What is a morpheme, slide 16

ما المورفيم (morpheme)، الشريحة 16

Before any names: a word is often not the smallest thing that means something. Chop cats in half and you get cat, which is a thing, and -s, which is not a thing but still carries information, namely "more than one". Neither piece can be chopped further and still mean anything. Those pieces are the atoms.

قبل أي مسميات: الكلمة في الغالب ليست أصغر شيء يحمل معنى. اقطع cats نصفين فتحصل على cat وهو شيء قائم بذاته، و-s وهو ليس شيئاً لكنه يحمل معلومة: "أكثر من واحد". ولا يمكن تقطيع أي من الجزأين أكثر مع بقاء المعنى. هذه الأجزاء هي الذرات.

Slide 16's definition: a morpheme is the smallest unit that carries meaning or grammatical function. The "or grammatical function" half is important: -s has no meaning you could draw, but it has a job, and that qualifies it.

تعريف الشريحة 16: الـ morpheme هو أصغر وحدة تحمل معنى أو وظيفة نحوية. وشطر "أو وظيفة نحوية" مهم: -s ليس له معنى يمكن رسمه، لكن له وظيفة، وهذا يكفي.

The slide's two examples:

المثالان الواردان في الشريحة:

يعرض المربع تفكيك كلمتين: cats تساوي cat زائد -s، وهما وحدتان، وunhappiness تساوي un- زائد happy زائد -ness، وهي ثلاث وحدات. اقرأه كعملية جمع: الجزء الأوسط هو الجذر، وما حوله لواصق.

Then the first split you must know. Slide 16's third bullet: morphemes can be free (they stand alone as words) or bound (they must attach to something). cat and happy are free: both are perfectly good words by themselves. -s, un-, and -ness are bound: none of them is a word, you cannot say "I bought a ness".

ثم أول تقسيم يجب أن تعرفه. النقطة الثالثة في الشريحة 16: الـ morphemes إما free أي تقف وحدها ككلمات، أو bound أي يجب أن تلتصق بشيء. فـ cat وhappy حرّتان، وكل منهما كلمة كاملة بذاتها. أما -s وun- و-ness فمقيّدة، ولا واحدة منها كلمة، فلا تستطيع أن تقول "I bought a ness".

Roots and affixes, slide 17

الجذور واللواصق، الشريحة 17

يجمع الجدول مصطلحات الشريحة 17: root / stem هو المعنى المعجمي الأساسي (walk)، وprefix يلتصق قبل الأساس (un-)، وsuffix بعده (-ed و-ing)، وinfix / circumfix داخله أو حوله وهما نادران في الإنجليزية، وcompounding يجمع جذرين (snowman، laptop). العمود الأخير هو المثال المحفوظ لكل مصطلح.

Compounding is the odd one out and that is why it is worth a second look. In un-happy one piece is bound. In snowman both pieces are free roots: snow and man are each a full word. Compounding is root plus root, affixation is root plus bound morpheme.

الـ compounding هو الشاذ في القائمة، ولهذا يستحق نظرة ثانية. في un-happy أحد الجزأين مقيّد، أما في snowman فكلا الجزأين جذر حرّ: snow وman كل منهما كلمة كاملة. إذن compounding هو جذر زائد جذر، وaffixation هو جذر زائد morpheme مقيّد.

Root versus stem, slide 18

الجذر مقابل الجذع، الشريحة 18

Slide 18 restates the three core terms and sharpens one of them. Its wording for the middle entry is: "Root / stem: core lexical material (root) and its inflectable base (stem)". The distinction is small but it is the one the slide chose to spell out:

تعيد الشريحة 18 صياغة المصطلحات الثلاثة الأساسية وتدقّق واحداً منها. ونصّها للمدخل الأوسط هو: "Root / stem: core lexical material (root) and its inflectable base (stem)". الفرق صغير لكنه الذي اختارت الشريحة أن توضحه:

• The root is the irreducible lexical core. In unhappiness the root is happy.

