معالجة اللغات الطبيعية

(Natural Language Processing : NLP)

مصطلحات رئيسة. معالجة اللغات الطبيعية (Natural Languages Processing-NLP)، معالجة البيانات (Data Preprocessing)، تنظيف البيانات (Data Cleaning)، توحيد البيانات (Normalization)، استخراج الجذر للكلمات (Stemming)، استخراج الصفات/الخصائص (Feature Extraction)، التقسيم والتجزئة، تحليل الصرف (Morphological Analysis)، تحليل النحو (Syntactic Analysis)، تحليل الدلالة (Semantic Analysis)، استخراج المعلومات (Information Extraction)، التعرُّف إلى الكيانات المسماة (Named Entity Recognition- NER)، استخراج العلاقات (Relation Extraction)، تحليل المشاعر (Sentiment Analysis)، الاستنتاج النصي (Textual Inference)، المحولات (Transformer)، نماذج اللغة الكبيرة (Large Language Models).

تطوير النظام الخبير السابق لاختيار نوع السيارة المناسب (بنزين، كهرباء، هايبيرد) بناءً على طبيعة الاستخدام، عن طريق إضافة ميزة التحكم الصوتي باستخدام الذكاء الاصطناعي، وتقنيّات معالجة اللغات الطبيعية (NLP).

• أوضح بعضًا من تطبيقات معالجة اللغات الطبيعية واستخداماتها.
• أوضح مراحل معالجة اللغات الطبيعية.
• أبين تقنيات معالجة اللغات الطبيعية وطرقها.

تتعدد تطبيقات الذكاء الاصطناعي الحياتية؛ إذ تعلّمنا بعض الاستخدامات مسبقًا.

هل سبق أن تعاملت مع تطبيق (Siri) في الهواتف الذكية؟ هل يعدُّ أحد تطبيقات الذكاء الاصطناعي؟

if <(answer) = [مرحبا]> then say [مرحبًا! كيف يمكنني مساعدتك؟] for 2 seconds

if <(answer) = [وداعا]> then say [إلى اللقاء!] for 2 seconds

say [لم أفهم الكلمة!] for 2 seconds end end end

هي فرع من فروع الذكاء الاصطناعي، يهدف إلى تمكين الحواسيب من فهم نصوص اللغة البشرية وتفسيرها وتحليلها، وتوليد اللغة بشكل تلقائي وبفعالية. تستخدم معالجة النصوص الطبيعية مزيجًا من التعلم الآلي، والتحليل اللغوي لتحقيق هذا الهدف. يبين الشكل (3-1) المراحل التي يمرُّ بها تطبيق معالجة اللغات الطبيعية للحصول على النتيجة المطلوبة.

وفي ما يأتي توضيح لكل مرحلة:

1. إدخال البيانات (Input Data): تشمل البيانات مفردات أي لغة من اللغات التي يمكن للبشر التحدث بها. وتكون المدخلات على شكل نصوص مكتوبة، مثل الجمل والفقرات والمحادثات. أو محكية على شكل كلام منطوق.
2. المعالجة القبلية للبيانات (Data Preprocessing): تعدُّ هذه المرحلة أساسية ومهمة قبل البدء بأي خطوة لتنفيذ تطبيق ما، وتُقسم إلى أربع مراحل ننفذها بالترتيب وبالتناسب مع اللغة المستخدمة للتدريب، والنتيجة المُراد تحقيقها:

• أ. تنظيف البيانات (Data Cleaning): وفي هذه المرحلة تُزالُ علامات الترقيم والحركات والرموز والروابط غير المرغوب بها، والتي يمكن أن يسبب وجودها عدم الحصول على نتيجة دقيقة.
• ب. توحيد البيانات (Normalization): هي خطوة مهمة تضمن اتساق النصوص وتوحيدها قبل البدء في العمليات الأخرى مثل التحليل أو التصنيف؛ حيث تشمل خطوات عدة تبعًا للغة، فمثلاً في اللغة العربية، يمكن العمل على بعض التعديلات مثل:

• توحيد الألف المقصورة، مثل تحويل الألف المقصورة إلى الألف القائمة.
• توحيد الهاء المربوطة والتاء المربوطة.
• إزالة الهمزات.

