Drafting Definitions for Emerging Concepts and Terms Undergoing Semantic Shift Within the ARTES Knowledge Base: A Protocol for Integrating LLMS Into Terminological Analysis by Experimental Approach

Terminológia / Terminológia 2025, 32. kötet, 1–43. o. Tartalomjegyzék hivatkozása / Turinio nuoroda ISSN 2669-2198 (online / elektroninis) Copyright © 2025 Mojca Pecman. A Litván Nyelvi Intézet kiadása. Ez egy nyílt hozzáférésű cikk, amelyet a Creative Commons Nevezd meg! licenc feltételei szerint terjesztenek; a licenc lehetővé teszi a korlátozás nélküli felhasználást, terjesztést és sokszorosítást bármilyen médiumban, feltéve, hogy az eredeti szerzőt és a forrást megfelelően feltüntetik. // Kiadta a Litván Nyelvi Intézet. Ez a cikk nyílt hozzáférésű, a „Creative Commons‚ Nevezd meg!” licenc feltételei szerint terjesztik, amelyek lehetővé teszik a tartalom korlátlan felhasználását, terjesztését és többszörözését bármely adathordozón, a szerző és a forrás megjelölésével. Beérkezett: / Gauta: 2025-09-10. Elfogadva: / Priimta: 2025-09-22. 1 ÚJONNAN KIALAKULÓ FOGALMAK ÉS SZEMANTIKAI ELTOLÓDÁSON ÁTMENŐ KIFEJEZÉSEK DEFINÍCIÓINAK MEGFOGALMAZÁSA AZ ARTES TUDÁSBÁZISÁN BELÜL: PROTOKOLL AZ LLM-EK TERMINOLÓGIAI ELEMZÉSBE KÍSÉRLETI ÚTON TÖRTÉNŐ INTEGRÁLÁSÁHOZ MEGKÖZELÍTÉS Új fogalmak és szemantikai eltolódással jellemezhető terminusok definícióinak kidolgozása az ARTES tudásbázis kontextusában: a nagy nyelvi modellek terminológiai elemzésbe való integrálásának kísérleti protokollja MOJCA PECMAN Université Paris Cité E-mail: [email protected] ORCID ID: https://orcid.org/0000-0002-6753-1936 Kutatási területek: az ARTES tudásbázis, korpuszalapú terminológia, szemantikai neologizmusok, terminológiai definíciók megfogalmazása, generatív MI, promptmérnökség a terminológiában. https://doi.org/10.35321/term32-02 ------------------------------------------------------------------------------------------------------------------ ABSZTRAKT Ez a tanulmány protokollt mutat be a generatív mesterségesintelligencia-eszközök (GenAI) értékelésére és integrálására a kialakulóban lévő, szemantikailag instabil, a meglévő terminológiai adatbázisokból hiányzó terminusok terminológiai elemzésének keretében. Az ARTES tudásbázisban megvalósított protokoll a Université Paris Cité fordítói mesterképzésének hallgatóit támogatja abban a feladatban, amelynek keretében el kell dissertation. The study focuses particularly on terms displaying semantic instability and variation, thereby giving rise to semantic neologisms, and on evaluating the effectiveness of GenAI in retrieving existing definitions végezniük a saját ...-ukhoz szükséges terminológiai elemzést, valamint új terminológiai definíciókat kell megfogalmazniuk az ilyen terminusokhoz. A hallgatók GenAI-használatáról végzett felmérés és az adat-szennyezés fogalmáról készített kísérleti tanulmány szemlélteti a megközelítést. Az eredmények azt mutatják, hogy a korpusznyelvészeti eszközök segítik a fogalmi ismeretek strukturálását és a GenAI-kimenetek kritikus értékelését, megerősítve az emberi felügyelet szükségességét. A tanulmány modellt javasol a promptok kialakítására és értékelésére, a hatékony promptok gyűjteményének felépítésére irányuló szisztematikus folyamatot, valamint olyan módszertant, amely egyesíti az LLM-eket és a korpusznyelvészet technikáit a terminology management. 