التوليد المعزَّز بالاسترجاع مفهوم جيداً بالإنجليزية. لكن وجِّه خط المعالجة نفسه إلى مجموعة نصوص عربية، وسينهار الاستدعاء بصمت — غالباً دون أن يلاحظ أحد، لأن النموذج يظل يُنتج إجابات سلسة.
نمط الإخفاق: إجابة سلسة لكنها خاطئة
هذا ما يجعل الاسترجاع باللغة العربية خطيراً لا مخيّباً للآمال فحسب. فخط المعالجة ضعيف الاستدعاء بالإنجليزية يُنتج عادةً إجابات واضحة الضعف. أما بالعربية، فطبقة التوليد قوية بما يكفي لكتابة إجابة واثقة من أي سياق ضعيف تلقّته. يبدو الناتج جيداً، لكنه ببساطة غير مستند إلى المستندات الصحيحة.
لذلك فإن أول ما يجب بناؤه ليس خط المعالجة، بل مجموعة التقييم.
أين يضيع الاستدعاء فعلاً
التباين الإملائي
تُكتب الكلمة نفسها بعدة طرق بحسب الكاتب والعقد والإدارة: صور الهمزة التي قد تُكتب أو لا تُكتب، والألف المقصورة مقابل الياء، والتاء المربوطة مقابل الهاء. وغالباً ما يغيب التشكيل، لكنه يظهر أحياناً. ويتعامل الفهرس المعجمي مع كل صيغة بوصفها رمزاً مختلفاً، فيفوّت الاستعلامُ المكتوب بطريقة المستنداتِ المكتوبة بالطريقة الأخرى.
التطبيع قبل الفهرسة يعالج معظم ذلك — لكن يجب تطبيقه بالطريقة نفسها على الاستعلامات والمستندات، ويجب توثيقه، لأنه يُفقد جزءاً من المعلومات.
الصرف
العربية لغة غنية بالتصريف، وتتصل اللواحق والسوابق بالكلمة مباشرة: أداة التعريف، وحروف الجر، وحروف العطف، والضمائر المتصلة كلها تلتحم بالجذع. فيظهر الجذر الواحد بعشرات الصيغ المكتوبة. ومقطِّعات الكلمات الجاهزة المدرَّبة أساساً على الإنجليزية تقسّم هذه الصيغ تقسيماً سيئاً، فتنتج أجزاءً قليلة المعنى، وتضخّم عدد الرموز بمعامل يظهر مباشرة في الفاتورة.
اللهجات مقابل العربية الفصحى الحديثة
تُكتب المستندات المؤسسية بالعربية الفصحى الحديثة. أما من يستعلمون عنها فكثيراً ما لا يكتبون بها — بل باللهجة الخليجية، أو بمزيج، أو بحروف لاتينية. ونماذج التضمين المدرَّبة أساساً على الفصحى تتعامل مع استعلامات اللهجات بشكل متفاوت. وتبقى هذه الفجوة غير مرئية في الاختبار إذا كتب استعلاماتِ الاختبار الأشخاصُ أنفسهم الذين كتبوا المستندات.
المجموعات النصية متعددة اللغات
الأرشيفات المؤسسية القطرية الحقيقية ثنائية اللغة، وغالباً داخل المستند الواحد: تعميم عربي يقتبس بنداً من عقد إنجليزي، أو جدول بعناوين ثنائية اللغة. والتقطيع بحسب عدد الأحرف يقطع الحدّ الفاصل بين اللغتين، فينتج أجزاءً يضعف تمثيلها في كلتا اللغتين.
ما الذي ينجح عملياً
- الاسترجاع الهجين. التضمينات الكثيفة وحدها أداؤها ضعيف مع أسماء الجهات والأرقام المرجعية والإحالات القانونية — وهي بالضبط ما تتمحور حوله الاستعلامات المؤسسية. ادمجها مع فهرس معجمي على نص مُطبَّع.
- طبِّع باتساق، ووثِّق ذلك. دالة تطبيع واحدة، تُطبَّق عند الفهرسة وعند الاستعلام، وتُدار نسخها جنباً إلى جنب مع الفهرس.
- قطِّع بحسب البنية لا بحسب عدد الأحرف. حدود المواد والبنود والأقسام أفضل من نافذة ثابتة، وتُبقي المقاطع ثنائية اللغة سليمة.
- قيِّم باستعلامات حقيقية وبالأسلوب الحقيقي. اجمعها من الأشخاص الذين سيستخدمون النظام، باللغة واللهجة اللتين يكتبون بهما فعلاً.
- أعد الترتيب. مُرمِّز متقاطع يعمل على أفضل المرشحين يستعيد حصة معتبرة من الاستدعاء المفقود في المراحل السابقة.
قِس الاستدعاء بمعزل عن جودة الإجابة
تابع الاسترجاع والتوليد كرقمين منفصلين. فإن قيّمت الإجابة النهائية فقط، سيُخفي المولِّد القويُّ ضعفَ المسترجِع، وستقضي أشهراً في ضبط الأوامر لإصلاح مشكلة في الفهرسة.
ابنِ مجموعة التقييم العربية أولاً. فكل ما يأتي بعدها تخمين من دونها.