Разработка лексикографической системы для слабослышащих учащихся, изучающих бенгальский язык

В данной статье представлены автоматизированные методы и инструменты для лексикографических исследований и разработки словарей бенгальского жестового языка (БЖЯ). Исследование посвящено решению проблемы документирования БЖЯ, жестового языка с ограниченными ресурсами, используемого преимущественно в Бангладеш и бенгалоязычных регионах Индии. Существующие лексикографические методы требуют значительных ручных усилий для фиксации многомерных характеристик жестов, включая форму кисти, местоположение, движение, ориентацию и невербальные маркеры. Предложенная система объединяет извлечение признаков на основе компьютерного зрения, аннотирование с помощью машинного обучения и структурированную базу данных лексических записей. Веб-платформа позволяет лексикографам эффективно собирать, аннотировать и проверять записи жестового языка. Оценка с участием 35 человек, включая экспертов по лексикографии, лингвистов, изучающих БЖЯ, и членов сообщества глухих, показала сокращение времени аннотирования на 67 % при сохранении высокого уровня согласованности между аннотаторами (κ = 0,82). В течение шести месяцев участники задокументировали 1847 жестов бенгальского жестового языка, выявили 127 региональных вариантов и создали 456 словарных записей на разных этапах завершения. Эти записи включали как основные фонологические аннотации, так и записи, прошедшие дополнительную лингвистическую и экспертную проверку, что заложило основу для разработки будущего словаря для изучающих бенгальский язык студентов с нарушениями слуха. Научная новизна заключается в применении автоматизированных методов специально к лексикографии бенгальского жестового языка и создании базовых инструментов для систематической разработки словаря.

1. Ашрафи А., Мохначев В.С. Информационно-теоретическая метрика для автоматического лексикографического отбора в бенгальском жестовом языке. Моделирование, оптимизация и информационные технологии. 2026;14(6). (На англ.). https://doi.org/10.26102/2310-6018/2026.57.6.011

2. Johnston T. Language standardization and signed language dictionaries. Sign Language Studies. 2003;3(4):431–468. https://doi.org/10.1353/sls.2003.0012

3. Mahmood N.T., Jabbar M.S., Abdalrazak M. A Real-Time Hand Gesture Recognition Based on Media-Pipe and Support Vector Machine. In: Advances in Intelligent Computing Techniques and Applications (IRICT 2023): Intelligent Systems, Intelligent Health Informatics, Intelligent Big Data Analytics and Smart Computing: Volume 2, 27–28 December 2023, Johor, Malaysia. Cham: Springer; 2024. P. 263–273. https://doi.org/10.1007/978-3-031-59707-7_23

4. Crasborn O., Zwitserlood I. The Corpus NGT: an online corpus for professionals and laymen. In: Proceedings of the 3rd Workshop on the Representation and Processing of Sign Languages, Marrakesh, Morocco. Paris: ELRA; 2008. P. 44–49.

5. Johnston T. From archive to corpus: Transcription and annotation in the creation of signed language corpora. International Journal of Corpus Linguistics. 2010;15(1):106–131. https://doi.org/10.1075/ijcl.15.1.05joh

6. Nardone M. Introduction to RESTful APIs. In: Secure RESTful APIs: Simple Solutions for Beginners. Berkeley: Apress; 2025. P. 1–13. https://doi.org/10.1007/979-8-8688-1285-9_1

7. Li M., Gao Q., Yu T. Kappa statistic considerations in evaluating inter-rater reliability between two raters: which, when and context matters. BMC Cancer. 2023;23(1):799. https://doi.org/10.1186/s12885-023-11325-z

8. Lakens D. Calculating and reporting effect sizes to facilitate cumulative science: a practical primer for t-tests and ANOVAs. Frontiers in Psychology. 2013;4:863. https://doi.org/10.3389/fpsyg.2013.00863

9. Ashrafi A., Mokhnachev V.S., Chung D.H., Makhmud A., Bacha W. Multilingual Sign Language Dictionary Development for Clinical Use. In: 2025 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE), 08–10 April 2025, Moscow, Russia. IEEE; 2025. https://doi.org/10.1109/REEPE63962.2025.10970922

10. Montgomery D.C., Peck E.A., Vining G.G. Introduction to Linear Regression Analysis. Hoboken: John Wiley & Sons; 2021. 704 p.

11. Finlayson M.A., Erjavec T. Overview of Annotation Creation: Processes and Tools. In: Handbook of Linguistic Annotation. Dordrecht: Springer; 2017. P. 167–191. https://doi.org/10.1007/978-94-024-0881-2_5

12. Kordia A.H., Melo F.S. Compound Movement Recognition Using Dynamic Movement Primitives. In: Progress in Artificial Intelligence: 20th EPIA Conference on Artificial Intelligence (EPIA 2021), 07–09 September 2021, Virtual Event. Cham: Springer; 2021. P. 456–468. https://doi.org/10.1007/978-3-030-86230-5_36

13. Caselli N.K., Sehyr Z.S., Cohen-Goldberg A.M., Emmorey K. ASL-LEX: A lexical database of American Sign Language. Behavior Research Methods. 2017;49(2):784–801. https://doi.org/10.3758/s13428-016-0742-0

14. Johnston T., Schembri A. Australian Sign Language (Auslan): An Introduction to Sign Language Linguistics. New York: Cambridge University Press; 2007. 332 p. https://doi.org/10.1017/CBO9780511607479

15. Hanke Th., König L., Wagner S., Matthes S. DGS Corpus & Dicta-Sign: The Hamburg Studio Setup. In: Corpora and Sign Language Technologies: Proceedings of the 4th Workshop on the Representation and Processing of Sign Languages: 7th International Conference on Language Resources and Evaluation, 17–23 May 2010, Valletta, Malta. ELRA; 2010. P. 106–109.