التعلم القائم على الأخطاء

في التعلم المعزز ، يُعدّ التعلم القائم على الخطأ أسلوبًا لضبط معلمات النموذج ( الوكيل الذكي ) بناءً على الفرق بين نتائجه والحقيقة الأساسية . تتميز هذه النماذج باعتمادها على التغذية الراجعة البيئية، بدلًا من التصنيفات أو الفئات الصريحة. ^[¹^] وهي تستند إلى فكرة أن اكتساب اللغة يتضمن تقليل خطأ التنبؤ (MPSE). ^[²^] ومن خلال الاستفادة من أخطاء التنبؤ هذه، تُحسّن النماذج التوقعات باستمرار وتُقلّل التعقيد الحسابي. عادةً ما تُشغّل هذه الخوارزميات بواسطة خوارزمية GeneRec. ^[³^]

يُستخدم التعلم القائم على الأخطاء على نطاق واسع في العلوم المعرفية ورؤية ^{الحاسوب}^.^كما حققت هذه الأساليب نجاحًا في معالجة اللغات الطبيعية ^،^بما^في ذلك مجالات مثل ^تصنيف أجزاء الكلام ، ^{والتحليل}^النحوي ، والتعرف ^على الكيانات ^{المسماة}^، والترجمة ^الآلية ، ^{والتعرف} على الكلام ^،^وأنظمة^الحوار^.

التعريف الرسمي

تعتمد نماذج التعلم القائمة على الأخطاء على ردود فعل أخطاء التنبؤ لتعديل توقعات النموذج أو معاييره. وتشمل المكونات الرئيسية للتعلم القائم على الأخطاء ما يلي:

مجموعة $S$ من الحالات التي تمثل المواقف المختلفة التي يمكن أن يواجهها المتعلم.
مجموعة $A$ الإجراءات التي يمكن للمتعلم اتخاذها في كل حالة.
دالة التنبؤ $P(s,a)$ وهذا يعطي التوقع الحالي للمتعلم لنتيجة اتخاذ الإجراء $a$ في الولاية $s$ .
دالة الخطأ $E(o,p)$ ذلك يقارن النتيجة الفعلية $o$ مع التوقع $p$ وينتج قيمة خطأ.
قاعدة التحديث $U(p,e)$ وهذا يُعدّل التنبؤ $p$ في ضوء الخطأ $e$ [ ²^]

الخوارزميات

تشير خوارزميات التعلم القائمة على الخطأ إلى فئة من خوارزميات التعلم المعزز التي تستغل التباين بين المخرجات الفعلية والمخرجات المتوقعة للنظام لضبط معاييره. تُستخدم هذه الخوارزميات عادةً في التعلم الخاضع للإشراف، حيث تُزود بمجموعة من أزواج المدخلات والمخرجات لتسهيل عملية التعميم. ^{[ 2 ]}

تُعرف خوارزمية التعلم القائمة على انتشار الخطأ العكسي، والتي تُستخدم على نطاق واسع، باسم GeneRec ، وهي خوارزمية إعادة تدوير معممة تُستخدم بشكل أساسي للتنبؤ بالجينات في تسلسلات الحمض النووي . وقد اشتُقت العديد من خوارزميات التعلم الأخرى القائمة على الخطأ من إصدارات بديلة من GeneRec. ^{[ 3 ]}

التطبيقات

العلوم المعرفية

تُجسّد نماذج التعلّم القائمة على الأخطاء، وهي نماذج أبسط ، الظواهر المعرفية البشرية المعقدة بفعالية ، وتتنبأ بالسلوكيات المراوغة. فهي توفر آلية مرنة لنمذجة عملية التعلّم في الدماغ، والتي تشمل الإدراك والانتباه والذاكرة واتخاذ القرارات . وباستخدام الأخطاء كإشارات توجيهية، تتكيف هذه الخوارزميات ببراعة مع متطلبات البيئة المتغيرة وأهدافها، وتلتقط الانتظامات والبنية الإحصائية. ^[²^]

علاوة على ذلك، أدى علم الإدراك إلى ابتكار خوارزميات تعلم جديدة قائمة على الخطأ، تتسم بالقبول البيولوجي والكفاءة الحسابية . تتبع هذه الخوارزميات، بما فيها شبكات الاعتقاد العميق ، والشبكات العصبية النبضية ، والحوسبة الخزنية ، مبادئ وقيود الدماغ والجهاز العصبي. هدفها الأساسي هو رصد الخصائص والديناميكيات الناشئة للدوائر والأنظمة العصبية . ^{[ 2 ]}^{[ 8 ]}

