دانشگاه تربیت دبیر شهید رجائی
انتشارات دانشگاه تربیت دبیر شهید رجائی

  اخبار و اعلانات

 آمار

تعداد نشریات11
تعداد شماره‌ها210
تعداد مقالات2,101
تعداد مشاهده مقاله2,880,949
تعداد دریافت فایل اصل مقاله2,088,313
لطافت, محمد, رسولی کناری, عبدالرضا, شمسی, محبوبه. (1398). معرفی سیستم آموزش تشخیص و تصحیح ابهام کلمات برای افزایش کارایی مترجم متن فارسی به زبان اشاره فارسی با استفاده از آنتولوژی.. فناوری آموزش, 13(4), 797-813. doi: 10.22061/jte.2019.3369.1858
محمد لطافت; عبدالرضا رسولی کناری; محبوبه شمسی. "معرفی سیستم آموزش تشخیص و تصحیح ابهام کلمات برای افزایش کارایی مترجم متن فارسی به زبان اشاره فارسی با استفاده از آنتولوژی.". فناوری آموزش, 13, 4, 1398, 797-813. doi: 10.22061/jte.2019.3369.1858
لطافت, محمد, رسولی کناری, عبدالرضا, شمسی, محبوبه. (1398). 'معرفی سیستم آموزش تشخیص و تصحیح ابهام کلمات برای افزایش کارایی مترجم متن فارسی به زبان اشاره فارسی با استفاده از آنتولوژی.', فناوری آموزش, 13(4), pp. 797-813. doi: 10.22061/jte.2019.3369.1858
لطافت, محمد, رسولی کناری, عبدالرضا, شمسی, محبوبه. معرفی سیستم آموزش تشخیص و تصحیح ابهام کلمات برای افزایش کارایی مترجم متن فارسی به زبان اشاره فارسی با استفاده از آنتولوژی.. فناوری آموزش, 1398; 13(4): 797-813. doi: 10.22061/jte.2019.3369.1858

معرفی سیستم آموزش تشخیص و تصحیح ابهام کلمات برای افزایش کارایی مترجم متن فارسی به زبان اشاره فارسی با استفاده از آنتولوژی.

