論文の概要: A Corpus-Aligned Uthmani-to-Standard Quranic Word Mapping and a Deterministic Recitation Validator
- arxiv url: http://arxiv.org/abs/2609.14967v1
- Date: Mon, 14 Sep 2026 03:20:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.041372
- Title: A Corpus-Aligned Uthmani-to-Standard Quranic Word Mapping and a Deterministic Recitation Validator
- Title（参考訳）: コーパスアライメント付きウスマニ-スタンダード・クランディック単語マッピングと決定論的参照検証器
- Abstract要約: クラーニック文字は2つの正書法で配布されており、すべての印刷されたムシャフで使用されるウスマニ文字と、すべての主要なアラビア語のNLPツールが構築される標準アラビア語形式(Imla'i)である。
我々は2,290対のコーパス整列 Uthmani-to-Standard ワードマッピングを作成し,完全な6,236進法を両正書法に整列させて構築した。
我々は,4階層の逆マッチング探索と単語エラー率グレードフィードバックを用いた,決定論的でLLMのないクラニック・リサイクリング・バリケータを構築した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quranic text is distributed in two orthographic forms that are byte-level distinct: the Uthmani script used in every printed mushaf, and the Standard (Imla'i) Arabic form that every mainstream Arabic NLP tool is built for. The gap is concentrated in one Unicode character, U+0670 (superscript alef), which appears in some of the most frequently recited words in the Quran and is silently mishandled by general-purpose Arabic normalizers. We release a 2,290-pair, corpus-aligned Uthmani-to-Standard word mapping constructed by aligning the complete 6,236-verse Quran across both orthographic forms, together with a seven-step text normalization pipeline built on it. Normalizing both forms of all 6,236 verses through that pipeline yields identical strings for 90.9% of verses, and we characterize the residual divergence rather than assert that it is closed. On top of the normalized text, we build a deterministic, LLM-free Quranic recitation validator using a four-layer verse-matching search (exact, morphological, relaxed, fuzzy) and word-error-rate-graded feedback across five severity tiers. The validator scores 98.4% (122/124) on a 124-case suite emitted by the released test harness, and both failures share one mechanism: a single substitution error can make a different verse an exact match. A full-corpus census additionally quantifies an inherent text-only ambiguity affecting 16.5% of verses, and on 34 recitation transcripts drawn from a deployed Arabic ASR system the validator identifies the correct verse in every case. We release the mapping, the script that builds it, the validator, and the evaluation harness under open licenses; every number in this paper except the deployment measurement, whose transcripts are not ours to publish, is reproduced by running them.
- Abstract（参考訳）: クラーニック文字は、印刷されたすべてのムーシャフで使用されるウスマニ文字と、すべての主流アラビア語のNLPツールが構築される標準アラビア語形式(Imla'i)という、バイトレベルの異なる2つの正書法形式に分散されている。
このギャップは1つのUnicode文字 U+0670 (superscript alef) に集中しており、クァラン語で最も頻繁に暗唱される単語のいくつかに現れる。
我々は2,290対のコーパス整列 Uthmani-to-Standard ワードマッピングを,全6,236対のQuranを両正書法形式に整列させて構築し,その上に7ステップのテキスト正規化パイプラインを構築した。
パイプラインを通した6,236節の両形式の正規化は90.9%の節に対して同一の弦を生成する。
正規化テキスト上には,4階層の逆マッチング探索 (exact, morphological, relaxed, fuzzy) と単語エラー率グレードフィードバックを5つの重度階層にわたって用いた,決定論的でLLMフリーなクラニック・リサイクリング・バリケータが構築されている。
バリケータは、リリースされたテストハーネスによって出力される124ケーススイートで98.4%(122/124)を獲得し、両方の障害は1つのメカニズムを共有している。
完全なコーパス調査では、16.5%の詩に影響を及ぼす固有のテキストのみの曖昧さを定量化し、アラビア語のASRシステムから引き出された34の引用書き起こしで、バリケーターはすべてのケースにおいて正しい詩を識別する。
本論文では,本書を作成したマッピング,検証書,評価ハーネスを公開ライセンス下でリリースする。本書では,本書が出版するスクリプティングではないデプロイメント計測を除くすべての数値を,実行によって再現する。
関連論文リスト
- RefLAM: A Reference-Grounded Line Annotation Pipeline for Historical Arabic Manuscripts [1.583691353033079]
RefLAMは、原稿のページイメージとクリーンな書き起こしを検証されたラインレベルの真実に変換するパイプラインである。
RefLAMは、構造化OCRのためのマルチモーダル大言語モデル(MLLM)とディープラーニングページセグメンテーションモデルを結合する。
AraMS-28k:14の歴史的アラビア写本、3,043ページ、27,971のメインテキスト、629のマージンラインアノテーションをリリースします。
