كيف نستخدم ملفات تعريف الارتباط
Telonic

البحثAnthony Ombrore

اختبار الوكلاء على محادثات تتبدّل لغتها في منتصف الجملة

يُدخل العملاء في الخليج كلمات إنجليزية في جملهم العربية بصورة اعتيادية، وتقول الأدلة المنشورة إن أنظمة الكلام تخفق في هذه المحادثات لأسباب لا يستطيع مقياس الدقة المعتاد رصدها. يعرض هذا المقال ما هو معروف عن التبديل بين اللغات، والمواضع التي تتعطل فيها الأنظمة، والطريقة التي يجب أن يُبنى بها الاختبار قبل أن تكون لنتائجه أي دلالة.

في هذه الصفحة
  1. الوضع
  2. ما تُظهره الأدلة
  3. ما يعنيه ذلك
  4. كيف نراعي ذلك في تصميمنا
  5. ما لا نعرفه بعد
  6. المصادر

الوضع

يرسل مشترٍ رسالة إلى خط خدمة العملاء لدى مطوّر عقاري مساء يوم خميس:

هلا، بغيت أعرف الـ next instalment حق الـ unit، متى الـ due date؟

ومعناها بالعربية الفصحى: "مرحبًا، أريد أن أعرف القسط التالي المستحق على الوحدة، فما تاريخ استحقاقه؟" الجملة باللهجة الخليجية، أما الكلمات الثلاث التي تحمل الطلب فإنجليزية. وفي جدول دفعات مرتبط بمراحل الإنشاء، يتوقف الجواب على المرحلة التي بلغها المشروع، لا على تاريخ في التقويم، لذلك يتعيّن على الوكيل أن يحدد الوحدة، ويتحقق من المرحلة، ويردّ بطريقة تمكّن المشتري من التصرف بناءً عليها.

لا شيء غير مألوف في هذه الرسالة، أما اختبار الأنظمة عليها فهو غير المألوف. فمعظم القياسات المنشورة لمدى قدرة نظام ما على التعامل مع العربية تُجرى على العربية وحدها، أو على الإنجليزية وحدها، أو على عربية فصحى رسمية لا يستخدمها أحد على خط خدمة العملاء. لذلك فإن الأسئلة المطروحة على كل من يشتري وكيلًا أو يبنيه للإمارات أو السعودية هي: ما مدى شيوع هذا الخلط، ولماذا يُربك أنظمة الكلام واللغة، وكيف يُختبر بحيث يكون مشمولًا بالاختبار فعلًا بدلًا من أن يُفترض.

ما تُظهره الأدلة

مدى شيوعه والشكل الذي يتخذه

يميّز اللغويون بين نوعين من التبديل. فالتبديل بين الجمل يغيّر اللغة من جملة إلى أخرى، والتبديل داخل الجملة يغيّر اللغة في أثناء الجملة الواحدة، كما في الرسالة أعلاه. ويعود هذا التمييز إلى عمل تأسيسي نُشر عام 1980 [24]، وهو مهم هنا لأن كلًّا من النوعين يُخضع النظام لضغط مختلف.