رؤية الحاسوب

تُعدّ رؤية الحاسوب مهمة معقدة تتضمن فهم وتفسير البيانات المرئية، مثل الصور أو مقاطع الفيديو. ^{[ 9 ]}

في سياق التعلم القائم على الأخطاء، يتعلم نموذج رؤية الحاسوب من الأخطاء التي يرتكبها أثناء عملية التفسير. فعند مواجهة خطأ ما، يقوم النموذج بتحديث معاييره الداخلية لتجنب تكرار الخطأ نفسه في المستقبل. وتساعد هذه العملية المتكررة للتعلم من الأخطاء على تحسين أداء النموذج بمرور الوقت. ^{[ 9 ]}

لكي تُحقق معالجة اللغة الطبيعية أداءً جيدًا في مجال رؤية الحاسوب، فإنها تستخدم تقنيات التعلم العميق. يُطلق على هذا النوع من رؤية الحاسوب أحيانًا اسم رؤية الحاسوب العصبية (NCV)، نظرًا لاستخدامه الشبكات العصبية. ولذلك، تُفسر رؤية الحاسوب العصبية البيانات المرئية بناءً على منهج إحصائي قائم على التجربة والخطأ، ويمكنها التعامل مع السياق ودقائق البيانات المرئية الأخرى. ^{[ 9 ]}

معالجة اللغة الطبيعية

تحديد أجزاء الكلام

يُعدّ تصنيف أجزاء الكلام (POS) عنصرًا أساسيًا في معالجة اللغات الطبيعية (NLP). فهو يُساعد على حلّ غموض اللغة البشرية على مستويات تحليلية مختلفة. إضافةً إلى ذلك، يُمكن استخدام مُخرجاته (البيانات المُصنّفة) في تطبيقات مُتنوّعة لمعالجة اللغات الطبيعية، مثل استخراج المعلومات ، واسترجاعها ، والإجابة على الأسئلة ، والتعرّف على الكلام ، وتحويل النص إلى كلام، والتحليل الجزئي، وتصحيح القواعد. ^{[ 4 ]}

التحليل

تتضمن عملية التحليل في معالجة اللغة الطبيعية تقسيم النص إلى أجزاء أصغر ( عبارات ) بناءً على قواعد النحو. إذا تعذر تحليل جملة ما، فقد تحتوي على أخطاء نحوية.

في سياق التعلم القائم على الأخطاء، يتعلم المحلل اللغوي من الأخطاء التي يرتكبها أثناء عملية التحليل. فعند مواجهة خطأ ما، يقوم المحلل بتحديث نموذجه الداخلي لتجنب تكرار الخطأ نفسه في المستقبل. وتساعد هذه العملية التكرارية للتعلم من الأخطاء على تحسين أداء المحلل اللغوي بمرور الوقت. ^{[ 4 ]}

في الختام، يلعب التعلم القائم على الخطأ دورًا حاسمًا في تحسين دقة وكفاءة محللات معالجة اللغة الطبيعية من خلال السماح لها بالتعلم من أخطائها وتكييف نماذجها الداخلية وفقًا لذلك.

التعرف على الكيانات المسماة (NER)

تُعنى تقنية التعرف على الكيانات المسماة (NER) بتحديد وتصنيف الكيانات (مثل الأشخاص، والمواقع، والمنظمات، وما إلى ذلك) في النص. ويمكن للتعلم القائم على الأخطاء أن يساعد النموذج على التعلم من نتائجه الإيجابية والسلبية الخاطئة، وتحسين دقته واستدعائه في مجال التعرف على الكيانات المسماة. ^{[ 5 ]}

في سياق التعلم القائم على الأخطاء، تبرز أهمية التعرف على الكيانات المسماة (NER) بشكلٍ كبير. إذ تُحدد طرق تصنيف التسلسلات التقليدية الكيانات المتداخلة طبقةً تلو الأخرى. وإذا حدث خطأ في التعرف على كيان داخلي ، فقد يؤدي ذلك إلى تحديد خاطئ للكيان الخارجي، مما يُسبب مشكلة تُعرف باسم انتشار الخطأ في الكيانات المتداخلة. ^{[ 10 ]}^{[ 11 ]}