  الـ root هو النواة المعجمية التي لا تتجزأ. في unhappiness الجذر هو happy.

• The stem is whatever base an inflection actually attaches to, which may already contain derivational material. In unhappinesses the stem that -es attaches to is unhappiness, not happy.

  الـ stem هو الأساس الذي يلتصق به الـ inflection فعلياً، وقد يحتوي أصلاً على مادة اشتقاقية. في unhappinesses الأساس الذي يلتصق به -es هو unhappiness، لا happy.

And its definition of affix: a bound morpheme attached to a host (prefix, suffix, and so on). Note the word host, because it comes back on slide 22 when clitics turn out to attach to hosts too.

وتعريفها لـ affix: morpheme مقيّد يلتصق بمضيف (prefix، suffix، وغيرها). انتبه لكلمة host، لأنها تعود في الشريحة 22 حين يتبين أن الـ clitics تلتصق بمضيفات أيضاً.

يقارن الرسم بين كلمتين. الأولى unhappiness في ثلاث وحدات: un- وهو prefix مقيّد للنفي، وhappy وهو جذر حرّ وصفة، و-ness وهو suffix مقيّد يصنع اسماً، فيتغير نوع الكلمة، وهذه الخطوة DERIVATION. والثانية cats في وحدتين: cat جذر حرّ واسم، و-s suffix مقيّد للجمع، فتبقى اسماً وبنفس الـ lexeme، وهذه الخطوة INFLECTION. نفس الآلية، ونتيجة مختلفة.

The Arabic root-and-pattern idea, slide 18

فكرة الجذر والوزن في العربية، الشريحة 18

Slide 18's last block is headed "Arabic (templatic root idea)" and it is the most useful thing on the whole page, because it shows a kind of word-building that English barely has.

آخر مقطع في الشريحة 18 عنوانه "Arabic (templatic root idea)"، وهو أنفع ما في الصفحة كلها، لأنه يُظهر نوعاً من بناء الكلمات لا تكاد الإنجليزية تملكه.

In English a root is a contiguous string of letters: happy sits in one piece and the affixes queue up on either side. In Arabic the root is three consonants with nothing between them, and the vowels that fill the gaps are supplied by a separate pattern. The root supplies the lexical idea. The pattern supplies the grammar. Neither is a string you can cut out with scissors.

في الإنجليزية الجذر سلسلة حروف متصلة: happy قطعة واحدة واللواصق تصطفّ على جانبيها. أما في العربية فالجذر ثلاثة حروف صحيحة لا شيء بينها، والحركات التي تملأ الفراغات يوفّرها وزن منفصل. الجذر يعطي الفكرة المعجمية، والوزن يعطي النحو، ولا واحد منهما سلسلة تستطيع قصّها بمقص.

The slide's example is the root K–T–B, whose idea is "writing":

مثال الشريحة هو الجذر K–T–B الذي فكرته "الكتابة":

يعرض الجدول ثلاث صيغ من الجذر نفسه: kataba (كَتَبَ) فعل ماضٍ، وkitāb (كِتَاب) اسم لشيء، وkātib (كَاتِب) اسم لشخص. العمود الثالث هو الوزن حرفاً حرفاً، والرابع هو المعنى. اقرأ العمود الثالث لتجد الحروف الثلاثة في موضعها نفسه في كل سطر.

Read the middle column of transliterations downwards and you see K, T and B in that order every single time, never moving. Everything that changes is the vowel material woven between them. A verb, a concrete object and a person, all from one root, and not one of them is the others plus a suffix.

اقرأ عمود النقل الحرفي من الأعلى إلى الأسفل وستجد K وT وB بهذا الترتيب في كل مرة دون أن تتحرك. وكل ما يتغير هو مادة الحركات المنسوجة بينها. فعل وشيء محسوس وشخص، كلها من جذر واحد، وليس أحدها هو الآخر زائد suffix.