وتشير الأدلة الخليجية بوضوح إلى النوع الثاني. فقد فرّغت مدوّنة Mixat، وهي أكبر مدوّنة لغوية عامة للكلام الإماراتي المختلط بالإنجليزية، 14.9 ساعة من حلقات بودكاستين. واحتوت 36% من الجمل (1,947 من أصل 5,316) على تبديل، بينما كانت 61% منها بالعربية فقط و2% بالإنجليزية فقط. وبلغ متوسط مؤشر الخلط اللغوي، وهو مقياس من 0 إلى 1 يرتفع كلما اقترب توزّع الجملة بين اللغتين من التساوي، 0.11 في الجمل التي تضمنت تبديلًا: أي إنها جمل عربية تتخللها بضع كلمات إنجليزية [1]. ووجدت مدوّنة إماراتية ثانية، تضم 12 ساعة من تمثيل الأدوار عبر Zoom أداها 16 طالبًا جامعيًا، أن 19% من المنطوقات تضمنت تبديلًا، وأن الأسماء الإنجليزية أكثر تكرارًا بنسبة 56.9% في المنطوقات التي فيها تبديل منها في المنطوقات أحادية اللغة [2]. أما المدوّنة المصرية المماثلة، التي تضم 12 ساعة من المقابلات مع 38 طالبًا في القاهرة، فوجدت أن 63.2% من الجمل مختلطة، وأن 88.9% منها جمل عربية تتخللها الإنجليزية، وأن 66.3% من المقاطع الإنجليزية لا تتجاوز كلمة واحدة. وكانت الكلمة الأكثر ورودًا قبل التبديل مباشرة هي أداة التعريف العربية [3]، وهو النمط نفسه الموجود في الرسالة أعلاه. وتُظهر المدوّنة السعودية الوحيدة، المكوّنة من 4.45 ساعة من بودكاست واحد يتحدث فيه أربعة رجال، الشكلَ نفسه، إذ تمثّل الإنجليزية نحو وحدة نصية واحدة من كل خمس [4].

هذه المدوّنات مأخوذة من بودكاستات ومقابلات وتمثيل أدوار لمتحدثين شباب متعلمين، لذلك فهي تبيّن كيف يبدو التبديل، لا مدى تكراره لدى السكان عمومًا. فقد وجد استطلاع أُجري عام 2019 على 100 طالب جامعي إماراتي أن 78% منهم قالوا إنهم يخلطون اللغتين داخل الجملة الواحدة [6]. ويقدّم استطلاع أُجري عام 2024 على 566 مستخدمًا لأجهزة الصراف الآلي في دبي الجانب الآخر من الصورة: إذ اختار 99.7% من المستخدمين غير العرب الإنجليزية، ولم يختر الإماراتيون الإنجليزية إلا في 19.7% من الحالات، واختار الوافدون العرب في الوظائف الأعلى أجرًا الإنجليزية في 69% من الحالات، بينما اختار نظراؤهم في الوظائف الأقل أجرًا العربية في 84.3% من الحالات [5]. وفي المملكة العربية السعودية، أحصى تعداد 2022 أن 58.4% من السكان البالغ عددهم 32.2 مليون نسمة مواطنون سعوديون [7]. لذلك سيصادف الوكيل الذي يخدم المنطقة محادثات بالإنجليزية فقط، وأخرى بالعربية فقط، وثالثة مختلطة، ويتوقف نوع المحادثة التي تصل على هوية العميل.

وتحت التبديل طبقتان. الأولى اللهجة. فالعربية لغة تعرف الازدواجية اللغوية: تُستخدم العربية الفصحى الحديثة، وهي المستوى الرسمي، في الكتابة والخطاب الرسمي، بينما يجري الكلام اليومي بلهجة إقليمية [23]. فالمتصل الخليجي يتحدث باللهجة الخليجية، وكثير من القوى العاملة في المنطقة يتحدثون المصرية أو الشامية، ولا أحد منهم يخاطب خط خدمة العملاء بالعربية الفصحى. والطبقة الثانية هي العربيزي، أي العربية المكتوبة بحروف لاتينية مع أرقام تحل محل أصوات لا يوجد لها حرف لاتيني، مثل 3 بدلًا من ع و7 بدلًا من ح. وقد وُثّقت لدى طلاب جامعة زايد عام 2003 [25]. وفي استطلاع 2019، قال 45% من الطلاب إنهم لا يستخدمونها أبدًا، وقال 16% إنهم يستخدمونها دائمًا [6]، لذلك قد تحتوي محادثة واحدة على واتساب على الحروف العربية، والحروف اللاتينية، والاثنين معًا.

أين تتعطل الأنظمة

كان الافتراض الذي انطلق منه هذا البحث أن الإخفاقات تتركز عند نقطة التبديل. لكن الأدلة تقول إن التبديل واحد من ثلاثة مواضع للإخفاق، وليس أكبرها.