هنا يبرز دور التعرف على الكيانات المسماة (NER) في التعلم القائم على الأخطاء. فمن خلال التعرف على الكيانات وتصنيفها بدقة، يُمكنه المساعدة في تقليل هذه الأخطاء وتحسين دقة عملية التعلم بشكل عام. علاوة على ذلك، أثبتت طرق التعرف على الكيانات المسماة القائمة على التعلم العميق أنها أكثر دقة لقدرتها على تجميع الكلمات، مما يُتيح لها فهم العلاقة الدلالية والنحوية بين الكلمات المختلفة بشكل أفضل. ^{[ 10 ]}^{[ 11 ]}

الترجمة الآلية

تُعدّ الترجمة الآلية مهمة معقدة تتضمن تحويل النصوص من لغة إلى أخرى. ^{[ 6 ]} وفي سياق التعلّم القائم على الأخطاء، يتعلم نموذج الترجمة الآلية من الأخطاء التي يرتكبها أثناء عملية الترجمة. فعند مواجهة خطأ ما، يُحدّث النموذج معاييره الداخلية لتجنب تكرار الخطأ نفسه في المستقبل. وتُسهم هذه العملية التكرارية للتعلم من الأخطاء في تحسين أداء النموذج بمرور الوقت. ^{[ 12 ]}

التعرف على الكلام

يُعدّ التعرّف على الكلام مهمة معقدة تتضمن تحويل اللغة المنطوقة إلى نص مكتوب. وفي سياق التعلّم القائم على الأخطاء، يتعلم نموذج التعرّف على الكلام من الأخطاء التي يرتكبها أثناء عملية التعرّف. فعند مواجهة خطأ ما، يُحدّث النموذج معاييره الداخلية لتجنّب تكرار الخطأ نفسه في المستقبل. تُسهم هذه العملية التكرارية للتعلّم من الأخطاء في تحسين أداء النموذج بمرور الوقت. ^{[ 13 ]}

أنظمة الحوار

تُعدّ أنظمة الحوار من مهام معالجة اللغة الطبيعية الشائعة لما لها من تطبيقات عملية واعدة. إلا أنها تُعتبر أيضاً مهاماً معقدة نظراً لتداخلها مع العديد من مهام معالجة اللغة الطبيعية الأخرى التي تستحق الدراسة.

في سياق التعلم القائم على الأخطاء، يتعلم نظام الحوار من الأخطاء التي يرتكبها أثناء عملية الحوار. فعند مواجهة خطأ ما، يقوم النموذج بتحديث معاييره الداخلية لتجنب تكرار الخطأ نفسه في المستقبل. وتساعد هذه العملية التكرارية للتعلم من الأخطاء على تحسين أداء النموذج بمرور الوقت. ^{[ 7 ]}

المزايا

يتميز التعلم القائم على الأخطاء بعدة مزايا مقارنة بأنواع أخرى من خوارزميات التعلم الآلي:

بإمكانهم التعلم من الملاحظات وتصحيح أخطائهم، مما يجعلهم قادرين على التكيف والصمود أمام الضوضاء والتغيرات في البيانات.
بإمكانها التعامل مع مجموعات البيانات الكبيرة وعالية الأبعاد ، لأنها لا تتطلب هندسة ميزات صريحة أو معرفة مسبقة بتوزيع البيانات.
يمكنها تحقيق دقة وأداء عاليين، حيث يمكنها تعلم العلاقات المعقدة وغير الخطية بين المدخلات والمخرجات. ^{[ 2 ]}

القيود

على الرغم من أن التعلم القائم على الأخطاء له مزاياه، إلا أن خوارزمياته تعاني أيضاً من القيود التالية:

قد تعاني هذه النماذج من مشكلة التخصيص الزائد ، ما يعني أنها تحفظ بيانات التدريب وتفشل في التعميم على بيانات جديدة وغير مرئية. ويمكن التخفيف من هذه المشكلة باستخدام تقنيات التنظيم ، مثل إضافة حد جزائي إلى دالة الخسارة ، أو تقليل تعقيد النموذج. ^{[ 14 ]}
قد تتأثر هذه الطرق باختيار دالة الخطأ ، ومعدل التعلم ، وتهيئة الأوزان، وغيرها من المعاملات الفائقة ، مما قد يؤثر على تقارب الحل وجودته. وهذا يتطلب ضبطًا دقيقًا وتجربةً، أو استخدام طرق تكيفية تُعدّل المعاملات الفائقة تلقائيًا.
قد تكون هذه العمليات مكلفة حسابيًا وتستغرق وقتًا طويلاً، خاصةً بالنسبة للنماذج غير الخطية والعميقة، لأنها تتطلب تكرارات وحسابات متعددة لتحديث أوزان النظام. ويمكن التخفيف من ذلك باستخدام الحوسبة المتوازية والموزعة ، أو باستخدام أجهزة متخصصة مثل وحدات معالجة الرسومات (GPUs) أو وحدات معالجة الموتر (TPUs). ^{[ 2 ]}

انظر أيضاً

الترميز التنبؤي

مراجع

↑ صدري، رامين؛ براس، أيكو (19 يونيو 2009). قابلية التوسع للشبكات والخدمات: المؤتمر الدولي الثالث حول البنية التحتية المستقلة والإدارة والأمن، AIMS 2009، إنسخيده، هولندا، 30 يونيو - 2 يوليو 2009، وقائع المؤتمر . سبرينغر. ISBN 978-3-642-02627-0.
1 2 3 4 5 6 7 هوب، دوروثي ب.؛ هندريكس، بيترا؛ رامسكار، مايكل؛ فان راي، جاكولين (2022-10-01). " استكشاف التعلم القائم على الخطأ في الشبكات البسيطة ذات الطبقتين من منظور التعلم التمييزي" . أساليب البحث السلوكي . 54 (5): 2221-2251 . doi : 10.3758/s13428-021-01711-5 . ISSN 1554-3528 . PMC 9579095. PMID 35032022 .
1 2 أورايلي، راندال سي. (1996-07-01). "التعلم القائم على الخطأ ذو المعقولية البيولوجية باستخدام اختلافات التنشيط المحلية: خوارزمية إعادة التدوير المعممة". الحوسبة العصبية . 8 (5): 895-938 . doi : 10.1162/neco.1996.8.5.895 . ISSN 0899-7667 .
1 2 3 4 5 محمد، سيف، وتيد بيدرسن. " دمج السمات المعجمية والنحوية لإزالة الغموض عن معاني الكلمات تحت الإشراف ". وقائع المؤتمر الثامن حول التعلم الحاسوبي للغة الطبيعية (CoNLL-2004) في HLT-NAACL 2004. 2004. APA
1 2 فلوريان، رادو، وآخرون. " التعرف على الكيانات المسماة من خلال دمج المصنفات ". وقائع المؤتمر السابع حول تعلم اللغة الطبيعية في HLT-NAACL 2003. 2003.
1 2 روزوفسكايا، آلا، ودان روث. " تصحيح الأخطاء النحوية: الترجمة الآلية والمصنفات " . وقائع الاجتماع السنوي الرابع والخمسين لجمعية اللغويات الحاسوبية (المجلد 1: الأوراق الطويلة) . 2016.
1 2 يوسف، الياس؛ كلاسيناس، يوانيس؛ وأثاناسوبولو، جورجيا؛ بالوجيانيدي، إليسافيت؛ جورجيلاداكيس، سبيروس؛ لوكا، كاترينا؛ بوتاميانوس ، الكسندروس (2018-01-01). "فهم الكلام لأنظمة الحوار المنطوق: من حصاد النصوص إلى تحريض القواعد النحوية" . الكمبيوتر الكلام واللغة . 47 : 272-297 . دوى : 10.1016/j.csl.2017.08.002 . ISSN 0885-2308 .
↑ بينجيو، ي. (2009). تعلم البنى العميقة للذكاء الاصطناعي. أسس واتجاهات في تعلم الآلة، 2(1)، 1-127
1 2 3 فولوديموس، أثاناسيوس؛ دولاميس، نيكولاوس؛ دولاميس، أناستاسيوس؛ بروتوباباداكيس، إفتيشيوس (2018-02-01). "التعلم العميق لرؤية الحاسوب: مراجعة موجزة" . الذكاء الحسابي وعلم الأعصاب . 2018 e7068349. doi : 10.1155/2018/7068349 . ISSN 1687-5265 . PMC 5816885. PMID 29487619 .
1 2 تشانغ، هاو-شوان؛ فيمبو، شانكار؛ موهان، سونيل؛ أوبال، ريا؛ ماكالوم، أندرو (2020-09-01). "استخدام التنبؤ بانحلال الخطأ للتغلب على المشكلات العملية للتعلم النشط العميق في التعرف على الكيانات المسماة" . تعلم الآلة . 109 (9): 1749-1778 . arXiv : 1911.07335 . doi : 10.1007/s10994-020-05897-1 . ISSN 1573-0565 .
1 2 غاو، وينتشاو؛ لي، يو؛ غوان، شياولي؛ تشين، شييو؛ تشاو، شانشان (25-08-2022). " بحث حول التعرف على الكيانات المسماة بناءً على التعلم متعدد المهام وآلية بيافين" . الذكاء الحسابي وعلم الأعصاب . 2022 e2687615. doi : 10.1155/2022/2687615 . ISSN 1687-5265 . PMC 9436550. PMID 36059424 .
^ تان، تشيكسينج؛ وانغ، شو. يانغ، زونغان؛ تشين، جانج؛ هوانغ، شيوانتشنغ؛ صن، ماوسونج؛ ليو ، يانغ (2020-01-01). "الترجمة الآلية العصبية: مراجعة للأساليب والموارد والأدوات" . منظمة العفو الدولية مفتوحة . 1 : 5 – 21. أرخايف : 2012.15515 . دوى : 10.1016/j.aiopen.2020.11.001 . ISSN 2666-6510 .
↑ أ. ثاكور، ل. أهوجا، ر. فاشيشث و ر. سيمون، " التعرف على الكلام باستخدام معالجة اللغة الطبيعية والذكاء الاصطناعي: مراجعة تحليلية "، المؤتمر الدولي العاشر للحوسبة من أجل التنمية العالمية المستدامة (INDIACom) ، نيودلهي، الهند، 2023، ص 1390-1396.
↑ أجيلا، صموئيل أ.؛ لونغ، تشونغ-هورنغ؛ داس، أنوراغ (2022-06-01). "تحليل خوارزميات التعلم الآلي القائمة على الخطأ في الكشف عن شذوذ الشبكة وتصنيفه". حوليات الاتصالات . 77 (5): 359-370 . Bibcode : 2022AnTel..77..359A . doi : 10.1007/s12243-021-00836-0 . ISSN 1958-9395 .