يُظهر الرسم جذراً واحداً K T B في الأعلى يتفرّع إلى ثلاثة أوزان في الأسفل: kataba (he wrote)، وkitāb (book)، وkātib (writer). الحروف الملونة هي الحركات، أي الوزن، والوزن هو النحو. لم يُلصق شيء في المقدمة ولا في المؤخرة، بل أُعيدت كتابة الداخل، وهذا معنى non-concatenative وسبب تعذّر تقطيع العربية عند حدّ فاصل.

Inflection versus derivation, slide 19

التصريف مقابل الاشتقاق، الشريحة 19

Slide 19 is headed "Function-Based Processes", which is your clue to the criterion: this split is about what the process does to the word, not about how it is spelled.

عنوان الشريحة 19 هو "Function-Based Processes"، وهذا دليلك على المعيار: هذا التقسيم يتعلق بـ ما تفعله العملية بالكلمة، لا بطريقة كتابتها.

The slide's two one-line definitions:

تعريفا الشريحة، كل واحد في سطر:

• Inflection = marks grammar (tense, number, case, agreement), usually the same lexeme.

  Inflection = يعلّم النحو (الزمن، العدد، الحالة، المطابقة)، وعادة يبقى الـ lexeme نفسه.

• Derivation = creates a new lexeme, often changes part of speech.

  Derivation = يُنشئ lexeme جديداً، وغالباً يغيّر نوع الكلمة.

A lexeme is the abstract dictionary entry. walk, walks, walked and walking are four surface forms of one lexeme, which is why a dictionary lists them under one headword. happiness gets its own headword, because it is a different lexeme from happy.

الـ lexeme هو المدخل المعجمي المجرد. فـ walk وwalks وwalked وwalking أربع صور سطحية لـ lexeme واحد، ولهذا يسردها القاموس تحت مدخل واحد. أما happiness فله مدخل خاص به، لأنه lexeme مختلف عن happy.

يقابل الجدول العمودين صفاً بصف: الـ inflection يعلّم النحو ويبقي الـ lexeme ونوع الكلمة كما هما ولا يضيف مدخلاً في القاموس، والـ derivation يُنشئ lexeme جديداً وغالباً يغيّر النوع ويأخذ مدخلاً جديداً. وأمثلة الشريحة الإنجليزية walk-ed وwalk-s مقابل happi-ness، والعربية katab-tu تصريف مقابل kitāb وkātib اشتقاق بالجذر والوزن.

Slide 19 adds one more English case worth memorising because it breaks the pattern: conversion, also called zero derivation. The slide's example is an email (noun) becoming to email (verb). New lexeme, new part of speech, and no affix at all. That is why you cannot test for derivation by looking for a suffix.

تضيف الشريحة 19 حالة إنجليزية أخرى تستحق الحفظ لأنها تخرق النمط: conversion وتسمى أيضاً zero derivation. مثال الشريحة هو an email (اسم) تصبح to email (فعل). lexeme جديد، ونوع كلمة جديد، وبلا أي لاصقة إطلاقاً. ولهذا لا يمكنك اختبار derivation بالبحث عن suffix.

Concatenative versus non-concatenative, slide 20

التسلسلي مقابل غير التسلسلي، الشريحة 20

Slide 20 is headed "Form-Based Processes", which is again the clue: this split is about how the word is physically assembled, not about what the assembly achieves. It is a completely independent question from slide 19.

عنوان الشريحة 20 هو "Form-Based Processes"، وهذا دليل آخر: هذا التقسيم يتعلق بـ كيف تُركَّب الكلمة مادياً، لا بما يحققه التركيب. وهو سؤال مستقل تماماً عن الشريحة 19.

• Concatenative = attach segments (prefix, suffix, compounding).

  Concatenative = إلصاق مقاطع (prefix، suffix، compounding).

• Non-concatenative = internal change, templatic patterns, or suppletion.

  Non-concatenative = تغيير داخلي، أو أوزان قالبية (templatic)، أو suppletion.

