امکان سنجی بر چسب گذاری ادات سخن متون عربی در لایه نحو؛ قوانین سیستم تشخیص اسم و خبر نواسخ (خانواده«إن»)

متن‌کاوی (Text Mining)، دانش استخراج خودکار الگوهای پنهان از متون حجیم است. یکی از علوم مرتبط با متن‌کاوی، پردازش زبان طبیعی (NLP) نام دارد. از مهم‌ترین ابزارهای پردازش زبان طبیعی نیز می‌توان به برچسب‌گذاری ادات سخن (Part of Speech Tagging) اشاره کرد. برچسب‌گذاری خودکار متن، در هر زبانی در دو حوزه مهم پیگیری می‌شود. اول حوزه ریخت‌شناسی (Morphology) (صرف) و دوم گرامر (نحو). در صرف، (1) کلمات جدای از هم، مستقل از یکدیگر و تنها با توجه به ساخت‌شان مورد بررسی قرار می‌گیرند؛ اما در نحو، (2) جایگاه هر کلمه در کنار سایر کلمات مد نظر قرار می‌گیرد. جایگاه صرف نسبت به مباحث نحوی، جایگاه تقدمی است. در واقع، تا زمانی که ساختار صرفی کلمات در یک متن مشخص نشده باشد، ورود به حوزه نحو کاری بی‌سرانجام می‌نماید. شاید نخستین و اصلی‌ترین کار در دایره نحو، تشخیص جملات و کشف مرز بین آنها است. در کنار این مهم، وظیفه دیگر نحو، شناخت نقش هر کلمه در ساختار کلام است. در واقع، مسیر هدفمند آن است که ابتدا محدوده هر جمله مشخص شده و سپس به کشف نقش هر یک از کلمات داخل آن پرداخته شود. در این بین، گاهی نیز راهی میانه پیدا می‌شود. در زبان عربی برخی ترکیب‌ها خودشان جمله‌سازند؛ به این معنا که اگر نقش‌شان معلوم شود، تا حد زیادی محدوده جمله‌ای که بر پایه این کلمات بنا شده است، مشخص می‌شود. بررسی این دسته از ترکیب‌ها، سرعت پیشرفت کار را دو چندان می‌کند و حتی در برخی موارد تکیه‌گاهی برای تحقیقی دیگر در باب جمله‌یابی 2 می‌شوند. ترکیب «إن» به همراه اسم و خبرش، یکی از این ترکیب‌ها است. این ترکیب که از خانواده نواسخ (3) نامیده می‌شود، یکی از مهم‌ترین و پرکاربردترین استعمالات را دارد؛ به صورتی که اگر قرآن را به عنوان یکی از متون فصیح عربی مد نظر قرار دهیم، واژه «إن» بیش از 834 بار در آن به کار رفته است. این آمار در مورد واژه «کان» (دیگر عضو پرکاربرد از مجموعه نواسخ) 408 مورد است. نکته دیگر اینکه پرداختن به این دسته، نه فقط گره از «إن» و اسم و خبرش باز می‌کند، بلکه با اندک تفاوتی در قوانین می‌توان اسم و خبر حروف شبیه به «إن» (ان، کان، لیت و لعل)، اسم و خبر کان و افعال شبیه به آن (لیس، صار، اصبح، امضی، اضحی، امسی، ظل، بات، مادام، مابال، مابرح، ماانفک، مافتی) و حتی مبتدا و خبر را شناسایی کرد و این، یعنی گامی بزرگ در راه‌اندازی موتور برچسب‌گذار نحوی و غنی‌سازی مراحل متن‌کاوی در لایه نحو.