به‌کارگیری هوش مصنوعی برای تشخیص لحن و سبک نگارش نویسنده

فرض کن داری یه رمان ترجمه می‌کنی و به این جمله می‌رسی:

معنی کلمه‌ها اصلاً سخت نیست:

ولی آیا گوینده واقعاً خوشحاله؟ ممکنه بله. ممکنه هم دقیقاً برعکس، از جلسه‌های پشت‌سرهم کلافه شده باشه و جمله رو با کنایه گفته باشه.

اینجاست که یکی از مهم‌ترین بخش‌های ترجمه خودش رو نشون می‌ده:

فقط اینکه نویسنده چی گفته مهم نیست، اینکه چطور گفته هم مهمه.

و این دقیقاً یکی از جاهاییه که هوش مصنوعی می‌تونه به مترجم کمک کنه، البته اگه بلد باشیم چطور ازش کمک بخوایم.

اول ببینیم اصلاً چرا لحن و سبک مهمه

دو نفر ممکنه دقیقاً یه منظور داشته باشن، ولی اون رو دو جور کاملاً متفاوت بیان کنن:

لطفاً در رو ببندید.
و:
می‌شه در رو ببندی؟
و:
در رو می‌بندی، لطفاً؟
و حتی:
انگار یه کم سرده اینجا!

ممکنه در یک موقعیت مشخص، هدف همهٔ این جمله‌ها یکی باشه: بسته شدن در. ولی لحن، میزان صمیمیت، مستقیم یا غیرمستقیم بودن و رابطهٔ گوینده با مخاطب توی اون‌ها یکی نیست.

اگه توی ترجمه فقط «معنی» رو منتقل کنیم و این ویژگی‌ها رو نادیده بگیریم، ممکنه اطلاعات اصلی جمله منتقل بشه ولی بخشی از شخصیت متن از بین بره. این موضوع توی ادبیات حتی مهم‌تر هم می‌شه. نحوهٔ حرف زدن یه شخصیت می‌تونه دربارهٔ سن، موقعیت اجتماعی، رابطه‌اش با بقیهٔ شخصیت‌ها، احساساتش یا حتی تغییراتش در طول داستان به ما سرنخ بده.

Tone، Style، Voice و Register چه فرقی دارن؟

قبل از اینکه متن رو به AI بدیم، بهتره خودمون بدونیم دقیقاً دنبال چی هستیم. این چهار تا اصطلاح به هم نزدیکن، ولی دقیقاً یکی نیستن.

Tone | لحن

لحن رو می‌تونیم خیلی ساده حال‌وهوای گوینده نسبت به چیزی که درباره‌ش حرف می‌زنه یا مخاطبش در نظر بگیریم.

مثلاً: صمیمی، جدی، طعنه‌آمیز، عصبانی، شوخ، سرد، هیجان‌زده یا محترمانه.

مثلاً:

ممکنه واقعاً تحسین باشه:

ولی توی یه موقعیت دیگه، همین جمله می‌تونه کاملاً طعنه‌آمیز باشه:

پس برای تشخیص لحن، خود جمله همیشه کافی نیست.

Style | سبک

سبک بیشتر به شیوهٔ نوشتن مربوطه.

نویسنده جمله‌های کوتاه می‌نویسه یا بلند؟
توضیحاتش زیاده یا مختصره؟
از کلمه‌های ساده استفاده می‌کنه یا پیچیده؟
استعاره زیاد داره؟
جمله‌هاش مستقیمه یا پرپیچ‌وخم؟

حتی چیزهایی مثل ساختار جمله، انتخاب واژه و بعضی الگوهای دستوری می‌تونن بخشی از سبک نوشتن باشن. پژوهش‌های زبان‌شناسی رایانشی هم نشون داده‌ن که برای بررسی سبک باید به مجموعه‌ای از ویژگی‌های زبانی نگاه کرد، نه فقط چند کلمهٔ خاص.

Voice | صدای نویسنده

صدای نویسنده یه مقدار انتزاعی‌تره. می‌شه گفت مجموعه‌ای از انتخاب‌های زبانیه که باعث می‌شه احساس کنیم «این متن صدای این نویسنده یا شخصیت رو داره.»