• ج. تحليل النصوص (Tokenization): هو عملية تقسيم النص إلى وحدات أصغر تُعرف بالرموز (Tokens)، ويمكن أن تكون هذه الرموز كلمات فردية، أو عبارات، أو جملًا.
• د. استخراج جذر الكلمات (Stemming): وتعني استخراج أصل الكلمة الذي نشأت منه، وتعدُّ مهمة صعبًا نسبيًا في اللغة العربية مقارنة باللغات الأخرى؛ بسبب بنية الكلمة المعقدة فيها، وتنوع الأوزان والتشكيلات. والجدول (3-1) يبين أمثلة على معالجة البيانات.

أتخيل أن البيانات الآتية أُدخلت إلى نظام معالجة اللغات الطبيعية. أطبّق مع زملائي في المجموعة خطوات معالجة البيانات على كل نص من النصوص الآتية، وأدوّن ما نتوصل إليه في مستند، ثم نعرضه ونناقشه مع الزملاء.

• "البرمجة ممتعة للغاية وتساعد في حل المشكلات."
• "أنا أحب السفر إلى الأماكن الجديدة واستكشاف الثقافات المختلفة."
• "الطقس اليوم رائع جدًا والسماء صافية."
• "Sports are beneficial for both mental and physical health"
• "Technology is rapidly changing our lives and helping in connecting people"

  هل اختلفت إجابات المجموعات؟ أفسر إجابتي.

3. استخراج الصفات/الخصائص (Feature Extraction): في هذه المرحلة تُحوَّلُ النصوص إلى تمثيلات رقمية، يمكن للنماذج التعامل معها.
4. تدريب النموذج (Model Training): يُختارُ في هذه المرحلة النموذج المناسب لتدريب البيانات عليه تبعًا للخصائص المستخرجة.
5. تقييم النموذج (Model Evaluation): هي مرحلة أساسية ومهمة لقياس أداء النموذج باستخدام مقاييس مختلفة؛ للتأكد من أنه يعمل بشكل جيد على البيانات الفعلية. هذه المرحلة هي نفسها التي شُرحت في الخطوة السادسة من بناء نماذج تعلّم الآلة.

تعدُّ بايثون أداة مهمة لبناء أنظمة الذكاء الاصطناعي ومنها معالجة اللغات الطبيعية، وتستخدم لهذا الغرض مكتبات لها وظيفتها في البرامج. نستعرض بعضها في الجدول الآتي:

بعد أن تعرّفنا مراحل معالجة اللغات الطبيعية، سنستعرض المهمات الأساسية التي تحدث في هذه المراحل.

هو خطوة أساسية في معالجة النصوص الطبيعية، وتتضمن العمليات الآتية:

• أ. التقسيم والتجزئة (Tokenization): تجزئة النص تعني تقسيمه إلى أجزاء (Tokens) بناءً على عناصر معينة، مثل الكلمات أو الجمل.

مثال إذا كانت البيانات هي: "الحلم سيد الأخلاق" فإن ناتج التقسيم والتجزئة هو: "الحلم" - "سيد" - "الأخلاق"

• ب. تحليل الصرف (Morphological Analysis): تشمل دراسة هيكل الكلمات وتكوينها؛ حيث تُحلَّل الكلمات إلى جذورها، وإلى صيغة وتصريف؛ لفهم كيفية تشكيل الكلمة ومعناها.

مثال في الجملة "الحلم سيد الأخلاق" ناتج تحليل الصرف هو:

• تحديد الجذر: الحلم: الجذر هو "ح - ل - م". سيد: الجذر هو "س - ي - د". الأخلاق: الجذر هو "خ - ل - ق".
• تحليل الصيغ: الحلم: اسم (مفرد). سيد: اسم فاعل من الفعل "ساد". الأخلاق: جمع، والمفرد هو "خُلُق".

• ج. تحليل النحو (Syntactic Analysis): يتضمن تحليل النحو دراسة بنية الجمل وتركيبها. تُحدَّد كيفية ترتيب الكلمات في الجملة، وتُحدَّد العلاقات النحوية بينها.

مثال في الجملة "الحلم سيد الأخلاق" ناتج تحليل النحو هو:

• الحلم: مبتدأ مرفوع بالضمة الظاهرة.
• سيد: خبر المبتدأ مرفوع بالضمة الظاهرة.
• الأخلاق: مضاف إليه مجرور بالكسرة الظاهرة.

1. د.
2. تحليل الدلالة (Semantic Analysis): يهدف تحليل الدلالة إلى فهم المعنى الحقيقي للكلمات والجمل.
3. يتضمن هذا التحليل فهم السياق الذي تُستخدم فيه الكلمات لتحديد معانيها الدقيقة.
4. يُعزز تحليل الدلالة من قدرة الأنظمة على فهم النصوص بشكل أعمق وأكثر دقة؛ مما يتيح تطوير تطبيقات ذكية وفعالة في مجالات متعددة.

