يواجه الكثير من الباحثين وطلاب الدراسات العليا في الجامعات العربية تحدياً هندسياً متكرراً عند التعامل مع الأوراق البحثية المنشورة بصيغة PDF ثنائية الأعمدة (مثل أبحاث IEEE و Springer و Elsevier) أو عند محاولة رقمنة المخطوطات والكتب التراثية الممسوحة ضوئياً (Arabic OCR):
1. لماذا تفشل أدوات الترجمة التقليدية في ملفات PDF العلمية العربية؟
عند تحويل ملف PDF علمي من الإنجليزية أو الفرنسية إلى العربية، تحدث ثلاث مشكلات تقنية رئيسية:
- انقلاب الرموز الرياضية داخل معادلات LaTeX: بسبب تداخل خوارزمية اتجاه النص من اليمين إلى اليسار (RTL) مع الرموز الرياضية ذات الاتجاه من اليسار إلى اليمين (LTR)، تنعكس حدود التكامل والمصفوفات والمؤشرات السفلية.
- تداخل الأعمدة المزدوجة (Two-Column Layout Collapse): قراءة السطر عبر العمودين بدلاً من تتبع التسلسل العمودي لكل عمود على حدة.
- فقدان التشكيل والحواشي في المخطوطات العربية (Classical Arabic Manuscripts): صعوبة فصل المتن الأساسي عن الحواشي الجانبية المائلة في خطوط النسخ والثلث والرقعة والخط المغربي.
2. الحل المعماري: عزل شجرة التخطيط البصري وخوارزمية BiDi Isolation
في مشروعنا البحثي لتطوير البوابة العربية للترجمة الأكاديمية بالذكاء الاصطناعي ( ) وإضافة Zotero 6/7 مفتوحة المصدر ( )، اعتمدنا على ثلاث طبقات معالجة:
- إعادة بناء شجرة التخطيط (Document Layout Tree): تفكيك الصفحة إلى كتل دلالية مستقلة (Title, Abstract, Columns, Equations, Tables, Footnotes) قبل الترجمة، ثم إعادة تصفيفها باتجاه RTL مع الحفاظ على مواقع الجداول والأشكال.
- العزل الصارم لمعادلات LaTeX: تجميد جميع الصيغ الرياضية داخل كتل BiDi Isolated بحيث تبقى المعادلة الرياضية سليمة 100% داخل الفقرة العربية، مع إمكانية استخراج الأبحاث مباشرة إلى كود Markdown / LaTeX عبر أداة تحويل PDF العلمي إلى Markdown و LaTeX ( ).
- نماذج الرؤية الحاسوبية للمخطوطات العربية (Arabic OCR): تدريب مسار مخصص في أداة استخراج النصوص والمخطوطات العربية ( ) للتعرف على الخطوط التراثية والكتب الممسوحة ضوئياً مع دعم التشكيل وفصل المتن عن الهامش.
نرحب بتجاربكم وملاحظاتكم التقنية حول أدوات معالجة الأبحاث العلمية والخطوط العربية في مشاريعكم البحثية!
التعليقات