أكبرها اللهجة. يُقاس أداء التعرّف على الكلام بمعدل الخطأ في الكلمات، أي نسبة الكلمات الخاطئة أو المحذوفة أو المُضافة في النص المفرّغ مقارنةً بما قيل فعلًا. وكلما انخفض المعدل كان الأداء أفضل، والرقم الذي يتجاوز 100% يعني أن النظام أنتج كلمات خاطئة يفوق عددها عدد الكلمات المنطوقة. وعلى مجموعة اختبار من البث السعودي، سجّل أحد نماذج الكلام المفتوحة الواسعة الاستخدام 27.95% على العربية الفصحى و59.92% على اللهجة الخليجية، و59.28% على اللهجة المصرية [8]. ولا علاقة لهذه الفجوة بالإنجليزية، فهي ثمن التقاء نموذج دُرّب في معظمه على العربية الفصحى بعميل لا يتحدث بها.

والإخفاق الثاني هو أداء المهمة الخطأ. فحين شغّل مؤلفو Mixat نموذجًا عام الأغراض للتعرّف على الكلام على تسجيلاتهم الإماراتية، سجّل 12.06% على الجمل الإنجليزية فقط، و195.98% على الجمل العربية فقط. فالنموذج "يترجم الجمل إلى الفصحى، وكثيرًا ما تكون الترجمات صحيحة. وهذا يبيّن أن Whisper يتعرّف فعلًا على اللهجة وعلى التبديل بين اللغات، لكنه يؤدي المهمة الخطأ" [1]. ورصدت دراسة شملت ثماني لهجات الأمر نفسه في مقاطعها المختلطة: "أخفق Whisper في إنتاج أي كلمات مبدّلة في جميع السيناريوهات. واللافت أنه حتى حين ضُبطت لغة فك الترميز على الإنجليزية، أدى Whisper مهمة ترجمة، حتى مع تحديد المهمة بأنها 'تفريغ نصي'" [9]. والسلوك نفسه موثّق في الكلام المختلط بين الماندرين والإنجليزية [26]. فقد يقول العميل "claim" فيحمل النص المفرّغ كلمة "مطالبة"، أو تعود الجملة كلها بعربية فصحى لم ينطق بها العميل قط.

والإخفاق الثالث هو التبديل نفسه. وهو إخفاق حقيقي، لكنه يكاد لا يظهر في الرقم الإجمالي. فقد قدّمت دراسة أُجريت عام 2025 مقياسًا لا يقيّم إلا الكلمات المبدّلة. وتبيّن أن تدريب نموذج على مزيد من البيانات العربية والإنجليزية أحادية اللغة حسّن معدل الخطأ الإجمالي في الكلمات على مجموعات الاختبار المختلطة، "في حين يتراجع التعرّف على حالات التبديل الفعلية" [10]. فقد يتحسن النموذج في المتوسط ويسوء في أسماء المنتجات والأرقام المرجعية والمصطلحات التقنية التي يقوم عليها الطلب، بينما يُظهر الاختبار المعتاد تحسنًا.

وتقرّ خدمات الكلام السحابية الكبرى بذلك. فإحداها تذكر أن ميزة الكشف المستمر عن اللغة لديها "لا تدعم تغيير اللغة داخل الجملة نفسها. فإذا كنت تتحدث الإسبانية في الأساس وأدخلت بعض الكلمات الإنجليزية مثلًا، فإنها لا تكتشف تغيّر اللغة على مستوى كل كلمة" [15]. وتسمح أخرى بما يصل إلى ثلاث لغات مرشحة، وتفرّغ الكلام "باستخدام اللغة الأنسب من القائمة"، وتصف الميزة بأنها "مثالية للتطبيقات التي تحتاج إلى تفريغ عبارات قصيرة مثل الأوامر الصوتية أو البحث" [16]. وهذه أوصاف صادقة لأنظمة صُممت لاختيار لغة واحدة لكل منطوق.