مثال في الجملة "الحلم سيد الأخلاق"، فإن دلالة الكلمات هي:

• "الحلم" في اللغة يعني الصبر والتسامح وضبط النفس، ويشير إلى التروي وعدم التعجل في ردود الفعل، خاصة في المواقف التي تستدعي الغضب أو الانفعال.
• "سيد" تعني المتفوق أو المتميز، وتشير إلى أن صفة "الحلم" تعتبر صفة سامية وذات منزلة عالية.
• "الأخلاق" تشمل مجموعة من القيم والسلوكيات التي تُشكّل شخصية الإنسان وتوجهه في تعامله مع الآخرين، وتضم القيم النبيلة كالصدق، والأمانة، والكرم.

مرحلة استخراج المعلومات هي عملية أساسية لتحويل النصوص غير المنظمة إلى بيانات منظمة وقابلة للتحليل؛ باستخدام تقنيات، مثل التعرّف إلى الكيانات، واستخراج العلاقات، واستخراج الأحداث. أ. التعرّف إلى الكيانات المسماة (Named Entity Recognition – NER): ويتضمن تحديد أسماء الأشخاص، والأماكن، والمنظمات، وغيرها في النص.

مثال لنأخذ المثال الآتي من نص قصير، ونوضح كيف يُتعرّف على الكيانات المسماة: النص: "زارت لينا مدينة البترا الوردية في الأردن برفقة صديقتها لمى التي تعمل مع اليونيسيف في أيلول 2024".

الكيانات المسماة المُستخرجة:

• الأشخاص PERSON: لينا، لمى.
• الأماكن الجغرافية GPE: مدينة البتراء، الأردن.
• المنظمات ORG: اليونيسيف.
• التواريخ DATE: أيلول 2024

1. ب.
2. استخراج العلاقات (Relation Extraction): هو عملية تحديد الروابط بين الكيانات المسماة في النصوص وفهمها.
3. يساعد هذا في بناء شبكات معرفية تربط بين الأشخاص، والأماكن، والأشياء، والأحداث.
4. ويعدُّ استخراج العلاقات خطوة متقدمة بعد التعرف إلى الكيانات المسماة.

مثال بالعودة إلى النص في المثال السابق، تكون العلاقة بين الأسماء (لينا، ولمى) والمكان (البترا) هو حدث الزيارة. والعلاقة بين الاسم (لمى) واسم المنظمة (اليونيسيف) هي العمل، بينما العلاقة بين الأشخاص (لينا) و (لمى) هي الصداقة.

أستخدم برنامج الذكاء الاصطناعي (Copilot) لكتابة برنامج بايثون، واستخدام المكتبات اللازمة لمعالجة اللغة الطبيعية لتحليل النص الآتي واستخراج المعلومات منه: " في مدرسة القمة الثانوية، يُدرِّسُ المعلم أحمد مادة المهارات الرقمية لطلبة الصف الحادي عشر. أبدى الطلبة شكرهم وامتنانهم للمعلم أمام الوفد التربوي الذي زار المدرسة في بداية شهر تشرين أول".

• ما المكتبات اللازمة لمعالجة اللغة الطبيعية لتحليل النصوص؟
• أنفذُ البرنامج في بيئة بايثون، وأشارك زملائي النتائج التي توصلت إليها.

  أطلب المساعدة من برنامج Copilot إذا واجهت مشكلات في تنفيذ البرنامج.

يُنتقَلُ في هذه المرحلة من الفهم البسيط للنص إلى الفهم العميق؛ لتحديد معانيه الدقيقة وتفسير سياقاته وعلاقاته. يتطلب فهم النص تحليل المشاعر والاستنتاج النصي.

1. أ.
2. تحليل المشاعر (Sentiment Analysis): هو عملية تحديد المشاعر المعبر عنها في النصوص وتصنيفها.
3. يمكن أن تكون هذه المشاعر إيجابية، أو سلبية، أو محايدة.
4. يُستخدم تحليل المشاعر بشكل واسع في مجالات، مثل تحليل وسائل التواصل الاجتماعي، وتقييم المنتجات، ومراجعات العملاء.