The two slides are independent axes, and seeing that is worth a mark. walk-ed is inflection and concatenative. sang is inflection and non-concatenative. happi-ness is derivation and concatenative. kātib from kataba is derivation and non-concatenative. All four combinations exist.

الشريحتان محوران مستقلان، وإدراك ذلك يستحق درجة. فـ walk-ed هو inflection وconcatenative، وsang هو inflection وnon-concatenative، وhappi-ness هو derivation وconcatenative، وkātib من kataba هو derivation وnon-concatenative. التوليفات الأربع كلها موجودة.

Clitics, slide 21

الـ Clitics، الشريحة 21

Slide 21's opening line is the definition: clitics behave like words syntactically but attach phonologically. Unpack that into two halves.

السطر الافتتاحي في الشريحة 21 هو التعريف: الـ clitics تتصرف كالكلمات نحوياً لكنها تلتصق صوتياً. فكّك هذا إلى شطرين.

Syntactically a word. In I'm here, the 'm is doing the job of the verb am. The sentence structure has a subject, a verb and a complement, and 'm is occupying the verb slot, exactly as am would in I am here.

نحوياً كلمة. في I'm here يقوم 'm بوظيفة الفعل am. فبنية الجملة فيها فاعل وفعل ومكمّل، و'm يحتل خانة الفعل تماماً كما يفعل am في I am here.

Phonologically attached. It cannot stand on its own. You cannot say 'm by itself, you cannot stress it, and it has to lean on the word in front of it. A clitic is a word that has lost the ability to stand up, so it leans on its neighbour.

صوتياً ملتصق. لا يستطيع الوقوف وحده. لا تستطيع أن تقول 'm منفرداً، ولا أن تضع عليها نبراً، وعليها أن تتكئ على الكلمة التي قبلها. الـ clitic كلمة فقدت القدرة على الوقوف، فاتكأت على جارتها.

The slide's examples:

أمثلة الشريحة:

And its closing bullet is the NLP consequence, posed as an open question: tokenization choice, keep attached or split? There is no universally right answer, which is exactly why slide 8 listed it as a preprocessing decision.

ونقطتها الختامية هي النتيجة في NLP، مطروحة كسؤال مفتوح: قرار الـ tokenization، نبقيها ملتصقة أم نفصلها؟ لا جواب صحيح على كل الحالات، ولهذا بالتحديد عدّتها الشريحة 8 قراراً من قرارات المعالجة المسبقة.

Clitic versus affix, slide 22

الـ Clitic مقابل اللاصقة (Affix)، الشريحة 22

Slide 22 opens with a warning in bold: attachment in writing is not enough. Use diagnostics. That sentence exists because the obvious test fails. An apostrophe tells you nothing: French l' has one and is a clitic, Arabic wa- has none and is also a clitic, English -ed has none and is an affix. Writing conventions are not linguistic evidence.

تفتتح الشريحة 22 بتحذير بخط عريض: الالتصاق في الكتابة لا يكفي، استخدم اختبارات تشخيصية. هذه الجملة موجودة لأن الاختبار البديهي يفشل. الفاصلة العليا لا تدل على شيء: l' الفرنسية لها واحدة وهي clitic، وwa- العربية بلا فاصلة وهي clitic أيضاً، و-ed الإنجليزية بلا فاصلة وهي affix. أعراف الكتابة ليست دليلاً لغوياً.

The two diagnostics the slide gives, and the key word in both is selectivity:

الاختبارَان اللذان تعطيهما الشريحة، والكلمة المفتاحية فيهما كلتيهما هي selectivity أي الانتقائية:

يفرّق الجدول بين clitic وaffix في خمسة صفوف: الـ clitic يقابل كلمة وظيفية أو ضميراً في النحو، وselectivity منخفضة فيلتصق بأي شيء تقريباً، وله مقابل حرّ، ولا ينتمي إلى paradigm. والـ affix جزء من paradigm صرفي، وselectivity عالية فيلتصق بأصول أو أصناف محددة، ولا مقابل حرّ له. والصف الأخير هو النقطة المهمة: الفاصلة العليا لا تحسم أياً منهما.