مثلاً ممکنه راوی یه رمان معمولاً:

کوتاه و خشک حرف بزنه،
خیلی بدبین باشه،
همه‌چیز رو با نگاه طنز ببینه
یا دائم با خواننده حرف بزنه.

یه جمله به‌تنهایی ممکنه برای تشخیص این Voice کافی نباشه. معمولاً هرچی نمونهٔ بیشتری از نوشته داشته باشیم، تحلیلمون قابل‌اتکاتر می‌شه. حتی برای سیستم‌های کامپیوتری هم جدا کردن «سبک نویسنده» از «موضوعی که درباره‌ش نوشته» مسئلهٔ ساده‌ای نیست. ممکنه سیستم فکر کنه ویژگی مربوط به سبک نویسنده‌ست، درحالی‌که در واقع به موضوع متن مربوط بوده.

Register | سطح یا گونهٔ زبانی

گونهٔ زبانی بیشتر به این مربوطه که زبان متناسب با چه موقعیت و مخاطبی انتخاب شده. مثلاً نحوهٔ نوشتن یه مقالهٔ دانشگاهی با پیام به یک دوست فرق داره:

با:

هر دو تقریباً یه درخواست دارن، ولی سطح رسمی بودنشون متفاوته. برای مترجم مهمه که این تفاوت توی ترجمه هم تا حد ممکن حفظ بشه.

از کجا بفهمیم لحن و سبک متن چیه؟

قبل از اینکه از AI بپرسیم، خودمون هم می‌تونیم دنبال چند نشونه بگردیم. مثلاً:

انتخاب کلمه‌ها: ساده‌ان یا رسمی و تخصصی؟

ساختار جمله‌ها: کوتاه و ضربه‌ای‌ان یا بلند و پیچیده؟

ریتم متن: تند پیش می‌ره یا آروم و توصیفیه؟

نشانه‌گذاری: مثلاً نویسنده زیاد از علامت تعجب، سه‌نقطه یا جمله‌های نیمه‌تمام استفاده می‌کنه؟

میزان رسمی بودن: «نمی‌دونم» نوشته یا «نمی‌دانم»؟

طنز و کنایه: آیا چیزی که جمله ظاهراً می‌گه با چیزی که احتمالاً منظورشه فرق داره؟

و البته مهم‌تر از همه:

بافت.

چه کسی داره حرف می‌زنه؟
با چه کسی؟
چه اتفاقی قبلش افتاده؟
رابطهٔ این دو نفر چیه؟

این آخری مخصوصاً برای طنز و کنایه خیلی مهمه. پژوهش‌ها هم نشون داده‌ن که وجود بافت می‌تونه در تشخیص sarcasm هم برای انسان و هم برای مدل‌های زبانی مهم باشه.

حالا AI دقیقاً چه کمکی می‌کنه؟

ساده‌ترین کار اینه که متن رو به AI بدیم و بپرسیم: لحن این متن چیه؟

ولی این سؤال یه مشکل داره. ممکنه AI خیلی مطمئن جواب بده:

«لحن متن رسمی و انتقادی است.»

خب... چرا؟ ما دنبال برچسب نیستیم. دنبال تحلیل هستیم.

بهتره از AI بخوایم نشون بده چه چیزی در خود متن باعث شده به این نتیجه برسه.

مثلاً:

لحن این متن رو تحلیل کن. فقط اسم لحن رو نگو؛ عبارت‌ها و ویژگی‌های زبانی مشخصی از خود متن رو که باعث این برداشت شدن هم نشون بده. اگه چند برداشت ممکنه، اون‌ها رو هم بگو.

حالا AI مجبور می‌شه حداقل تحلیلش رو به شواهد موجود در متن وصل کنه.

یه روش بهتر: متن رو مرحله‌به‌مرحله تحلیل کنیم

به‌جای یک سؤال کلی، می‌تونیم تحلیل رو به چند بخش تقسیم کنیم.

۱. اول Context رو بده

اگه فقط یه جمله رو جدا کنیم، ممکنه نتیجه کاملاً عوض بشه. مثلاً:

می‌تونه این معنی رو بده:

یا بعد از اینکه کسی همه‌چیز رو خراب کرده:

پس اگه با داستان، دیالوگ یا متن طولانی مواجهی، فقط جملهٔ موردنظر رو نفرست. چند جملهٔ قبل و بعدش رو هم بده.