مثال في النص: "لقد كانت تجربتي في هذا المطعم رائعة! كان الطعام لذيذًا جدًا والخدمة ممتازة. سأعود بالتأكيد مرة أخرى؛ ولكنَّ الجوَّ كان باردًا قليلًا" يكون التحليل كالآتي:

• الكلمات الإيجابية: رائعة، لذيذًا جدًا، ممتازة، سأعود بالتأكيد.
• الكلمات السلبية: الجو بارد.

ب. الاستنتاج النصي (Textual Inference): يتمثل في القدرة على استنتاج معلومات جديدة أو غير مباشرة من النصوص المتاحة. ويُستخدم في تحليل النصوص؛ لفهم العلاقات الضمنية بين الأفكار واستخلاص المعلومات التي لم تُذكر بشكل صريح.

مثال النص: "أعلنت الشركة عن إطلاق منتج جديد في السوق، وقد أبدى العملاء اهتمامًا كبيرًا به منذ اليوم الأول." الاستنتاجات الممكنة:

• الاستنتاج حول المنتج:

  المنتج الجديد قد يكون مبتكرًا أو يلبي احتياجات معينة؛ مما جذب اهتمام العملاء.

• الاستنتاج حول العملاء:

  كان العملاء ينتظرون هذا المنتج، أو أنَّ لديهم ثقةً كبيرةً في الشركة.

• الاستنتاج حول الشركة:

  الشركة لديها قدرة على جذب اهتمام العملاء بسرعة؛ مما يشير إلى سمعة جيدة أو تسويق فعال.

• التلخيص التلقائي (Automatic Summarization): يتضمن تلخيص النصوص الطويلة إلى نصوص مختصرة.
• الترجمة الآلية (Machine Translation): تتضمن ترجمة النصوص من لغة إلى أخرى.
• الاستجابة للنصوص (Text Response Generation): تتضمن إنشاء ردود على استفسارات أو محادثات نصية باستخدام نماذج تعلُّم الآلة.

أبحث في موقع Copilot عن تطبيقات ذكاء اصطناعي مجانية لترجمة النص وتلخيصه، وأطبقها عمليًا، وأشاركها مع زملائي عبر اللوح الرقمي التفاعلي، وألخصُ تجربتي بالتعامل معها.

بالتعاون مع زملائي، نختار أربعة استفسارات تتعلق بالحقول الدراسية في الخطة الدراسية الجديدة للثانوية العامة. نكتبُ المقطع البرمجي في لغة بايثون باستخدام الجمل الشرطية (if-else) والروتينات الفرعية (functions). نشغل البرنامج في بيئة بايثون؛ للتأكد من صحته. نقارن البرنامج الذي طورته المجموعة مع برامج الزملاء في المجموعات الأخرى، ونحصلُ على التغذية الراجعة. نبحث في أدوات الذكاء الاصطناعي مثل ChatGPT أو Copilot لمعرفة طرق أخرى لتنفيذ البرنامج نفسه. نشارك البدائل التي وجدناها مع الزملاء على اللوح التفاعلي للرقمي للصف، ونناقش الفروق بين هذه الطرق والطرق التقليدية.

تتنوع الطرق المستخدمة في معالجة اللغات الطبيعية بين طرق تقليدية وطرق حديثة، ولكل طريقة استخداماتها. لنتعرف عليها فيما يأتي.

تعد النماذج الإحصائية والتقنيات القائمة على القواعد أهم هذه الطرق، وتشمل النماذج النحوية ونماذج اللغات، وتعتمد على مجموعة من القواعد المكتوبة يدويًا لفهم اللغة. تُحلل النصوص بناءً على القواعد النحوية والصرفية، وتُقسّم إلى مكونات مثل الأفعال، والأسماء، والصفات، وما إلى ذلك. وتستخدم هذه الطريقة في بناء القواميس اللغوية، والمحللات النحوية، وأنظمة الاستنتاج اللغوي.

1. يعد التعلم العميق من أبرز الطرق الحديثة؛ حيث يعتمد على استخدام الشبكات العصبية العميقة لفهم النصوص وتحليلها وتوليدها.
2. ويُبنى نموذج مكون من طبقات عدة من الوحدات العصبية؛ مما يتيح لها استخراج الخصائص وتعلّم التمثيلات المعقدة للبيانات.