2 KULCSSZAVAK: ARTES terminológiai adatbázis, korpuszalapú terminológia, szemantikai neologizmusok, terminológiai definíciók megfogalmazása, generatív mesterséges intelligencia, promptmérnökség a terminológiában. ABSZTRAKTUS Ez a cikk a generatív mesterségesintelligencia- (GDI-) eszközök terminológiai elemzés kontextusában történő értékelésére és a terminológiai elemzési rendszerbe való integrálására szolgáló protokollt mutatja be, amely az új, szemantikailag instabil, az elismert terminológiai adatbázisokba fel nem vett terminusokra alkalmazható. Az ARTES tudásbázisban megvalósított protokoll megkönnyíti a Párizsi Egyetem fordítói mesterképzésén részt vevő hallgatók munkáját, akik a záródolgozatukhoz szükséges terminológiai elemzést végzik. A kutatás elsősorban a szemantikai instabilitással és változatossággal jellemezhető terminusokra összpontosít, ami szemantikai neologizmusok kialakulásához vezet, továbbá értékeli a GDI hatékonyságát e terminusok meglévő definícióinak kiválasztásában és új definícióinak kidolgozásában. A módszert a hallgatók körében a GDI használatáról végzett felmérés, valamint a data pollution (téves adatok rögzítése) fogalmának kísérleti vizsgálata szemlélteti. Az eredmények azt mutatják, hogy a korpusznyelvészeti eszközök segítenek a fogalmi ismeretek strukturálásában és a GDI kimeneteinek kritikus értékelésében, továbbá megerősítik az emberi felügyelet szükségességét. A tanulmány lekérdezés-létrehozási és -értékelési modellt, a hatékony lekérdezéskészlet létrehozásának szisztematikus folyamatát, valamint a nagy nyelvi modellek és a korpusznyelvészet technikáit ötvöző terminológiamenedzsment-módszertant javasol. KULCSSZAVAK: ARTES tudásbázis, korpuszalapú terminológia, szemantikai neologizmusok, terminológiai definíciók készítése, generatív MI, lekérdezéskészítés a terminológiához. BEVEZETÉS Ebben a tanulmányban a GenAI által támogatott terminológiai elemzés protokollját mutatjuk be, amelyet az ARTES projekt keretében valósítottunk meg. A protokollt kifejezetten olyan 1 újonnan megjelenő fogalmak kezelésére tervezték, amelyek még nem szerepelnek a meglévő terminológiai adatbázisokban, de egyre gyakrabban használják őket a szakirodalomban. Az újonnan megjelenő fogalmakat mindenekelőtt meg kell határozni. Az ARTES projekt az ilyen fogalmak kezeléséhez szükséges nyelvi erőforrások és ismeretek létrehozására összpontosít; ezek a fogalmak gyakran terminológiai változatosságot – akár formai, akár szemantikai jellegűt – idéznek elő, és általában hiányoznak a bevett terminológiai adatbázisokból (vö. L’Homme 2024b). Ebben az összefüggésben a terminusokat korpuszalapú módszertannal elemzik, majd rögzítik az ARTES tudásbázisában, amely egyszerre terminológiai adatbázis és pedagógiai eszköz a 2 terminológia oktatásához a Université Paris Cité leendő fordítói számára. Ezenfelül az ARTES-t aktívan használják a mesterképzésben részt vevő hallgatók terminológiai mesterdolgozatuk részeként. A hallgatók minden évben összehasonlítható korpuszokat állítanak össze, hogy mélyreható terminológiai elemzést végezzenek, és a szakfordítást támogató terminológiai bejegyzéseket készítsenek. A tanulmány célja, hogy értékelje a nagy nyelvi modellek (LLM-ek) hozzájárulását a terminológiai menedzsmenthez ebben a sajátos oktatási kontextusban, valamint kiemelje annak fontosságát, hogy a generatív mesterséges intelligencián (GenAI-eszközökön) alapuló eszközökkel való interakciót megelőzően korpuszalapú elemzést végezzenek. A tanulmány továbbá szemlélteti a terminológia hozzájárulását a tudástechnológiához, valamint – ebben az összefüggésben – annak kapcsolatát a mesterséges intelligenciával (Condamines 2022). Egy különböző angol nyelvű szakmai és félszakmai kommunikációs kontextusokat reprezentáló szövegekből álló kísérleti korpusz felhasználásával a data pollution fogalmát Knowledge-Rich Contexts (KRC-k) (Meyer 2001) segítségével elemezzük. 1 Elérhető: https://altae.u-pariscite.fr/artes-aide-a-la-redaction-de-textes-scientifiques. 