۲. لحن رو بررسی کن

از AI بخواه مشخص کنه: گوینده چه نگرشی نسبت به موضوع یا مخاطب داره؟

بعد ازش شاهد بخواه.

۳. گونهٔ زبانی رو بررسی کن

بپرس: زبان رسمی، نیمه‌رسمی یا محاوره‌ایه؟ چه ویژگی‌هایی از متن این رو نشون می‌ده؟

این سؤال می‌تونه موقع انتخاب فارسی مناسب خیلی کمک‌کننده باشه.

۴. سبک رو بررسی کن

حالا می‌تونیم بپرسیم: جمله‌ها چه ساختاری دارن؟ انتخاب واژه‌ها چطوره؟ متن مختصره یا توصیفی؟ ریتمش چطوره؟ چه ویژگی‌هایی مرتب تکرار می‌شن؟

نکتهٔ مهم اینه که برای بررسی سبک نویسنده بهتره چند نمونه از متن داشته باشیم، نه فقط یه پاراگراف.

پژوهش در زمینهٔ stylometry و مدل‌سازی سبک هم دقیقاً به همین مسئله می‌پردازه و حتی از LLMها برای استخراج ویژگی‌های قابل‌تفسیر سبک استفاده شده.

۵. در آخر از AI بخواه میزان اطمینانش رو مشخص کنه

مثلاً: اگر دربارهٔ بخشی از تحلیل مطمئن نیستی یا برداشت دیگه‌ای هم ممکنه، مشخصش کن.

این جمله ساده خیلی مهمه. ما نمی‌خوایم AI هر ابهامی رو به زور تبدیل به یک جواب قطعی کنه.

یک پرامپت آماده برای مترجم

اگه بخوای همهٔ این مراحل رو یک‌جا انجام بدی، می‌تونی از چیزی شبیه این استفاده کنی:

متن زیر رو از نظر لحن و سبک بررسی کن. Tone، Register و ویژگی‌های سبکی متن رو جداگانه تحلیل کن. برای هر نتیجه، از خود متن شاهد مشخص بیار و توضیح بده کدوم ویژگی زبانی باعث این برداشت شده. اگه کنایه، طنز یا معنای غیرمستقیمی می‌بینی، اون رو هم بررسی کن. اگه برای نتیجه‌گیری Context کافی نداری یا چند برداشت ممکنه، صریحاً بگو. فعلاً متن رو بازنویسی یا ترجمه نکن.

بعد متن رو زیرش قرار بده. این «فعلاً ترجمه نکن» اتفاقاً خیلی مهمه.

چرا تحلیل و بازنویسی رو بهتره از هم جدا کنیم؟

فرض کن به AI می‌گی:

این متن رو تحلیل کن و بعد با همین لحن ترجمه کن.

ممکنه مدل خیلی سریع از مرحلهٔ تحلیل رد بشه و مستقیماً یک ترجمه تولید کنه. ولی هدف ما فعلاً ترجمه نیست. می‌خوایم اول بفهمیم: چه ویژگی‌هایی باید در ترجمه حفظ بشن؟

مثلاً تحلیل ممکنه به ما بگه:

• جمله‌ها کوتاه و بریده‌ان؛
• راوی لحن خشکی داره؛
• طنزش مستقیم نیست؛
• واژگانش ساده‌ان؛
• احساساتش رو صریح بیان نمی‌کنه.

حالا این‌ها تبدیل می‌شن به اطلاعاتی که موقع ترجمه می‌تونیم ازشون استفاده کنیم.

خب، تحلیل AI رو چطور وارد ترجمه کنیم؟

برگردیم به مثال اول:

فرض کنیم AI با توجه به چند جملهٔ قبل تشخیص داده که شخصیت از جلسات پشت‌سرهم کلافه شده و این جمله رو با طعنه می‌گه. حالا مترجم می‌دونه که ترجمهٔ خیلی خنثی:

ممکنه معنای ضمنی جمله رو خوب منتقل نکنه. بسته به شخصیت و سبک کلی ترجمه، شاید چیزی مثل این مناسب‌تر باشه:

ولی دقت کن: هوش مصنوعی نباید به‌تنهایی تصمیم بگیره که این ترجمهٔ درستیه. اگه شخصیت در تمام رمان خیلی رسمی حرف می‌زنه، «همین رو کم داشتم» شاید اصلاً به Voice اون شخصیت نخوره.

پس تحلیل AI فقط یک دادهٔ دیگه در اختیار مترجمه. تصمیم هنوز باید با کل متن هماهنگ باشه.

یه ترفند بهتر: از AI بخواه گزینه‌ها رو مقایسه کنه

گاهی خودت دو یا سه ترجمه داری و نمی‌دونی کدوم بهتر لحن متن رو منتقل کرده. مثلاً:

الف) دقیقاً همینو کم داشتم!
ب) دقیقاً به همین نیاز داشتم.
پ) چه عالی. یک جلسهٔ دیگه هم اضافه شد.

به‌جای اینکه بپرسی:

کدوم بهتره؟

بپرس: این سه ترجمه رو از نظر میزان رسمی بودن، کنایه، شدت احساس و شباهت به لحن متن اصلی مقایسه کن. مزیت و ایراد هرکدوم رو توضیح بده و برای نتیجه‌گیری از متن اصلی شاهد بیار.

این نوع سؤال معمولاً برای مترجم مفیدتره، چون به‌جای اینکه تصمیم رو به AI واگذار کنه، اطلاعات بیشتری برای تصمیم گرفتن بهش می‌ده.

کِی باید بیشتر به تحلیل AI شک کنیم؟

اینجا بخش مهم ماجراست.

هوش مصنوعی توی تحلیل زبان توانایی‌های قابل‌توجهی داره، ولی «سبک» چیز ساده‌ای نیست. پژوهش‌ها نشون داده‌ن که حتی سیستم‌های مخصوص تحلیل سبک هم ممکنه موضوع متن رو با سبک نویسنده قاطی کنن. پژوهش‌های جدیدتر هم همچنان جدا کردن محتوای متن از سبک نویسنده رو یه مسئلهٔ جدی می‌دونن.

مدل‌های زبانی هم همهٔ سبک‌ها رو به یه اندازه خوب تشخیص نمی‌دن. پژوهش‌هایی روی درک سبک زبانی نشون داده‌ن که مدل‌های عمومی توی بعضی سبک‌ها بدون آموزش یا تنظیم بیشتر مشکل دارن.

به‌خصوص در این موارد محتاط‌تر باش:

کنایه و Sarcasm چون معنی واقعی ممکنه خلاف ظاهر جمله باشه.

شوخی و بازی زبانی چون بخشی از شوخی ممکنه وابسته به فرهنگ، صدا یا چندمعنایی بودن کلمه باشه.

متن خیلی کوتاه چون Context کافی نداریم.

شخصیت‌های داستانی چون Voice شخصیت معمولاً در طول متن ساخته می‌شه، نه در یک جمله.

ارجاعات فرهنگی چون ممکنه بدون شناخت زمینه، برداشت اشتباهی شکل بگیره.

متنی که عمداً مبهمه گاهی نویسنده خودش نمی‌خواد فقط یه برداشت ممکن باشه.

حتی پژوهش‌های جدید دربارهٔ sarcasm نشون می‌دن عملکرد بالای مدل روی داده‌های مصنوعی لزوماً به معنای عملکرد مشابه روی زبان واقعی انسان‌ها نیست.

پس جواب AI رو چطور بررسی کنیم؟

یه قانون ساده داشته باش: از AI فقط نتیجه نخواه، بلکه شاهد بخواه.

اگه می‌گه:

«لحن نویسنده تحقیرآمیزه.»

بپرس: کدوم کلمه، عبارت یا ساختار این برداشت رو ایجاد کرده؟

بعد خودت به متن برگرد. آیا واقعاً اون شاهد وجود داره؟ آیا برداشت دیگه‌ای هم ممکنه؟ آیا جمله‌های قبل و بعد این تحلیل رو تأیید می‌کنن؟

اگه جواب AI بدون متن اصلی هم خیلی قانع‌کننده به نظر می‌رسه، این دلیل نمی‌شه که حتماً درسته.