من أبرز النماذج في التعلم العميق:

1. الشبكات العصبية الالتفافية (Convolutional Neural Network: CNN): التي تُستخدم في تصنيف النصوص واستخراج الخصائص/الأنماط.
2. الشبكات العصبية المتكررة (Recurrent Neural Network: RNN): التي تُستخدم عادة لمعالجة البيانات/النصوص المتسلسلة.
3. المحولات (Transformer): وتعد الأكثر تطورًا، وتُستخدم في بناء أكبر النماذج التي تحلّ مشكلات/تطبيقات كبيرة مثل GPT-3.
4. نماذج اللغة الكبيرة (Large Language Models): هي نماذج مدرّبة على كميات ضخمة جدًا من البيانات النصية؛ حيث يمكنها فهم نصوص وتوليدها بطريقة متقدمة وبدقة عالية.

من أبرز هذه النماذج:

• نموذج GPT-4 حيث إن بنيته الأساسية تعتمد على المحولات المدرّبة مسبقًا، ويحتوي على عدد كبير من المتغيرات Parameters، ويُستخدم في كتابة المقالات الطويلة بناءً على مقترح أو معلومة مسبقة.
• نموذج BERT الذي يتميز بفهمه للسياق الثنائي الاتجاه للنصوص العربية وغيرها.

2. الدردشة الذكية (Chatbots): تعمل على إنشاء أنظمة محادثة تفاعلية تقدّم الدعم الفني أو خدمات العملاء. مثل (ChatGPT) و(Google Assistant App) و(Salma AI). الشكل (3-3) يبين مثالًا على الدردشة الذكية.

3. استخراج إجابة السؤال (Question Answering): يُستخدم في مجالات متنوعة، مثل محركات البحث، ومساعدات الذكاء الاصطناعي، وخدمات الدعم الفني، وتطبيقات الخدمات الصحية وغيرها. حيث تُستخرج الإجابة بما يتناسب مع سؤال استفسار المستخدم/العميل. الشكل (3-4) يبين مثالاً على مساعدات الذكاء الاصطناعي وخدمات الدعم الفني (AI-Powered Google Assistant: Gemini)

يُستخدم لتلخيص المقالات والأخبار والتقارير الطويلة. الشكل (3-5) يبين نتائج تلخيص نص باستخدام أحد تطبيقات معالجة اللغات الطبيعية.

بعد المناقشة مع الزملاء، أدّون أسماء التطبيقات التي حصلت على أفضل تقييم من حيث هذه المعايير. أُجرّب التطبيقات التي اقترحَت من زملائي بشكل عملي، وأقارن بينها من حيث الأداء. :::

6. استخراج أسماء الكيانات (Named Entity Recognition – NER): أي تحديد العناصر المهمة في النصوص الطبيعية وتصنيفها، مثل (الأسماء، والأماكن، والتواريخ، والأرقام، والمنظمات) إلى فئات معينة. الشكل (3-7) يبين مثالاً على استخراج كيانات من نص محدد.

الآن: التاريخ والوقت

الثاني والثالث: عدد |

7. التعرف على الكلام (Speech Recognition): حيث يُحوَّل الكلام المنطوق لنص مكتوب، مثل تطبيق (Speech Recognotion & Synthesis) من شركة Google.

أبحث عن تطبيقات التحكم بالصوت وأجرب استخدام بعضها. بعد التجربة، أُقيّم التطبيقات من حيث نقاط القوة والميزات التي تقدمها، بالإضافة إلى نقاط الضعف التي واجهتها في أثناء الاستخدام. بعد ذلك، أُسجل مقطع فيديو قصيرًا، يتضمن تجربتي الشخصية وانطباعاتي حول التطبيقات، وأشارك الفيديو مع زملائي لتبادل التجارب والتأملات. :::

1. تعدُّ منصة "موضوع" من أبرز المنصات العربية التي لها دور كبير في توفير محتوى عربي، وتوفير عديد من التطبيقات التي تسهم في حل بعض المشكلات التي تواجه العملاء عند التعامل مع اللغة العربية.
2. ومن أبرز تلك التطبيقات هو قلم (www.qalam.ai) وهو مساعد الكتابة الذكي والمدقق الآلي الأول للغة العربية، لكتابة لغة عربية خالية من الأخطاء الإملائية والنحوية. يبين الشكل (3-8) بعض مزايا تطبيق قلم.