2 Available at: https://artes.app.univ-paris-diderot.fr/artes-symfony/web/app.php. 3 A data pollution kifejezés jelentése 2018-ban kezdett eltolódni, így értékes jelöltté vált a szemantikai változás folyamatai, valamint a szemantikai neologizmusok meghatározásával járó kihívások vizsgálatára. Miközben a kifejezést egyre gyakrabban használják az angol nyelvben (a megalapozottabb megfelelője, a digital pollution mellett, amely jól dokumentált a terminológiai adatbázisokban), újonnan kialakuló jelentésével még nem került be a jelentősebb terminológiai adatbázisokba. A tanulmány egy olyan kísérleti protokoll fázisait vázolja, amelyet a GenAI-eszközök terminológiai munkához való hozzájárulásának feltárására és értékelésére dolgoztak ki, különös tekintettel a definíciók megfogalmazására. A cél a terminológiai tanterv megalapozott adaptációjának megvalósítása a mesterképzésben a 2025–2026-os tanévre. A GenAI-eszközök terminuskezelésbe való integrációját a hallgatók változó igényei is indokolják, amelyeket egy felmérés során azonosítottunk; ennek eredményeit e tanulmány mutatja be. Ezt továbbá az European Master’s in Translation (EMT) 3 követelményei is ösztönzik, amelyhez a Master ILTS is csatlakozott 2009. Az EMT kompetenciakeretének legújabb, a 2023–2028 közötti időszakot lefedő változata (2022) különös hangsúlyt helyez a technológiák integrációjára, valamint arra, hogy a jövőbeli fordítóknak folyamatosan frissíteniük kell a fordítási eszközökkel és technológiákkal kapcsolatos készségeiket. A mesterséges intelligencia és a neurális gépi fordítás (NMT) terén elért legújabb eredmények fényében ez a szempont központi jelentőségűvé vált a jelenlegi képzési igények szempontjából. A tanulmány első része a háttér bemutatásának szenteli figyelmét, különös hangsúlyt fektetve a terminológia, a korpusznyelvészet és a mesterséges intelligencia közötti összefüggésekre. Bemutatjuk továbbá a terminológiai elemzés ARTES-keretrendszerét, valamint e folyamat kulcsfontosságú lépését: a terminológiai definíciók megfogalmazását. Bevezetjük továbbá az LLM-ek korpuszalapú terminuselemzésbe történő integrálásának kísérleti megközelítését. A második rész a GenAI integrálására szolgáló protokoll kidolgozásának módszertanát, valamint a mesterszakos hallgatók körében végzett felmérést mutatja be. Az utolsó rész a terminológiai definíciók kritikai megközelítésen alapuló, GenAI integrálásával történő összegyűjtésére és megfogalmazására kialakított protokoll elemzését ismerteti. Bemutatjuk továbbá az elemzés végső szakaszát, amely az ARTES tudásbázisában a data pollution terminushoz tartozó terminológiai adatlap elkészítéséhez vezet, valamint a terminológia számára leghatékonyabb promptok összegyűjtésére e protokoll keretében kidolgozott modellt. TERMINOLÓGIA, MESTERSÉGES INTELLIGENCIA ÉS AZ ARTES TUDÁSBÁZIS Ebben a szakaszban áttekintjük a terminológia mint a mesterséges intelligencia fejlődése által vezérelt tudomány és gyakorlat legújabb fejleményeit. Ezt követően bemutatjuk az ARTES platformot, amely az ISO-szabványokkal és a FAIR-elvekkel összhangban álló terminológiai rekordok kidolgozására szolgál, valamint az általa a mesterséges intelligenciával való interakcióhoz kínált lehetőségeket. Bemutatjuk továbbá a definíció központi szerepét a terminológiai elemzésben, különösen a kialakulóban lévő fogalmak és terminusok esetében. 3 Nyelvipar és szakfordítás mesterképzés (ILTS), UFR EILA, UPCité. 4 Terminológia és mesterséges intelligencia Leonardi (2025: 148) szerint Eugen Wüsternek, a terminológia tudományának megalapítójának mérföldkőnek számító munkássága ‚része a természetes nyelvekbe való beavatkozások hosszú hagyományának, amely azok reprezentációs és kommunikációs hatékonyságának javítását célozza.