لماذا يضلّل المقياس المعتاد

لمعدل الخطأ في الكلمات مشكلة محددة مع الكلام المختلط. فإذا قال العميل "booking" وكتبها النظام بحروف عربية، فهمها القارئ، لكن المقياس يحتسبها خطأ. وقد طلبت دراسة أُجريت عام 2022 من أربعة مدققين ثنائيي اللغة تصحيح 3,903 نصوص مفرّغة لكلام مصري مختلط، ثم بحثت أي مقياس تلقائي يعكس على أفضل نحو مقدار التصحيح الذي احتاج إليه الإنسان. فبلغ ارتباط معدل الخطأ في الكلمات بصيغته البسيطة 0.55، بينما بلغ ارتباط معدل الخطأ في الحروف، بعد كتابة الكلمات الإنجليزية بالحروف العربية وتوحيد الإملاء، 0.80 [11]. ويقبل أسلوب طُرح عام 2024 وبُني على بيانات إماراتية الكلمةَ المبدّلة صحيحةً إذا جاءت مطابقة تمامًا، أو مكتوبة بحروف الخط الآخر، أو مترجمة [12]. ومن دون تعديل من هذا النوع، تعاقب مجموعة اختبار من المحادثات الخليجية السلوكَ الصحيح، وتكافئ إخفاق المهمة الخطأ كلما وافق الخطَّ الذي كُتب به النص المرجعي.

والأهم من ذلك أن التفريغ النصي ليس هو النتيجة المطلوبة. فقد أعدّت دراسة أُجريت عام 2021 أزواجًا من مجموعات النصوص المفرّغة بمعدلات خطأ متطابقة في الكلمات، 6.16% في كلتيهما، ووجدت أن المجموعة التي حافظت أخطاؤها على المعنى حققت دقة في فهم المقصد بلغت 96.22%، أي نسبة الطلبات التي فهم فيها النظام المطلوب، مقابل 94.63% للمجموعة التي لم تحافظ أخطاؤها عليه [13]. وعلى معيار قياس إنجليزي مدته 58 ساعة من الطلبات المنطوقة الموجهة إلى جهاز منزلي، لم يقل فهم أفضل نظام للمقصد على الصوت الحقيقي، بمعدل خطأ 16% في الكلمات، إلا بنحو 5 نقاط عنه على النصوص المثالية، لكن دقته في تفاصيل الطلب، كالأسماء والتواريخ والأماكن، انخفضت من 78.19 إلى 69.53 وفق مقياس المعيار نفسه [14]. فالمقصد يصمد أمام أخطاء التفريغ، أما التفاصيل فلا. وفي مكالمة بشأن مطالبة، يكون المقصد "أين وصلت مطالبتي"، وتكون التفاصيل رقم لوحة المركبة، ويحتاج كلٌّ منهما إلى اختبار مستقل. والدراستان كلتاهما بالإنجليزية؛ ولا توجد دراسة منشورة تقيس دقة فهم المقصد في الكلام المختلط بين العربية والإنجليزية، وهذه فجوة، لا مدعاة للاطمئنان.

نطق الرد

لا يكفي أن يسمع الوكيل الصوتي الجملة المختلطة، بل عليه أن ينطقها أيضًا. ولتقنية تحويل النص إلى كلام، وهي النظام الذي يحوّل الرد المكتوب إلى صوت، مشكلة تبديل خاصة بها. فأحد كبار المزوّدين يذكر أن الوسم الذي يستخدمه لتحديد مقطع بلغة أجنبية داخل الجملة "غير مدعوم" في "اللغات السامية مثل العربية والعبرية والفارسية"، وأن استخدامه "سيؤدي إلى صمت" [17]. وقد صدر أول عمل منشور في تحويل النص العربي إلى كلام يتعامل مع اللهجات والخلط اللغوي عام 2025، واعتمد على ساعة واحدة من الكلام المصري المختلط بالإنجليزية لمتحدث واحد، وعالج الخلط بتقسيم كل جملة إلى عبارات أحادية اللغة وتوليد كل منها صوتيًا على حدة [18]. ولا يوجد ما يماثله للهجة الخليجية. وتضيف الأرقام طبقة أخرى: فالأعداد في العربية تتغير بحسب التذكير والتأنيث، واللهجات تُسقط هذه العلامات لكنها تقرأ الأرقام بطرقها الخاصة، لذلك قد يكون الرقم المرجعي أو المبلغ بالدرهم صحيحًا على الشاشة وخاطئًا عند نطقه [19].