الشكل (3-8): بعض مزايا تطبيق قلم :::

• الأخلاقيات والمسؤولية: تعزيز التفكير الأخلاقي في كيفية استخدام تقنيات الذكاء الاصطناعي ومعالجة اللغات الطبيعية بطريقة مسؤولة، تحمي خصوصية المستخدمين وأمانهم.
• الإبداع والابتكار: تشجيع الطلبة على تطوير حلول مبتكرة، تستفيد من معالجة اللغات الطبيعية لتحسين حياتهم ومجتمعهم.
• التفكير الناقد: دفع الطلبة إلى تحليل التحديات المحتملة، وتقديم حلول مسؤولة ومستدامة.
• التعاون: تعزيز العمل الجماعي والتفاعل بين الطلبة لتبادل الأفكار وبناء حلول مشتركة.

  المشروع: بناء نظام خبير لاختيار السيارة المناسبة بناءً على طبيعة الاستخدام، وتطبيق خوارزميات التعلم الآلي والنمذجة ومعالجة اللغات الطبيعية.

في هذه المهمة سأبحث مع الزملاء عن كيفية إضافة ميزة التحكم الصوتي وتحويل الصوت إلى نص في برمجية بايثون وسنعد تقريراً نرفقه مع المشروع في حال أراد المطورون لاحقاً تطوير النظام الخبير. يجب أن يحتوي التقرير على:

• أهمية ميزة التحكم الصوتي ومعالجة اللغات الطبيعية للنظام
• المكتبات التي تدعم معالجة الصوت في بايثون.

import speech_recognition as sr

def getvoiceinput(prompt): recognizer = sr.Recognizer() with sr.Microphone() as source:

audio = recognizer.listen(source)

text = recognizer.recognize_google(audio, language="ar")

except sr.UnknownValueError: print("لم أفهم ما قلته.")

except sr.RequestError: print("حدث خطأ في الاتصال بخدمة التعرف على الصوت.") return None

passengerstext = getvoiceinput("ادخل عدد الركاب:") passengers = int(passengerstext) if passengerstext else 0 usage = getvoiceinput("ادخل نوع الاستخدام (مثال: رحلات طويلة، تنقلات يومية):") budgettext = getvoiceinput("ادخل الميزانية:") budget = int(budgettext) if budgettext else 0

car = recommend_car(passengers, usage, budget) print(f"السيارة الموصى بها هي {car}")

if name == "main": main() ```

المعرفة: أوظف في هذا الدرس ما تعلّمته من معارف في الإجابة عن الأسئلة الآتية: السؤال الأول: ما هو تحليل الدلالة (Semantic Analysis) وكيف يُستخدم في فهم المعاني الدقيقة للكلمات في النصوص؟ السؤال الثاني: أبين ناتج تطبيق نوع التحليل المبين على كل جملة من الجمل الآتية:

• لا أحب فصل الصيف. (تحليل المشاعر)
• يبدأ الربيع في 21 آذار من كل عام. (تحليل الصرف)
• يعد منهاج الرّقميّة أساساً في تعلّم مهارات العصر الرّقمي. (تحليل التجزئة والتقسيم)

  السؤال الثالث: أذكر مثالاً على تطبيق في كل مما يأتي:

• ترجمة آلية، استخراج المعلومات، استخراج الأسماء الكيانات، التحكم بالصوت.

  المهارات: أوظف مهارات التفكير الناقد والتواصل الرّقمي والبحث الرّقمي في الإجابة عن الأسئلة الآتية: السؤال الأول: أبين رأيي في التطبيقات المختلفة لمعالجة اللغات الطبيعية. هل هي مفيدة؟ هل يمكن أن يؤدي استخدامها إلى تحييد العقل البشري والاعتماد على الآلة في الأعمال كلها؟ أفسر إجابتي. السؤال الثاني: أبين كيف يمكن أن تساعد الترجمة الآلية (Machine Translation) في تسهيل التواصل بين اللغات المختلفة. السؤال الثالث: أقارن بين تطبيقات الدردشة الذكية المتاحة مثل ChatGPT و Gemini من حيث الاستجابة والدقة. ما الفروقات التي لاحظتها؟ السؤال الرابع: أبحث عن موقع youlearn.ai الذي يسهل عملية التعلم عن طريق تلخيص محتوى مقالة أو فيديو معين، وتوجيه أسئلة للمستخدم بطريقه تفاعلية، ثم أستخدم الموقع لتلخيص محتوى فيديو.

القيم والاتجاهات أتعاون مع الزملاء في البحث عن تطبيقات معالجة اللغة الطبيعية التي تساعد الطلبة ذوي الإعاقة، ثم أجمعها في ملف واحد وأشاركها على الموقع الإلكتروني للمدرسة، وأنظّم لجلسة تدريبية على هذه التطبيقات بالتعاون مع المعلم والزملاء.