فناوری آموزش
مقاله 5، دوره 13، شماره 4 - شماره پیاپی 52، مهر 1398، صفحه 797-813    اصل مقاله (1.04 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jte.2019.3369.1858
نویسندگان
محمد لطافت1؛ عبدالرضا رسولی کناری* 2؛ محبوبه شمسی1
1دانشکده برق و کامپیوتر، دانشگاه صنعتی قم، قم، ایران
2دانشکده برق و کامپیوتر ، دانشگاه صنعتی قم، قم، ایران
تاریخ دریافت: 05 مهر 1397،  تاریخ بازنگری: 03 بهمن 1397،  تاریخ پذیرش: 14 بهمن 1397 
چکیده
پیشینه و اهداف: جریان اصلی جامعه به دلیل عدم توانایی در برقراری ارتباط با جامعه ناشنوایی باعث گوشه­گیری این افراد شده است. در حال حاضر سالانه 1400 ناشنوای عمیق در کشور متولد می­شود که بیشتر این کودکان دارای خانواده شنوا هستند. به همین دلیل والدین در سال­های ابتدایی زندگی کودک، به دلیل عدم آشنایی با زبان اشاره نمی­توانند الگوی کاملی از زبان اشاره را به آن­ها آموزش ­دهند. همانطور که از نام «زبان اشاره» پیداست، در زبان اشاره از اشارات و یا به عبارت دقیق­تر از حرکات، حالات دست، چشم، و جهت ایستادن، برای انتقال منظور بهره برده می‌شود. چنانچه به طور مثال حرکت دهان یا حالت کلی صورت تغییر کند، معنای کلمه تولید شده نیز می‌تواند تغییر کند، یا به عبارت دیگر کلمه دیگری تولید می‌شود. همین اصل در مورد حرکات انگشتان و دست­ها نیز صادق است. مهم‌ترین عامل ارتباط بین انسان‌ها، توانمندی در برقراری ارتباط از روش‌های مختلف مانند گفتار، نوشتار و زبان‌اشاره می‌باشد. ناتوانی افراد کم‌شنوا و ناشنوا در برقراری ارتباط صمیمانه، هم‌چنین نبود آموزش مرسوم با توجه به نیازهای جامعه، باعث کنارگذاری این افراد شده است. سیستم­های مترجم متن به زبان اشاره به منظور برطرف کردن مشکلات برقراری ارتباط بین افراد ایجاد شده‌اند. به دلیل غیرساخت‌یافته بودن زبان فارسی و هم‌چنین مشکلات زبان اشاره فارسی استفاده از سیستم‌های مترجم سایر کشور‌ها عملا امکان‌‌پذیر نمی‌باشد. این پژوهش به دنبال معرفی سیستمی می‌باشد که متن فارسی را دریافت کرده و بعد از انجام پردازش‌ زبان طبیعی لازم، آن را به زبان اشاره فارسی تبدیل کند.
روش ها برای انجام این مهم با چالش‌های متعددی چون کمبود حرکات اشاره به نسبت تعداد کلمات موجود در زبان فارسی و هم‌چنین مشکل ابهام و جناس در برخی کلمات موجود در متون فارسی مواجه هستیم. به منظور رفع مشکلات، معماری سیستم‌های مشابه قابل استفاده نمی‌باشد. بنابراین معماری جدیدی پیشنهاد شده است که از ارتباط بین ماژول‌های برطرف کردن جناس و هم­چنین ماژول تبدیل متن ورودی به دنیای ناشنوایان، با استفاده از آنتولوژی طراحی شده استفاده می‌کند.
یافته‌ها: استفاده از این معماری، نرخ کارایی سیستم مترجم متن فارسی به زبان اشاره­ی فارسی را تا 95٪ بهبود بخشیده و باعث افزایش دقت سیستم مترجم تا سه برابر شده است.
نتیجه‌گیری:  سیستم مترجم زبان اشاره  به منظور برقراری ارتباط افراد ناشنوا با سایر افراد جامعه ایجاد شده است. به علاوه از سیستم مترجم زبان اشاره می‌توان به منظور آموزش زبان اشاره نیز بهره برد. پیاده‌سازی سیستم مترجم زبان اشاره فارسی به دلیل غیرساخت یافته بودن و هم‌چنین مشکل چندمعنایی و ابهام برخی کلمات در زبان فارسی، هم‌چنین مشکلات موجود در زبان اشاره فارسی و محدودیت‌هایی که در تعداد حرکات شناخته شده این زبان وجود دارد، دارای چالش‌های می‌باشد، که در این مقاله با ارائه یک معماری جدید چالش‌ها تا حدود قابل قبولی برطرف شده است. در معماری جدید از دو ماژول تشخیص و تصحیح جناس و تبدیل جملات به دنیای ناشنوایان استفاده شده است. هر دو ماژول از آنتولوژی طراحی شده، مربوط به خود استفاده می‌کند.
کلیدواژه‌ها
زبان اشاره فارسی؛ آنتولوژی؛ ناشنوایان؛ پردازش‌ زبان طبیعی؛ تصحیح ابهام
موضوعات
پردازش زبان طبیعی
عنوان مقاله [English]
Introduce Detection and Correction of Ambiguity of words System Education to increase the efficiency of Translator from Persian text to Persian sign Language using Ontology.
نویسندگان [English]
M. Letafat1؛ A. Rasouli Kenari2؛ M. Shamsi1
1Faculty of Electrical and Computer Engineering, Qom University of Technology, Qom, Iran
2Faculty of Electrical and Computer Engineering, Qom University of Technology, Qom, Iran
چکیده [English]
Background and Objective:The mainstream of society has isolated deaf people due to their inability to communicate with the deaf community. Currently, 1,400 deaf people are born in the country every year, most of whom have a hearing family. For this reason, parents in the early years of a child's life, due to unfamiliarity with sign language, cannot teach them a complete model of sign language. As the name implies, sign language uses gestures, or more precisely hand, eye, and standing postures to convey meaning. If, for example, the movement of the mouth or the general state of the face changes, the meaning of the word produced can also change, or in other words, another word is produced. The same principle applies to the movements of the fingers and hands. The most important factor through which human beings can form their relationships and connections is using different methods such as speaking, writing and sign language. The point that deaf or semi-deaf people are ignored in communities is because of their disability in forming intimate relationships, and also the lack of common training according to what is needed in the society. The text to sign language translation systems have been created to resolve communication problems among hearing and deaf persons. Due to unstructured Persian language as well as the problems of Persian sign language, using translators’ systems of other countries is not practicable. The present study seeks to design a system that receives Persian text as an input and changes it to Persian sign language after all the necessary natural language processing is done.
Methods:In doing this matter, several challenges are seen on our way:  a) The number of Persian sign language words which are few compared to the words in Persian language and b) The ambiguity and pun normally used in Persian language. So, similar systems’ architecture could not be applied. Therefore, a new architecture is proposed that uses the relation between the removal pun modules and input text invert module to the deaf world by using designed ontology.
Findings: Using this architecture, the efficiency of the Persian text to Persian sign language translator system has improved to 95% and increased the accuracy of the translator system by tripling.
Conclusion: Sign language interpreter system is designed to connect deaf people with other people in the community. In addition, the sign language translator system can be used to teach sign language. Implementing the Persian sign language translator system has challenges due to its unstructured as well as the problem of ambiguity of some words in Persian, as well as the problems in Persian sign language and the limitations in the number of known movements of this language. The paper addressed the challenges to an acceptable degree by presenting a new architecture. In the new architecture, two modules for recognizing and correcting puns and converting sentences into the world of the deaf have been used. Both modules use their own designed ontology.
 
کلیدواژه‌ها [English]
Farsi Sign Language, Ontology, Deaf, Normal Language Analysis, Correction of Ambiguity
مراجع

[1] Stokoe W. Dictionary of American sign language on linguistic principles. US: Linstok Press; 1976.