Selectivity is the operational test. Ask: what can this thing attach to? English -ed attaches to verbs and only verbs, and it fills a specific slot in the past-tense paradigm. That is high selectivity, so it is an affix. English possessive 's attaches to whatever happens to end the noun phrase, including a whole clause ("the man I met yesterday's car"). That is near-zero selectivity, so it is a clitic.

الـ selectivity هي الاختبار العملي. اسأل: بماذا يمكن لهذا الشيء أن يلتصق؟ فـ -ed الإنجليزية تلتصق بالأفعال وبالأفعال فقط، وتحتل خانة محددة في paradigm الماضي، وهذه selectivity عالية فهي affix. أما 's للملكية فتلتصق بأي شيء يصادف أن ينهي العبارة الاسمية، حتى لو كان جملة كاملة ("the man I met yesterday's car")، وهذه selectivity تقارب الصفر فهي clitic.

Slide 22's Arabic examples, which are the clearest cases on the slide

أمثلة الشريحة 22 العربية، وهي أوضح الحالات في الشريحة

يسرد الجدول أمثلة الشريحة 22 العربية مع حكمها في العمود الأخير: wa- وbi- هما proclitics ملتصقة في المقدمة، وwa-bi-al-bayt كومة clitics على اسم واحد، و-hu في kitāb-u-hu هو enclitic ضميري في المؤخرة، و-tu في katab-tu ليست clitic بل تصريف فعلي، وal- تسميها الشريحة حالة حدّية تشبه الـ prefix في كثير من التحليلات.

Look closely at the contrast the slide built. Both -hu in kitābuhu and -tu in katabtu are short pieces stuck on the end of a word with no space. Written down they look like the same kind of thing. The slide says they are not, and gives its reasoning for -tu in two words: selective (verbs only) plus part of the conjugation paradigm.

انظر بدقة إلى التضاد الذي بنته الشريحة. كل من -hu في kitābuhu و-tu في katabtu قطعة قصيرة ملتصقة بآخر الكلمة بلا مسافة، وفي الكتابة يبدوان من النوع نفسه. تقول الشريحة إنهما ليسا كذلك، وتعطي سببها في -tu بكلمتين: انتقائية (أفعال فقط) زائد جزء من paradigm التصريف.

-hu fails both of those. It is the pronoun "his / him", it attaches to nouns, to verbs, and to prepositions alike, and it is not a cell in anybody's conjugation table. Low selectivity plus a free-word counterpart equals clitic.

و-hu يفشل في الشرطين. فهو الضمير "له" أو "هُ"، ويلتصق بالأسماء والأفعال وحروف الجر على حد سواء، وليس خانة في جدول تصريف أحد. selectivity منخفضة زائد مقابل حرّ يساوي clitic.

The honest wrinkle, which the slide itself flags: al- sits in between. It is a determiner, which argues for clitic, but it is tightly bound and is treated as a prefix in many analyses. Slide 22 calls it borderline rather than deciding, and so should you.

والتعقيد الصادق الذي تشير إليه الشريحة نفسها: al- يقع في المنتصف. فهو أداة تعريف، وهذا يرجّح clitic، لكنه شديد الالتصاق ويُعالج كـ prefix في تحليلات كثيرة. الشريحة 22 تسميه حالة حدّية ولا تحسمه، وكذلك افعل أنت.

