Towards a Robust Natural Language Understanding: Bridging the Low-Resource Gap in Algerian Dialect through MSA Knowledge Transfer
Loading...
Date
Journal Title
Journal ISSN
Volume Title
Publisher
Setif 1 University - Ferhat ABBAS , Faculty of Sciences
Abstract
Natural Language Processing (NLP) technologies have seen remarkable progress in recent years, unlocking new possibilities across domains such as education, healthcare, and social media. However, this progress remains largely confined to high-resource languages,cleaving low-resource varieties, particularly Arabic dialects like Algerian Arabic underrepresented. These dialects face compounded challenges: lack of standardized orthography, code-switching with French and Modern Standard Arabic (MSA), rich morphological structures, and a persistent scarcity of annotated data. This thesis addresses these limitations by leveraging cross-lingual transfer learning and multitask learning, techniques to bridge the resource divide between MSA and Algerian Arabic. Central to this research is the hypothesis that linguistic proximity between MSA and Algerian Arabic can be systematically exploited to enhance NLP model performance in dialectal tasks. To validate this, a series of experiments was conducted, beginning with evaluations of classical machine learning models and pre-trained transformer architectures, revealing their limitations when applied to unstructured dialectal data. These observations motivated the development of two novel computational frameworks tailored for low-resource scenarios. The first contribution, WASL-DI, is a hybrid dialect identification system that combines contextual embeddings from the CAMeLBERT MSA model with semantic representations derived from FastText. This dual-path architecture captures both deep contextual and subword-level features, making it robust against noise and lexical variation common in informal dialectal content. It achieved a peak accuracy of 99.24% on the dataset used, outperforming benchmark models such as DziriBERT and MDA-BERT. The second major innovation is SILAA-SA, a multitask learning framework for sentiment analysis. It incorporates a Mixture of Experts (MoE) mechanism to dynamically share knowledge between MSA and dialectal inputs. The model uses shared layers for general language understanding and task-specific experts for capturing dialectal nuances, ensuring efficient knowledge transfer without semantic interference. Extensive experiments across multiple dialectal sentiment datasets show that SILAA-SA outperforms traditional singletask models and adapts well to cross-domain tasks such as fake news detection. SILAA-SA achieved 86.81% accuracy on the FASSILA dataset and outperformed existing models across several dialectal benchmarks, including MAC, MYC, TSAC, and ArSarcasm-v2, with strong cross-domain performance on fake news detection tasks as well. Ablation studies further confirmed the effectiveness of architectural components like embedding fusion and MoE design in achieving performance gains. Beyond model accuracy, this work addresses broader concerns in dialectal Natural Language Processing (NLP) by providing reproducible pipelines, annotated datasets, and adaptable architectures to support future research in Arabic and other low-resource languages. Importantly, the research also promotes inclusivity by extending NLP capabilities to communities often excluded from technological advances. By demonstrating how high-resource language assets like MSA can be repurposed for low-resource dialects, the thesis sets forth scalable and practical strategies that address real-world data limitations. In conclusion, this work makes substantial contributions to the field of cross-lingual and multitask learning for dialectal Arabic. It lays a robust foundation for further exploration in areas such as equitable language technology. The outcomes have direct implications for building more inclusive AI systems capable of understanding the diverse linguistic landscape of the Arabic-speaking world.
Description
Les technologies de traitement automatique du langage naturel (TALN) ont connu ces dernières années des avancées remarquables, ouvrant la voie à de nouvelles applications dans des domaines variés tels que l’éducation, la santé ou encore les médias sociaux. Toutefois, ces progrès demeurent principalement centrés sur les langues disposant de ressources abondantes, reléguant les variétés peu dotées, notamment les dialectes arabes comme l’arabe algérien à la marge des innovations linguistiques. Ces dialectes se heurtent à une série d’obstacles: absence d’orthographe normalisée, alternance linguistique fréquente avec le français et l’arabe standard moderne (ASM), complexité morphologique marquée, et rareté persistante des corpus annotés. La présente thèse s’attache à dépasser ces limites en s’appuyant sur des techniques d’apprentissage multitâche et de transfert cross-lingue pour réduire l’écart entre l’ASM et l’arabe algérien. Au cœur de cette recherche réside l’hypothèse que la proximité linguistique entre l’ASM et l’arabe algérien peut être exploitée méthodiquement afin d’améliorer les performances des modèles NLP dans des tâches dialectales. Pour tester cette hypothèse, une série d’expérimentations a été menée, en commençant par une évaluation de modèles classiques d’apprentissage automatique et d’architectures pré-entraînées de type transformeur. Ces premiers tests ont révélé les limites de ces approches lorsqu’elles sont confrontées à des données dialectales non structurées, motivant le développement de deux cadres computationnels innovants, conçus pour les contextes à faibles ressources. Le premier, WASL-DI, est un système hybride d’identification dialectale combinant les représentations contextuelles du modèle CAMeLBERT (ASM) et les vecteurs sémantiques issus de FastText. Cette architecture bi-canal capte à la fois la richesse contextuelle profonde et les motifs morphologiques de surface, renforçant sa robustesse face au bruit lexical et à la variation dialectale. Il a atteint une accuracy de 99.24% sur les données utilisées, surpassant des modèles de référence comme DziriBERT et MDA-BERT. Ce système a obtenu des résultats de pointe sur plusieurs benchmarks, notamment pour les variantes algériennes sous-représentées, et a fait l’objet d’une publication dans une revue à comité de lecture. La deuxième contribution majeure, SILAA-SA, repose sur une architecture multitâche dédiée à l’analyse des sentiments. Elle intègre un mécanisme de type Mixture of Experts permettant une distribution dynamique des connaissances entre l’ASM et les entrées dialectales. Les couches partagées garantissent une compréhension linguistique globale, tandis que les experts spécifiques capturent les nuances dialectales sans provoquer d’interférences sémantiques. Le modèle SILAA-SA a atteint une accuracy de 86.81% sur FASSILA, et a surpassé les modèles existants sur les corpus MAC, MYC, TSAC et ArSarcasm-v2, avec de solides performances en détection des fausses nouvelles dans des contextes inter-domaines. Les expériences menées sur plusieurs corpus dialectaux de sentiments démontrent que SILAA-SA surpasse les modèles classiques monolingues, avec une capacité notable de généralisation à des tâches croisées comme la détection des fausses nouvelles, ces deux systèmes ont été rigoureusement évalués. Les études d’ablation ont souligné l’impact déterminant des composants architecturaux, tels que la fusion des embeddings et le mécanisme Mélange d’experts (MdE). Au-delà de l’aspect technique, cette recherche vise à élargir les possibilités du TALN à des communautés souvent exclues des avancées technologiques. En définitive, cette thèse constitue une contribution significative à l’apprentissage croisé et multitâche pour les dialectes arabes. Elle pose les bases d’une extension des capacités du TALN à d’autres langues à faibles ressources, tout en œuvrant à un traitement linguistique plus équitable dans le monde arabe.