論文 参考訳（メタデータ） (2026-08-25T20:46:11Z) - Scaling Unsupervised Word Alignment to Documents via Structural Constraints [38.797311337915175]
CTFAlignは、文書レベルの単語アライメントのための軽量でトレーニング不要なアプローチである。
MDPAlignも導入しています。これは、主対角線上の位置によるアライメントを制約する、よりシンプルな代替手段です。
CTFAlignは平均3モデルで、単語アライメントエラー率を0.412から0.326に下げる。
論文 参考訳（メタデータ） (2026-08-21T12:13:21Z) - A Glyph Is Not a Letter, a Token Is Not a Word, a Space Is Not a Space: What the Units of Voynichese Are Not [45.88028371034407]
我々は、Voynichの原稿(Beinecke MS 408)を、一致した散文、暗号、擬似テキスト制御、クワイアレベルの再サンプリングで分析する。
ヴォイニチェの順序はトークンの端とそれらの間のグレードされた境界に置かれる。
公表されたVoynich-imitating暗号と自己励磁テキスト生成器はどちらも、校正置換攻撃による低エントロピー、単位スケール、弱いトークンオーダー、ヌル結果を再現する。
論文 参考訳（メタデータ） (2026-08-17T20:05:12Z) - IndicQE-APE: A Benchmark for Quality Estimation and Automatic Post-Editing for Indic Languages [77.88427845181154]
我々はWMT 2020-2024の共有タスクの系統を、英語のリソースを拡張してインディクシーに集約する:9つの方向対に対して126,754ドルのインスタンス。
セグメントレベルのQEでは,LSMが6つ,COMETが3つ,APEでは3つのシステムをベンチマークした。
論文 参考訳（メタデータ） (2026-08-17T09:50:52Z) - When AI Writes, Who Gets Cited? Evidence of Citation Monoculture Across Language Models [45.91367912142692]
異なるモデルがいまだに同じ狭い部分集合を選択している可能性を示し、単一の引用が誤りを犯さずに、引用モノカルチャーを生成する。
3つのベンダーの11のモデルが、30のランダムなパネルから少なくとも10の論文を選択しており、実際のタイトルと抽象物があるが、作者が作り直され、再割り当て年、隠れた会場と引用数がある。
論文 参考訳（メタデータ） (2026-08-03T14:27:46Z) - Different Strokes for Different Folks: Writer Identification for Historical Arabic Manuscripts [0.5599792629509229]
手書きのアラビア語写本はアラブ世界の知的・文化的遺産を保存している。
歴史的アラビア写本のムハラフデータセットを用いて,個々の線画像から著者の識別を評価する。
著者識別のための注意機構を備えた畳み込みニューラルネットワーク(CNN)モデルを提案する。
論文 参考訳（メタデータ） (2026-04-24T12:55:16Z) - Automatic Pronunciation Error Detection and Correction of the Holy Quran's Learners Using Deep Learning [0.0]
高品質なQuranicデータセットを生成するために、98%の自動パイプラインを構築しています。
私たちはカスタムのQuran Phonetic Scriptを使ってTajweedルールをエンコードしています。
すべてのコード、データ、モデルをオープンソースとしてリリースしています。
論文 参考訳（メタデータ） (2025-08-27T15:28:46Z) - Invizo: Arabic Handwritten Document Optical Character Recognition Solution [2.5819726282014654]
この研究は、アラビア語の手書き、印刷、およびアラビア数字を認識するためのエンドツーエンドのソリューションを提案する。
我々は81.66%の精度、78.82%のリコール、79.07%のF測定に到達した。
論文 参考訳（メタデータ） (2025-02-07T19:25:33Z) - Tibyan Corpus: Balanced and Comprehensive Error Coverage Corpus Using ChatGPT for Arabic Grammatical Error Correction [0.32885740436059047]
本研究の目的は,ChatGPTを用いた文法的誤り訂正のためのアラビア語コーパス"Tibyan"を開発することである。
ChatGPTは、アラビア語の本から抽出された誤りのない文と一致した文法的な誤りを含む一対のアラビア語の文に基づいてデータ拡張ツールとして使用される。
私たちのコーパスには、正書法、構文、意味論、句読法、形態学、分割という7つのタイプを含む49のエラーが含まれていました。
論文 参考訳（メタデータ） (2024-11-07T10:17:40Z) - Localizing Factual Inconsistencies in Attributable Text Generation [74.11403803488643]
本稿では,帰属可能なテキスト生成における事実の不整合をローカライズするための新しい形式であるQASemConsistencyを紹介する。
QASemConsistencyは、人間の判断とよく相関する事実整合性スコアを得られることを示す。
論文 参考訳（メタデータ） (2024-10-09T22:53:48Z) - DPIC: Decoupling Prompt and Intrinsic Characteristics for LLM Generated Text Detection [56.513637720967566]
大規模言語モデル(LLM)は、盗作、eコマースプラットフォームへの偽レビューの設置、炎症性偽ツイートなどの誤用のリスクを引き起こすテキストを生成することができる。
既存の高品質な検出手法では、本質的な特徴を抽出するために、モデルの内部にアクセスする必要がある。
ブラックボックスモデル生成テキストの深い内在特性を抽出する。
論文 参考訳（メタデータ） (2023-05-21T17:26:16Z) - Graphemic Normalization of the Perso-Arabic Script [47.429213930688086]
本稿では,ペルソ・アラビア語が最良文書言語を超えて提示する課題について述べる。
自然言語処理(NLP)の状況に注目する。
ペルソ・アラビア文字ディアスポラの多言語語族8言語に対する正規化が機械翻訳および統計言語モデリングタスクに及ぼす影響を評価する。
論文 参考訳（メタデータ） (2022-10-21T21:59:44Z) - A New Approach for Texture based Script Identification At Block Level
using Quad Tree Decomposition [38.20489458130109]
マルチスクリプトシナリオが一般的であるインドのような国では、事前にスクリプトを特定することが義務付けられます。
公式手書き文字11文字に対する方向エネルギーとエントロピー分布の抽出におけるガボルウェーブレットフィルタの重要性を示す。
論文 参考訳（メタデータ） (2020-09-16T02:50:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。