كما أن الكشف التلقائي عن اللغة أقل نضجًا مما يبدو. فإحدى منصات الوكلاء الصوتيين تحذّر من أن "الكلام في الخلفية أو اللكنة غير المعتادة قد يؤديان أحيانًا إلى تبديل لم يقصده المتصل"، وتتيح إعدادًا يحصر التبديل في أول دورين من المحادثة [27]. لذلك يجب اختبار الكشف للتحقق من التبديلات الخاطئة، لا الصحيحة فقط.

ما لا يخضع للاختبار

وجد مسح أُجري عام 2025 معدلات خطأ في الكلمات تتراوح بين 24.8% و53.8% في مدوّنات الكلام العربي المختلط المتاحة، وذكر أن "العربية المختلطة بالتبديل اللغوي لا تزال ممثلة تمثيلًا ناقصًا في معايير القياس الحالية" [20]. وأدرج مسح آخر أُجري عام 2025 وشمل أكثر من 40 معيار قياس للنماذج اللغوية العربية تقييمَ التبديل بين اللغات والحوار متعدد الأدوار ضمن الفجوات الحرجة [21]. ولا يتجاوز مجموع المواد الخليجية العامة المتاحة لاختبار الكلام المختلط بضع عشرات من الساعات من البودكاست والتلفزيون وتمثيل الأدوار الطلابي، ومعظمها بتراخيص تحظر الاستخدام التجاري، ولم يُسجَّل أي منها على خط هاتفي لإحدى الشركات. ولا توجد مجموعة اختبار خليجية عامة لطلبات عملاء مختلطة اللغة، مصنّفة بحسب ما أراده العميل.

وثمة نتيجة واحدة تسير في الاتجاه المعاكس. ففي النصوص المكتوبة، وجدت دراسة أُجريت عام 2025 على النماذج اللغوية الكبيرة أن إدخال كلمات إنجليزية في جملة غير إنجليزية "كثيرًا ما يحسّن الفهم، ولا سيما لدى النماذج محدودة الكفاءة في اللغة الأساسية للجملة"، بينما أضعف إدخال كلمات أجنبية في الجمل الإنجليزية الفهم [22]. فالكلمة الإنجليزية في رسالة واتساب عربية قد تساعد النموذج، أما الكلمة نفسها حين تُنطق فهي موضع تركّز الصعوبة.

ما يعنيه ذلك

كانت الفرضية التي بدأنا بها أن الإخفاقات تتركز عند نقاط التبديل، والأدلة تصحّحها. فالإخفاقات تتركز أولًا في اللهجة، وثانيًا في أداء النموذج مهمةً غير التي طُلبت منه، وثالثًا فقط في الكلمات المبدّلة، التي يخفيها المقياس المعتاد. والاختبار المبني على نقاط التبديل وحدها سيغفل الإخفاقين الأكبر، والاختبار المبني على الدقة في لغة واحدة سيغفل الثلاثة جميعًا.