1.  unhappiness

    strip the front   un-        bound, prefix
    strip the back    -ness      bound, suffix
    what remains      happy      free root, adjective

    3 morphemes.  un- + happy + -ness
    happy (adj) + -ness  ->  noun          DERIVATION, part of speech changed
    un- + happy          ->  still adj     DERIVATION, new lexeme, same POS
    form: all pieces sit side by side      CONCATENATIVE


2.  cats

    strip the back    -s         bound, suffix, plural
    what remains      cat        free root, noun

    2 morphemes.  still a noun, still the lexeme CAT   INFLECTION
    form: pieces sit side by side                      CONCATENATIVE


3.  sang

    try to strip something ...   nothing to strip
    compare with      sing       same consonants, different vowel

    1 surface form carrying 2 pieces of information: SING + past
    the past tense is signalled by rewriting the vowel  i -> a
    function: marks tense, same lexeme                  INFLECTION
    form: internal change, nothing attached             NON-CONCATENATIVE


4.  ev-ler-im-den     Turkish, slide 20

    ev      house        free root
    -ler    PL           plural
    -im     1SG.POSS     my
    -den    ABL          from

    4 morphemes, each with exactly one clear job, stacked in order
    "from my houses", which needs four separate English words
    form: pure stacking                                 CONCATENATIVE
    this one-affix-one-function stacking is what AGGLUTINATIVE means


5.  katab-tu         كَتَبْتُ   "I wrote",  slides 19 and 22

    -tu     1st person singular, past       verbal inflection
    katab   the stem

    and katab itself is not a simple string:
      root     K - T - B        the idea of writing
      pattern  _ a _ a _        past tense, active

    so the word is built in two different ways at once:
      stem built by weaving root into pattern      NON-CONCATENATIVE
      -tu glued on the end                         CONCATENATIVE
    function of -tu: marks person, number, tense   INFLECTION
    slide 22's verdict on -tu: NOT a clitic
      selective, attaches to verbs only, and it is a cell in the paradigm


6.  wa-bi-al-bayt    وَبِالْبَيْت   "and in/with the house",  slide 22

    wa-     "and"          proclitic, conjunction
    bi-     "with / by"    proclitic, preposition
    al-     "the"          borderline, prefix-like in many analyses
    bayt    "house"        free root, noun

    4 pieces, written as ONE whitespace-delimited string.
    an English tokenizer splitting on spaces returns 1 token here.
    the English translation needs 4 words.
    that gap is the entire reason Arabic tokenization is a research problem.

Morphological typology, slide 23

التصنيف الصرفي للغات (typology)، الشريحة 23

Zoom out from single words to whole languages. Slide 23 opens with a hedge you should quote: languages are often described by tendencies (not rigid boxes). Its four tendencies:

ابتعد من الكلمة المفردة إلى اللغات كاملة. تفتتح الشريحة 23 بتحوّط يستحق الاقتباس: اللغات تُوصف غالباً باتجاهات، لا بصناديق صارمة. واتجاهاتها الأربعة:

يسرد الجدول الأصناف الأربعة مع عدد الـ morphemes لكل كلمة: isolating صرفها قليل والنحو يأتي من ترتيب الكلمات والكلمات الوظيفية (قريب من 1)، وagglutinative لواصق كثيرة لكل منها وظيفة واضحة (عدة، قابلة للفصل بنظافة)، وfusional لواصقها تحزم عدة سمات نحوية معاً (عدة، غير قابلة للفصل)، وpolysynthetic كلماتها شديدة التعقيد تشبه الجمل (كثيرة). العمود الأخير هو مفتاح التفريق.

Agglutinative and fusional are the pair people confuse, and the difference is not how many affixes there are but whether you can tell them apart. Turkish ev-ler-im-den has four affixes doing four separable jobs, one each. Spanish habl-o has one affix doing three jobs at once. Both are "lots of grammar in the word", but only one of them can be cut into labelled pieces.

الـ agglutinative والـ fusional هما الزوج الذي يلتبس على الناس، والفرق ليس في عدد اللواصق بل في قدرتك على التمييز بينها. فالتركية ev-ler-im-den فيها أربع لواصق تؤدي أربع وظائف منفصلة، واحدة لكل. والإسبانية habl-o فيها لاصقة واحدة تؤدي ثلاث وظائف في وقت واحد. كلتاهما "نحو كثير داخل الكلمة"، لكن واحدة فقط تقبل التقطيع إلى قطع مُسمّاة.