[:0-1] صدري، رامين؛ براس، أيكو (19 يونيو 2009). قابلية التوسع للشبكات والخدمات: المؤتمر الدولي الثالث حول البنية التحتية المستقلة والإدارة والأمن، AIMS 2009، إنسخيده، هولندا، 30 يونيو - 2 يوليو 2009، وقائع المؤتمر . سبرينغر. ISBN 978-3-642-02627-0.

[:1-2] 1 2 3 4 5 6 7 هوب، دوروثي ب.؛ هندريكس، بيترا؛ رامسكار، مايكل؛ فان راي، جاكولين (2022-10-01). " استكشاف التعلم القائم على الخطأ في الشبكات البسيطة ذات الطبقتين من منظور التعلم التمييزي" . أساليب البحث السلوكي . 54 (5): 2221-2251 . doi : 10.3758/s13428-021-01711-5 . ISSN 1554-3528 . PMC 9579095. PMID 35032022 .

[:6-3] 1 2 أورايلي، راندال سي. (1996-07-01). "التعلم القائم على الخطأ ذو المعقولية البيولوجية باستخدام اختلافات التنشيط المحلية: خوارزمية إعادة التدوير المعممة". الحوسبة العصبية . 8 (5): 895-938 . doi : 10.1162/neco.1996.8.5.895 . ISSN 0899-7667 .

[:2-4] 1 2 3 4 5 محمد، سيف، وتيد بيدرسن. " دمج السمات المعجمية والنحوية لإزالة الغموض عن معاني الكلمات تحت الإشراف ". وقائع المؤتمر الثامن حول التعلم الحاسوبي للغة الطبيعية (CoNLL-2004) في HLT-NAACL 2004. 2004. APA

[:3-5] 1 2 فلوريان، رادو، وآخرون. " التعرف على الكيانات المسماة من خلال دمج المصنفات ". وقائع المؤتمر السابع حول تعلم اللغة الطبيعية في HLT-NAACL 2003. 2003.