[2] Siavashi S. Persian language and necessity of revision in education and assessment of Iranian deaf. Paper presented in the 1st Conference of Iranian Linguistics Society. Tehran; 2005. Persian.

[3] Shamsfard M. Challenges and Open Problems in Persian Text Processing; 2005. Persian.

[4] Aleahmad. An introduction to semantic web. Tehran: University of Tehran Press; 2007. Persian.

[5] Michael C, Leo D, Obrst J, Smith K. The semantic web: a guide to the future of xml, web services and knowledge management; 2006.

[6] Amiri d Abdoli. Design and implementation of course arak university. Arak: Faculty of Engineering; 2009. Persian.

[7] van Zijl L, Barker D. South African sign language machine translation system. Paper presented at the 2nd International Conference on Computer Graphics, Virtual Reality, Visualization and Interaction in Africa; 2003.

[8] Baldassarri S, Cerezo E., Royo-santas F. Automatic translation system to Spanish sign language with a virtual interpreter. Paper presented at the IFIL Conference on Human-Computer Interaction; 2009.

[9] Dasgupta T, Basu A. An English to Indian sign language machine translation system. Dept. of Computer Science and engineering, Indian Institute of Technology, Kharagpur; 2010.

[10] Joy J, Balakrishnan K. A prototype Malayalam to sign language automatic translator. Paper presented at the IFIL Conference on Human-Computer Interaction; 2014.

[11] Herbich R, Graepel T. Natural language processing. UK: Taylor 7 Francis; 2010.

[12] Ming Jin C, Omar Z. A mobile application of american sign language translation via image processing algorithms. IEEE, Bali, Indonesia; 2016.

[13] López-lude˜na V, San-segundo R, Manuel Montero J, Córdoba R, Ferreiros J, Manuel Pardo J. Automatic categorization for improving Spanish into Spanish sign language machine translation. Computer Speech & Language. 2018; 26(3): 149-167.

[14] Dasgupta T, Anupam Basu SD. Prototype machine translation system from text-to-Indian sign. Asian Federation of Natural Language Processing; 2010.

[15] Ombardo V, Battaglino C, Damiano R. An avatar–based interface for the italian sign language. IEEE, Seoul, South Korea; 2011.

[16] Daud A, Khan W, Che D. Urdu language processing: a survey. Department of Computer Science and Software Engineering, Islamabad Pakistan; 2016.

[17]San-segundo R, Montero JM, Co´rdoba R, Sama V, Ferna´ndez F, D’haro LF, Lo´pez-luden˜a V, Sa´nchez D, Carcı´a A. Design, development and field evaluation of a Spanish into sign language translation system. Departamento de Ingeniería Electrónica, Etsi Telecomunicación Universidad Politécnica de Madrid Spain; 2012.

[18] Maritan Ugulino de Araújo T, Lacet Silva Ferreira F, Assis Nobre Dos Santos Silva D, Hermínio Lemos F, Pessoa Neto G. Automatic generation of Brazilian sign language windows for digital TV systems. Digital Video Applications Lab (LAVID), Federal University of Paraiba Brazil; 2013.

[19] Matthew J, Spirling DA. Text preprocessing for unsupervised learning: why it matters, when it misleads, and what to do about. Cambridge: Cambridge University Press; 2016.

[20] Hashimoto K, Xiong C, Tsuruoka Y, Socher R. A joint many-task model: Growing a neural network for multiple NLP tasks. Artificial Intelligence (cs.ai); 2017.

[21] Antoniou G, van Harmelen F. A semantic web primer. US: The MIT Press; 2008.

[22] Khaleghi G Deaf and sign language, limitations and features; 2010. Persian.

[23] Sstiri A. Natural language processing tools, the fourth annual workshop of web technology Lab, Ferdowsi University of Mashhad; 2012. Persian.

[24] Siavashi S. Deaf education, defending the reference language in education and eliminating discrimination. Journal of Information and Study of Disabilities and Disabilities. 2006; 1: 35-37. Persian.

[25] Bazrafkan M. A review of Persian language processing problems using computer systems. Paper presented in the National Conference on Computer Engineering and Information Technology Management; 2014. Persian.

[26] System analysis automatic find keywords Farsi. Tehrna: IUST Press; 2009. Persian.

[27] Shamsfard M. (2006). Persian text processing: Past achievements, challenges ahead. The second workshop on Farsi and computer; 2006. Persian.

[28] Dokhani. A review of protégé Software. Iranian Electronic Science and Technology Magazine. 2014; 1(7). Persian.

[29] Akramifard A. (2012) Ontology representation. Mashhad: International University of Ferdowsi Press. Persian.

[30] Kumar Verma V, Srivastava S. (2018). Toward machine translation linguistic issues of Indian sign language. Switzerland: Springer; 2018.

آمار
تعداد مشاهده مقاله: 942
تعداد دریافت فایل اصل مقاله: 1,018


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب