Naukowcy zaproponowali hybrydowy framework łączący generatywne teorie syntaktyczne z modelem AraBERT do rozwiązywania wieloznaczności składniowej w Modern Standard Arabic. Problem polega na tym, że morfologicznie bogate arabskie konstrukcje nominalne mogą mieć wiele prawidłowych interpretacji strukturalnych - ta sama sekwencja słów może reprezentować różne struktury syntaktyczne, co stanowi wyzwanie dla systemów NLP.
Kluczowa innowacja to reprezentacja wieloznaczności jako zadania opartego na kandydatach, gdzie różne lingwistycznie motywowane alternatywy są jawnie konstruowane i oceniane. Framework wykorzystuje reprezentacje warunkowane kandydatami w AraBERT, tworząc explicytny interfejs między strukturą lingwistyczną a neuronowym modelowaniem kontekstualnym. Podejście to łączy sztywność formalnych reguł syntaktycznych z elastycznością głębokich modeli neuronowych.
Wyniki są imponujące - model osiągnął 96,88% dokładności na zbiorze testowym, 95,92% macro-F1 i 93,94% binary F1. Analiza szczegółowa wykazała asymetryczne wyniki dla różnych typów wieloznaczności: 99,71% recall dla High/VP Attachment versus 89,26% dla bardziej skomplikowanego Low/NP/Embedded Attachment. To sugeruje, że model ma mniej problemu z prostszymi, powierzchniowymi interpretacjami niż z zagnieżdżonymi strukturami. Podejście neuro-symboliczne może stanowić szablon dla innych języków morfologicznie bogatych i problemów lingwistycznych wymagających interpretowności.