تعتبر المناقشات البرلمانية في سريلانكا، والمعروفة باسم "هانسارد"، مجموعة ثلاثية اللغات تضم خطبًا باللغة السنهالية والتاميلية والإنجليزية، بالإضافة إلى محتوى مختلط، مما يجعلها صعبة الوصول إلى النماذج القياسية لمعالجة اللغة الطبيعية (NLP). تعاني هذه البيانات من تعقيدات مثل تنسيق PDF المعقد والكتابة متعددة اللغات، فضلاً عن التركيب اللغوي المصغر.

في محاولة للتغلب على هذه التحديات، تم تقديم إطار عمل شامل يعتمد على نماذج اللغات الضخمة (LLM) لاستخراج النصوص. يشمل هذا الإطار نظاماً متكاملاً لخلق تمثيلات متعددة اللغات ونمذجة الموضوعات باستخدام تجميع قائم على الكثافة.

تم استكشاف امتداد هجيني دلالي-قوامي يسمى BiTopic، والذي يساعد على تحسين مدى قابلية الفهم واسترجاع المقاطع التي قد تعتبر ضوضاء. تم تطبيق هذا الإطار على 19,553 خطاباً يمتد تاريخها بين عامي 2017 و2026، مما ساعد على استرجاع 30 موضوعاً رئيسياً مع تحقيق نقاء تجميعي يصل إلى 0.673.

تتكشف هذه الموضوعات مع مرور الوقت بشكل غير خاضع للإشراف وتتماشى مع الأحداث الوطنية الكبرى، بما في ذلك هجمات عيد الفصح عام 2019 والأزمة الاقتصادية عام 2022. بالمقارنة، فشلت تقنيات تحليل البيانات التقليدية مثل LDA في التعامل مع هذا النوع من البيانات بسبب تفتت اللغة عبر اللغات الثلاث، بينما نجحت المقاربة المقترحة في تحديد الهيكل الموضوعي بشكل فعال.

يظهر هذا العمل مدى أهمية الابتكار في علوم البيانات وذكاء الآلة، وخاصة في سياقات متعددة اللغات. مما يوفر لنا نظرة أعمق في إحداثيات النقاش الوطني ويعزز من فهم ديناميكيات المجتمع السريلانكي.