌ای برای تحلیل متون کهن فارسی، به‌ویژه آثار دینی و عرفانی گشوده شده است. این مقاله با هدف معرفی رویکردها و ابزارهای نوین تحلیل دیجیتال، ظرفیت‌های بالقوه‌ی این فناوری‌ها را در پژوهش‌های اسلامی و عرفانی بررسی می‌کند. در این راستا، مجموعه‌ای از روش‌ها و نرم‌افزارهای تخصصی که در دانشگاه‌های بزرگ جهان مانند استنفورد، هاروارد و ام‌آی‌تی در حوزه‌ی مطالعات ادبی دیجیتال به کار گرفته می‌شوند، معرفی شده و کاربرد آن‌ها در تحلیل متون فارسی تبیین می‌گردد. چارچوب نظری پژوهش بر مبنای خوانش دور (Franco Moretti)، زبان‌شناسی پیکره‌ای، مدل‌سازی موضوعی (Topic Modeling با LDA) و سبک‌شناسی آماری (Stylometry) استوار است. در ادامه، ابزارهایی چون Voyant Tools، AntConc، MALLET، Gephi و Word2Vec و شیوه‌ی استفاده‌ی آن‌ها در تحلیل مفاهیم، ساختار سبکی و الگوهای معنایی متون فارسی معرفی می‌شوند. یافته‌ها نشان می‌دهد توسعه‌ی زیرساخت‌های فنی و پلتفرم‌های پیکره‌سازی می‌تواند تحولی روشمند در مطالعات ادبی ایجاد کند. رویکردهای رایانشی با حذف سوگیری‌های فردی، امکان تحلیل کلان، مقایسه‌ی سبکی و ترکیب تحلیل آماری با نقد بلاغی را فراهم می‌کنند. این روش‌ها الگوهای پنهان معنایی را آشکار ساخته و قابلیت تحلیل متون طولانی را می‌افزایند. با وجود این، چالش‌هایی چون نیاز به پیکره‌های پاک، دشواری تفسیر خروجی‌های آماری و کمبود واژه‌نامه‌های معنایی فارسی همچنان باقی است. در پایان، مقاله بر لزوم همکاری میان متخصصان ادبیات، زبان‌شناسی رایانشی و علوم اسلامی برای گسترش پژوهش‌های میان‌رشته‌ای تأکید می‌کند.
کلیدواژه‌ها

 

1. فیروزی‌مقدم، آرش. (۱۴۰۳). «بررسی و شناخت کارکردهای هوش مصنوعی در پردازش و تحلیل متون نثر فارسی بر پایه نثرپژوهی رایانشی». چهاردهمین همایش بین‌المللی بزرگداشت ابوالفضل بیهقی و مطالعات میان‌رشته‌ای نثر فارسی، ایران.
2. مولوی، جلال‌الدین محمد (۱۳۷۸). کلیات شمس یا دیوان کبیر. با تصحیحات و حواشی بدیع‌الزمان فروزانفر. تهران: امیرکبیر.
3. Moretti, F. (2013). Distant reading. Verso Books.
4. Jockers, M. L. (2013). Macroanalysis: Digital methods and literary history. University of Illinois Press.
5. Underwood, T. (2019). Distant horizons: Digital evidence and literary change. University of Chicago Press.
6. Piper, A. (2018). Enumerations: Data and literary study. University of Chicago Press.
7. Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet allocation. Journal of Machine Learning Research, 3(Jan), 993-1022.
8. Burrows, J. F. (2002). ‘Delta’: A measure of stylistic difference and a guide to likely authorship. Literary and Linguistic Computing, 17(3), 267–287.
9. Manning, C. D., Surdeanu, M., Bauer, J., Finkel, J., Bethard, S. J., & McClosky, D. (2014). The Stanford CoreNLP natural language processing toolkit. In Proceedings of 52nd annual meeting of the association for computational linguistics: system demonstrations (pp. 55-60.)
10. Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. arXiv preprint arXiv:1301.3781.