Slide 23 closes with a mental model that is itself examinable: a language can be "more X" in one subsystem (verbs) and "more Y" in another (nouns or particles). The classes are descriptions of tendency, not a partition into four bins.

تُختم الشريحة 23 بنموذج ذهني قابل للاختبار بنفسه: يمكن للغة أن تكون "أكثر X" في نظام فرعي مثل الأفعال، و"أكثر Y" في نظام آخر مثل الأسماء أو الأدوات. فالأصناف أوصاف لاتجاهات، وليست تقسيماً إلى أربعة صناديق.

Typology examples, slide 24

أمثلة التصنيف، الشريحة 24

يعطي الجدول لغة ومثالاً لكل صنف من الشريحة 24: isolating الماندرين (wǒmen míngtiān qù Běijīng) بلا أي علامة زمن على الفعل، فكلمة "غداً" منفصلة وهي التي تحمل معلومة الزمن. وagglutinative التركية (ev-ler-im-den) أربع وحدات بأربع تسميات ووظيفة واحدة لكل. وfusional الإسبانية (habl-o) حيث -o تحزم الشخص والعدد والزمن في لاصقة واحدة لا تُقسَّم. وpolysynthetic الإنكتيتوت بلا صيغة محددة. العمود الأخير هو ما يُسأل عنه، فاربط كل لغة بالخصيصة التي تُظهرها.

The slide's footnote on the last row is worth reading as written: polysynthetic examples vary by dialect and orthography; the key property is high morpheme density per word. So do not memorise an Inuktitut word, memorise the property.

حاشية الشريحة على الصف الأخير تستحق القراءة كما هي: أمثلة polysynthetic تختلف بحسب اللهجة والرسم الكتابي، والخصيصة الأساسية هي كثافة الـ morphemes العالية في الكلمة. فلا تحفظ كلمة بالإنكتيتوت، احفظ الخصيصة.

Where English and Arabic fit, slide 25

أين تقع الإنجليزية والعربية، الشريحة 25

Put the two columns side by side and the NLP consequence is immediate. English puts its grammar between words, so whitespace tokenization recovers most of the structure for free. Arabic puts its grammar inside words, so whitespace tokenization throws most of the structure away. The counts from page one do not transfer: an Arabic corpus of a given N has a much larger |V| than an English one, which is exactly the 115,672 against 47,049 we computed from slide 13's own fitted constants.

ضع العمودين جنباً إلى جنب وتظهر النتيجة في NLP فوراً. الإنجليزية تضع نحوها بين الكلمات، فيستعيد تقطيع المسافات معظم البنية مجاناً. والعربية تضع نحوها داخل الكلمات، فيرمي تقطيع المسافات معظم البنية. والأعداد من الصفحة الأولى لا تنتقل: corpus عربي بنفس N له |V| أكبر بكثير من نظيره الإنجليزي، وهو بالضبط الفرق بين 115,672 و47,049 الذي حسبناه من ثوابت الشريحة 13.

Morphemes per word, slide 26

المورفيمات لكل كلمة، الشريحة 26

Slide 26 is a figure captioned "Early estimate of morphemes per word across languages (Greenberg 1960)". It is a single number line with eight languages placed on it and three zones labelled underneath. Here are its values, read off the figure:

الشريحة 26 شكل بياني عنوانه "Early estimate of morphemes per word across languages (Greenberg 1960)". وهو خط أعداد واحد عليه ثماني لغات، وثلاث مناطق مُسمّاة أسفله. وهذه قيمه كما تُقرأ من الشكل:

يرتّب الجدول اللغات الثماني بحسب عدد الـ morphemes لكل كلمة ومنطقتها على الشكل: الفيتنامية 1.1 والفارسية 1.5 والإنجليزية 1.7 في منطقة Analytic، والإنجليزية القديمة 2.1 واليَاقوتية 2.2 والسواحيلية 2.5 والسنسكريتية 2.6 في Synthetic، والغرينلاندية 3.7 في Polysynthetic. احفظ الأرقام الثلاثة المميزة على الأقل.