[:4-6] 1 2 روزوفسكايا، آلا، ودان روث. " تصحيح الأخطاء النحوية: الترجمة الآلية والمصنفات " . وقائع الاجتماع السنوي الرابع والخمسين لجمعية اللغويات الحاسوبية (المجلد 1: الأوراق الطويلة) . 2016.

[:5-7] 1 2 يوسف، الياس؛ كلاسيناس، يوانيس؛ وأثاناسوبولو، جورجيا؛ بالوجيانيدي، إليسافيت؛ جورجيلاداكيس، سبيروس؛ لوكا، كاترينا؛ بوتاميانوس ، الكسندروس (2018-01-01). "فهم الكلام لأنظمة الحوار المنطوق: من حصاد النصوص إلى تحريض القواعد النحوية" . الكمبيوتر الكلام واللغة . 47 : 272-297 . دوى : 10.1016/j.csl.2017.08.002 . ISSN 0885-2308 .

[8] بينجيو، ي. (2009). تعلم البنى العميقة للذكاء الاصطناعي. أسس واتجاهات في تعلم الآلة، 2(1)، 1-127

[:7-9] 1 2 3 فولوديموس، أثاناسيوس؛ دولاميس، نيكولاوس؛ دولاميس، أناستاسيوس؛ بروتوباباداكيس، إفتيشيوس (2018-02-01). "التعلم العميق لرؤية الحاسوب: مراجعة موجزة" . الذكاء الحسابي وعلم الأعصاب . 2018 e7068349. doi : 10.1155/2018/7068349 . ISSN 1687-5265 . PMC 5816885. PMID 29487619 .

[:8-10] 1 2 تشانغ، هاو-شوان؛ فيمبو، شانكار؛ موهان، سونيل؛ أوبال، ريا؛ ماكالوم، أندرو (2020-09-01). "استخدام التنبؤ بانحلال الخطأ للتغلب على المشكلات العملية للتعلم النشط العميق في التعرف على الكيانات المسماة" . تعلم الآلة . 109 (9): 1749-1778 . arXiv : 1911.07335 . doi : 10.1007/s10994-020-05897-1 . ISSN 1573-0565 .

[:9-11] 1 2 غاو، وينتشاو؛ لي، يو؛ غوان، شياولي؛ تشين، شييو؛ تشاو، شانشان (25-08-2022). " بحث حول التعرف على الكيانات المسماة بناءً على التعلم متعدد المهام وآلية بيافين" . الذكاء الحسابي وعلم الأعصاب . 2022 e2687615. doi : 10.1155/2022/2687615 . ISSN 1687-5265 . PMC 9436550. PMID 36059424 .

[12] تان، تشيكسينج؛ وانغ، شو. يانغ، زونغان؛ تشين، جانج؛ هوانغ، شيوانتشنغ؛ صن، ماوسونج؛ ليو ، يانغ (2020-01-01). "الترجمة الآلية العصبية: مراجعة للأساليب والموارد والأدوات" . منظمة العفو الدولية مفتوحة . 1 : 5 – 21. أرخايف : 2012.15515 . دوى : 10.1016/j.aiopen.2020.11.001 . ISSN 2666-6510 .

[13] أ. ثاكور، ل. أهوجا، ر. فاشيشث و ر. سيمون، " التعرف على الكلام باستخدام معالجة اللغة الطبيعية والذكاء الاصطناعي: مراجعة تحليلية "، المؤتمر الدولي العاشر للحوسبة من أجل التنمية العالمية المستدامة (INDIACom) ، نيودلهي، الهند، 2023، ص 1390-1396.

[14] أجيلا، صموئيل أ.؛ لونغ، تشونغ-هورنغ؛ داس، أنوراغ (2022-06-01). "تحليل خوارزميات التعلم الآلي القائمة على الخطأ في الكشف عن شذوذ الشبكة وتصنيفه". حوليات الاتصالات . 77 (5): 359-370 . Bibcode : 2022AnTel..77..359A . doi : 10.1007/s12243-021-00836-0 . ISSN 1958-9395 .

[ 8 ]

[ 12 ]

[ 13 ]

[ 14 ]

اللغة	العربية (RTL)
روابط موسوعية	30 رابطاً
المصدر الأصلي	ويكيبيديا ↗