ومن المفيد معرفة المفاضلات. فحصر خدمة الكلام في لغة واحدة يرفع دقتها في تلك اللغة ويُفقدها القدرة على متابعة التبديل. وإجبار نموذج عام على العربية يدفعه إلى الترجمة. وقبول الكلمات المكتوبة بحروف الخط الآخر بوصفها صحيحة يجعل المقياس صادقًا، لكنه يجعله غير قابل للمقارنة برقم يقدمه مورّد لم يفعل ذلك. وقد يجتمع تحسن الدقة في المتوسط مع تراجعها في الكلمات المهمة.

لذلك يجب أن يتحقق اختبار الوكيل في هذه المنطقة من أربعة أمور، كلٌّ على حدة: هل فُهم الإطار العربي للجملة باللهجة التي استخدمها العميل؛ وهل وصلت الكلمات الإنجليزية المُدرجة سليمة؛ وهل التُقط المقصد والتفاصيل، مع تقييم ذلك على أساس الفهم لا على أساس النص المفرّغ؛ وهل نُطق الرد نطقًا صحيحًا، بما في ذلك الأرقام. ويجب أن يستخدم مقياسًا يقبل الكلمة الصحيحة بأي من الخطين. ويجب أن يُبنى من المحادثات التي تتلقاها المؤسسة فعلًا، إذ لا توجد مجموعة بيانات عامة تغني عنها.

كيف نراعي ذلك في تصميمنا

يتابع وكلاؤنا المتحدث الذي يخلط العربية والإنجليزية في الجملة نفسها، ويتعرّفون على اللغة التي يستخدمها العميل من كلماته الأولى بدلًا من أن يطلبوا منه الاختيار. وهم يفهمون ويردّون باللهجات الخليجية والمصرية والشامية، وبالعربية الفصحى، وبالإنجليزية، لأن قاعدة العملاء في دبي أو الرياض تضم كل هؤلاء، ويأتي الرد باللهجة التي استخدمها العميل.

وحين لا يكون الوكيل متأكدًا، يطرح سؤالًا توضيحيًا بدلًا من التخمين، وتُحوَّل المحادثة التي لا يستطيع حلها إلى موظف. ولأن نماذج الكلام واللغة التي يقوم عليها الوكيل تختلف كثيرًا من لهجة إلى أخرى، تُختار النماذج لكل عملية تشغيل على حدة ويمكن تغييرها، بحيث يستطيع العميل أن يرى أثر أي تغيير قبل أن يلمسه عملاؤه.

وتصميم الاختبار الموصوف أعلاه هو الطريقة التي نبني بها مجموعات التقييم لدينا: محادثات اختبار مستمدة من أنماط حقيقية في كل قطاع، تُقيَّم بحسب ما إذا كان الوكيل قد فهم ما أراده العميل والتقط التفاصيل بدقة، كرقم الوحدة ومرجع المطالبة والرحلة، لا بحسب النص المفرّغ وحده، ويُتحقق منها مقابل ما تعنيه النتيجة المحسومة في المطالبة أو في التسليم. وبفضل ذاكرة تفضيل اللغة، يُستقبل العميل الذي اختار الإنجليزية في المرة السابقة بالإنجليزية هذه المرة، ولا يُرد على من كتب باللهجة الخليجية بالعربية الفصحى.

لا ننشر أرقام الدقة الخاصة بوكلائنا. وحين نفعل، سترافقها مجموعة الاختبار، وتوزيع اللهجات، وطريقة التقييم، لأن أي رقم يخص الكلام المختلط اللغة لا يعني شيئًا من دونها.

ما لا نعرفه بعد

لم يقِس أحد عدد المرات التي يبدّل فيها العملاء اللغة على خطوط الخدمة في الخليج، ولا نسبة المحادثات العربية أو الإنجليزية أو المختلطة منها. والمدوّنات المذكورة أعلاه هي أفضل ما هو متاح، ولم يُسجَّل أي منها على خط هاتفي لإحدى الشركات.

ولا توجد دراسة عربية منشورة تقيس الخطأ عند نقطة التبديل نفسها، أو في أسماء المنتجات الإنجليزية والأرقام المرجعية والأرقام المنطوقة داخل الجمل العربية. فالآلية موثّقة، أما حجمها في محادثة مع عميل فغير موثّق.