چک‌لیست سریع قبل از اعتماد به تحلیل AI

قبل از اینکه تحلیل AI رو وارد ترجمه‌ت کنی، این پنج سؤال رو از خودت بپرس:

۱. بافت کافی بهش دادم؟
۲. برای نتیجه‌ای که گرفته از خود متن شاهد آورده؟
۳. شاهدها واقعاً نتیجه‌اش رو تأیید می‌کنن؟
۴. برداشت دیگه‌ای از جمله ممکنه؟
۵. این تحلیل با لحن و سبک بقیهٔ متن هم سازگاره؟

اگه جواب این سؤال‌ها روشن نیست، تحلیل AI رو به چشم فرضیه ببین، نه جواب نهایی.

حرف آخر

هوش مصنوعی می‌تونه برای مترجم چیزی بیشتر از یه ماشین ترجمه باشه.

می‌تونه کمک کنه چیزهایی رو در متن ببینیم که ارزش بررسی بیشتری دارن، از انتخاب واژه و ساختار جمله گرفته تا تغییر لحن، میزان رسمی بودن و نشونه‌های احتمالی کنایه.

ولی بهترین استفاده ازش این نیست که بپرسیم:

«لحن این متن چیه؟» و اولین جواب رو قبول کنیم.

استفادهٔ بهتر اینه که بپرسیم:

«فکر می‌کنی لحن این متن چیه؟ چرا؟ شواهدت کجاست؟ چه برداشت دیگه‌ای ممکنه؟»

در این حالت AI به‌جای اینکه جای مترجم تصمیم بگیره، تبدیل می‌شه به ابزاری برای دقیق‌تر فکر کردن دربارهٔ متن.

و در نهایت، باز هم:

هوش مصنوعی فقط پیشنهاد و تحلیل می‌ده، ولی مترجم اونیه که بررسی می‌کنه و تصمیم می‌گیره.

از خواندن لحن تا بازبینی متن کتاب

شناخت لحن نویسنده به تصمیم مترجم کمک می‌کند، اما خودِ ترجمه و بازبینی باید در متن انجام شود. اگر می‌خواهید ببینید چگونه می‌شود متن مبدأ، پیش‌نویس فارسی و یادداشت‌های بازبینی را در یک پروژه کنار هم نگه داشت، راهنمای شروع کار با واژه‌چین مراحل ورود فایل تا بازبینی را نشان می‌دهد. این پیوند به معنی اجرای تحلیل لحن با AI در واژه‌چین نیست.

برای نمونه‌های عملیِ سنجیدن لحن و معنا در یک بند، راهنمای بازبینی پیشنهاد دستیار در ترجمهٔ کتاب را بخوانید؛ مثال‌های آن آموزشی‌اند و خروجی ثبت‌شدهٔ محصول نیستند.

منابع

1. Wang, A., Aggazzotti, C., Kotula, R., Rivera Soto, R., Bishop, M., & Andrews, N. (2023). Can Authorship Representation Learning Capture Stylistic Features? Transactions of the Association for Computational Linguistics, 11, 1416–1431.

2. Patel, A., Rao, D., Kothary, A., McKeown, K., & Callison-Burch, C. (2023). Learning Interpretable Style Embeddings via Prompting LLMs. Findings of EMNLP 2023, 15270–15290.

3. Guo, R., Xu, W., & Ritter, A. (2024). Meta-Tuning LLMs to Leverage Lexical Knowledge for Generalizable Language Style Understanding. ACL 2024, 13708–13731.

4. Jang, H., Jakob, M., & Frassinelli, D. (2024). Context vs. Human Disagreement in Sarcasm Detection. Proceedings of FigLang 2024.

برای مطالعهٔ بیشتر

5. Sundararajan, K., & Woodard, D. (2018). What Represents “Style” in Authorship Attribution? COLING 2018, 2814–2822.

6. John, V., Mou, L., Bahuleyan, H., & Vechtomova, O. (2019). Disentangled Representation Learning for Non-Parallel Text Style Transfer. ACL 2019, 424–434.

7. Fisher, J., Hallinan, S., Lu, X., Gordon, M. L., Harchaoui, Z., & Choi, Y. (2024). StyleRemix: Interpretable Authorship Obfuscation via Distillation and Perturbation of Style Elements. EMNLP 2024, 4172–4206.

8. Man, H., Pham, V.-C., Ngo, N. T., Dernoncourt, F., & Nguyen, T. H. (2026). Explainable Disentangled Representation Learning for Generalizable Authorship Attribution in the Era of Generative AI. ACL 2026, 43592–43604.