Two things to take from it. First, English at 1.7 sits in the analytic zone, which is slide 25's claim shown as a number. Second, Old English at 2.1 is in a different zone from modern English at 1.7. Same language, eight hundred years apart, and it moved. Typology is a tendency that drifts, not an inherent property.

نقطتان تأخذهما منه. الأولى أن الإنجليزية عند 1.7 تقع في منطقة analytic، وهذا ما تقوله الشريحة 25 لكن معروضاً كرقم. والثانية أن الإنجليزية القديمة عند 2.1 في منطقة مختلفة عن الإنجليزية الحديثة عند 1.7. اللغة نفسها، بفارق ثمانمئة سنة، وقد تحركت. فالـ typology اتجاه ينزاح، لا خصيصة ثابتة.

يرسم الشكل خط أعداد من الفيتنامية عند 1.1 إلى الغرينلاندية عند 3.7، مقسوماً بخطين متقطعين إلى ثلاث مناطق: Analytic ثم Synthetic ثم Polysynthetic. النقطة الملونة هي الإنجليزية عند 1.7، والإنجليزية القديمة عند 2.1 تقع في المنطقة التالية لها. اقرأه كمتّصل بلا حدود قاطعة، ولهذا تقول الشريحة 23 اتجاهات لا صناديق.

Why this matters in NLP, slide 27

لماذا يهم هذا في NLP، الشريحة 27

Slide 27 closes the morphology block by connecting it back to tokenization, which is where the lecture started. Its two claims:

تُغلق الشريحة 27 جزء الصرف بربطه بالـ tokenization حيث بدأت المحاضرة. وادّعاؤها في نقطتين:

• "Word" is not universal: morphology and clitics change what counts as a token. This is slide 3's question finally answered. The reason nobody can tell you how many words are in a sentence is that the answer depends on the language's morphology.

  كلمة "word" ليست مفهوماً عالمياً: الصرف والـ clitics يغيّران ما يُعتبر token. وهذا جواب سؤال الشريحة 3 أخيراً. فسبب عجز أي أحد عن إخبارك بعدد الكلمات في جملة هو أن الجواب يعتمد على صرف اللغة.

• Rich morphology, and clitic attachment, increases surface-form variety. More distinct written forms per lexical item means a bigger |V| at the same N, which is Heaps' law with a linguistic cause attached.

  الصرف الغني والتصاق الـ clitics يزيدان تنوع الصور السطحية. فكثرة الصور المكتوبة المختلفة لكل وحدة معجمية تعني |V| أكبر عند نفس N، وهذا هو Heaps' law مع سبب لغوي مرفق به.

And the three things it motivates:

والأمور الثلاثة التي يحفّزها ذلك:

1. Subword tokenization (BPE, WordPiece) to handle an open vocabulary. Smaller units, closed inventory, no unknown word.

   subword tokenization (BPE، WordPiece) للتعامل مع vocabulary مفتوح. وحدات أصغر، ومخزون مغلق، ولا كلمة مجهولة.

2. Morphological segmentation, when the linguistic structure actually matters rather than just the statistics.

   morphological segmentation عندما تكون البنية اللغوية مهمة فعلاً، لا الإحصاء وحده.

3. Careful preprocessing: case, punctuation, and clitic splitting policies. Note that clitic splitting is now named as a policy decision, which closes the loop on slide 21's open question.

   معالجة مسبقة متقنة: سياسات حالة الأحرف والترقيم وفصل الـ clitics. لاحظ أن فصل الـ clitics صار يُسمّى هنا قراراً سياسياً، وهذا يغلق الحلقة على سؤال الشريحة 21 المفتوح.

Thirty-second recap

خلاصة في ثلاثين ثانية