ولا يوجد تقييم مستقل لطريقة تعامل الأصوات التجارية لتحويل النص إلى كلام مع جملة باللهجة الخليجية تتخللها الإنجليزية. فوثائق المزوّدين تصف الحدود، لكن لم يقِسها أحد من خارجهم.

ولا يوجد دليل في أي من الاتجاهين على ما إذا كان استخدام العربيزي يتراجع مع انتشار لوحات المفاتيح العربية في كل مكان، ولا توجد دراسة تبحث ما إذا كان المستمعون في الخليج يتقبلون الردود باللهجة المصرية أو الشامية في مكالمة خدمة.

وكل واحدة من هذه المسائل سؤال يمكن لمجموعة اختبار مبنية من محادثات المؤسسة نفسها أن تبدأ في الإجابة عنه. وهذا هو سبب بناء مجموعة كهذه قبل التشغيل لا بعده.

المصادر

  1. 1.Al Ali, M. K. and Aldarmaki, H. Mixat: A Data Set of Bilingual Emirati-English Speech. SIGUL workshop at LREC-COLING, 2024.⁠https://aclanthology.org/2024.sigul-1.26/
  2. 2.Hamed, I., Eryani, F., Palfreyman, D. and Habash, N. ZAEBUC-Spoken: A Multilingual Multidialectal Arabic-English Speech Corpus. LREC-COLING, 2024.⁠https://aclanthology.org/2024.lrec-main.1546/
  3. 3.Hamed, I., Vu, N. T. and Abdennadher, S. ArzEn: A Speech Corpus for Code-switched Egyptian Arabic-English. LREC, 2020.⁠https://aclanthology.org/2020.lrec-1.523/
  4. 4.Alharbi, S. et al. (SDAIA National Center for AI). Saudilang Code-Switch Corpus, 2024.⁠https://huggingface.co/datasets/SDAIANCAI/Saudilang-Code-Switch-Corpus
  5. 5.Al-Issa and Sulieman. Language choice at ATMs in Dubai. Frontiers in Communication 9:1355632, 2024.⁠https://www.frontiersin.org/journals/communication/articles/10.3389/fcomm.2024.1355632/full
  6. 6.Hopkyns, Zoghbor and Hassall. The use of English and linguistic hybridity among Emirati millennials. World Englishes, 2020.⁠https://doi.org/10.1111/weng.12506
  7. 7.General Authority for Statistics, Saudi Arabia. Saudi Census 2022 results, via Saudi Press Agency, 31 May 2023.⁠https://www.spa.gov.sa/w1911463
  8. 8.Wang, Alhmoud and Alqurishi (Elm). Open Universal Arabic ASR Leaderboard. Interspeech, 2025.⁠https://www.isca-archive.org/interspeech_2025/wang25_interspeech.pdf
  9. 9.Talafha et al. Casablanca: Data and Models for Multidialectal Arabic Speech Recognition. EMNLP, 2024.⁠https://aclanthology.org/2024.emnlp-main.1211/
  10. 10.Ugan, E. Y., Pham, N. Q., Bärmann, L. and Waibel, A. PIER: A Novel Metric for Evaluating What Matters in Code-Switching. ICASSP, 2025.⁠https://arxiv.org/abs/2501.09512
  11. 11.Hamed, I., Hussein, A., Chellah, O., Chowdhury, S., Mubarak, H., Sitaram, S., Habash, N. and Ali, A. Benchmarking Evaluation Metrics for Code-Switching Automatic Speech Recognition. IEEE SLT, 2022.⁠https://arxiv.org/abs/2211.16319
  12. 12.Kadaoui, K., Al Ali, M., Toyin, H., Mohammed, I. and Aldarmaki, H. PolyWER: A Holistic Evaluation Framework for Code-Switched Speech Recognition. Findings of EMNLP, 2024.⁠https://aclanthology.org/2024.findings-emnlp.356/
  13. 13.Kim, S., Arora, A., Le, D., Yeh, C.-F., Fuegen, C., Kalinli, O. and Seltzer, M. L. Semantic Distance: A New Metric for ASR Performance Analysis Towards Spoken Language Understanding. Interspeech, 2021.⁠https://www.isca-archive.org/interspeech_2021/kim21e_interspeech.pdf
  14. 14.Bastianelli, E., Vanzo, A., Swietojanski, P. and Rieser, V. SLURP: A Spoken Language Understanding Resource Package. EMNLP, 2020.⁠https://aclanthology.org/2020.emnlp-main.588/
  15. 15.Microsoft. Language identification with the Speech service. Azure AI documentation, updated 4 March 2026.⁠https://learn.microsoft.com/en-us/azure/ai-services/speech-service/language-identification
  16. 16.Google Cloud. Detect language in audio (multiple languages). Speech-to-Text documentation, updated 24 September 2026.⁠https://docs.cloud.google.com/speech-to-text/docs/multiple-languages
  17. 17.Google Cloud. Speech Synthesis Markup Language (SSML). Text-to-Speech documentation, updated 24 September 2026.⁠https://docs.cloud.google.com/text-to-speech/docs/ssml
  18. 18.Lodagala, V. S., Alkanhal, M., Izham, M., Mehta, S., Chowdhury, S. A., Makki, M., Hussein, A., Henter, G. E. and Ali, A. SawtArabi: A Benchmark Corpus for Arabic TTS. Standard, Dialectal and Code-Switching. Interspeech, 2025.⁠https://www.isca-archive.org/interspeech_2025/lodagala25_interspeech.pdf
  19. 19.Albasiri, E., Kim, M., Ferchichi, N. and Olabiyi, O. Inverse Text Normalization for Arabic Numbers in Streaming ASR. CAWL workshop at LREC, 2026.⁠https://aclanthology.org/2026.cawl-1.11/
  20. 20.Hamed, I., Sabty, C., Abdennadher, S., Vu, N. T., Solorio, T. and Habash, N. A Survey of Code-switched Arabic NLP: Progress, Challenges, and Future Directions. COLING, 2025.⁠https://aclanthology.org/2025.coling-main.307/
  21. 21.Alzubaidi et al. A survey of Arabic large language model benchmarks, 2025 (preprint).⁠https://arxiv.org/abs/2510.13430
  22. 22.Mohamed, A., Zhang, Y., Vazirgiannis, M. and Shang, G. Lost in the Mix: Evaluating LLM Understanding of Code-Switched Text, 2025 (preprint).⁠https://arxiv.org/abs/2506.14012
  23. 23.Ferguson, C. A. Diglossia. Word 15(2), 1959.⁠https://doi.org/10.1080/00437956.1959.11659702
  24. 24.Poplack, S. Sometimes I'll start a sentence in Spanish y termino en español: toward a typology of code-switching. Linguistics 18(7-8), 1980.⁠https://doi.org/10.1515/ling.1980.18.7-8.581
  25. 25.Palfreyman, D. and Al Khalil, M. "A Funky Language for Teenzz to Use": Representing Gulf Arabic in Instant Messaging. Journal of Computer-Mediated Communication 9(1), 2003.⁠https://doi.org/10.1111/j.1083-6101.2003.tb00355.x
  26. 26.Peng, P., Yan, B., Watanabe, S. and Harwath, D. Prompting the Hidden Talent of Web-Scale Speech Models for Zero-Shot Task Generalization. Interspeech, 2023.⁠https://par.nsf.gov/servlets/purl/10478271
  27. 27.ElevenLabs. Language detection (Agents platform documentation).⁠https://elevenlabs.io/docs/agents-platform/customization/tools/system-tools/language-detection

احصل على الأبحاث الجديدة فور نشرها

رسائل بريد إلكتروني متباعدة عند النشر.

اشترك

اقرأ أيضًا