‛ Leonardi (2025) továbbá kifejti, hogy ‚ez a hagyomány folytatódik a természetesnyelv-feldolgozásban (NLP) kidolgozott kortárs formalizált modellekben, amelyek a mesterségesintelligencia-alkalmazások alapját képezik‛. A terminológia és a mesterséges intelligencia ezért szervesen összekapcsolódik. A terminológia és a mesterséges intelligencia közötti konvergencia valóban egészen 1993-ig vezethető vissza, amikor Didier Bourigault és Anne Condamines létrehozták a ‚Terminology and Artificial Intelligence (TIA)‛ kutatócsoportot. A terminológiához kapcsolódó mesterséges intelligencia akkoriban a tudásmérnökségben, valamint a korpuszok és a terminológia közötti kölcsönhatások conceptual relationships (Meyer et al. 1992; Bourigault et al. 2001; Condamines, Rebeyrolle 2001; Condamines 2005). Consequently, Terminology and AI share the same goal: feltárásában gyökerezett, olyan szimbolikus megközelítés megvalósításával, amely mintákat használt a jelölt terminusok keresésére és a tudás modellezésére. Továbbá a terminológia és a mesterséges intelligencia közötti, közös céljukon – a tudásmodellezésen – keresztül létrejövő metszéspont a korpusznyelvészet megjelenésében gyökerezik az 1980-as évek végén, amely hozzáférést biztosított a digitális korpuszokhoz és a corpus linguistics became a leading approach in terminology studies (Pecman, Kübler 2022). It has also contributed to the development of the textual approach to terminology feltárásukhoz szükséges eszközökhöz. Idővel (Bourigault, Slodzian 1999), amit gyakran a Wüster-féle iskola hagyományos preskriptív módszertanára adott reakciónak tekintenek (Humbley 2022). A terminológia, a korpusznyelvészet és a mesterséges intelligencia közötti kapcsolat olyan kifejezések használatában is megmutatkozik, mint a számítógépes terminológia és a korpuszalapú terminológia. Condamines (2022) szerint a terminológia és a mesterséges intelligencia közötti, közös célok követésén és közös eszközök, például korpuszok vagy nagy nyelviadat-gyűjtemények használatán alapuló történeti összhang fokozatosan erodálódott, tükrözve a mesterséges intelligencia területén bekövetkező paradigmaváltásokat és felgyorsult fejlődést, amely az 2020-as években a nagy nyelvi modellek (LLM-ek) bevezetésében tetőzött. Mindazonáltal a tudásmodellezés tárházaként szolgáló nyelvi adatok egy másik közös elemet jelentenek a terminológia, a korpusznyelvészet és az LLM-ek között. Körülbelül harminc év alatt a számítógépes nyelvészek, az NLPés az informatikai szakemberek közös vállalkozása a ChatGPT kutatási prototípus kifejlesztésében tetőzött. A 2022 novemberében elindított ChatGPT gyorsan széles körben használt alkalmazássá fejlődött, szemléltetve a mesterségesintelligencia-innovációk gyors társadalmi elterjedését. A következő éveket az LLM-ek és a generatív MI-eszközök különböző típusainak elterjedése jellemezte: ChatGPT, DeepSeek, Perplexity, Gemini, Claude stb. 5 A mesterséges intelligencia által előidézett paradigmaváltás A mesterséges intelligencia által előidézett paradigmaváltás folyamatban van, kiszélesítve mind a kutatás, mind az oktatás hatókörét és lehetőségeit, amelyek ettől kezdve a mesterséges intelligencia értékelésére és integrációjára irányulnak. A terminológiával, a szakfordítással és a korpusznyelvészettel kapcsolatban a hangsúly a mesterséges intelligencia által nyújtott támogatás nyelvészeti elemzésben, fordításban és terminológiamenedzsmentben való alkalmazásának hatékonyságára, valamint annak buktatóira irányuló kritikai értékelésen van. Bár a munkák többsége hangsúlyozza a kritikai megközelítés szükségességét, különösen a szaknyelvek kontextusában, pl.: Raus, Mattioda 2024; San Martín 2024; Davies 2025; Kübler, Pecman 2025; olyan, a mesterségesintelligencia-eszközök kínálta lehetőségek iránt rendkívül lelkes cikkek is találhatók, mint például Schryver (2023) tanulmánya a ChatGPT hatékonyságáról az általános nyelvi lexikográfiában. Ugyanakkor a nagy nyelvi modellek teljesítményének javítását célzó kutatás kifejezetten érdeklődik a szakterületi terminológia, különösen a párhuzamos források iránt, amelyek kiváló minőségű tanítóadatként szolgálnak, pl.: Ballier és mtsai 2021; Bénard és mtsai 2023; Zhu és mtsai 2023. Ezen túlmenően, a mesterséges intelligencia gyors terjedésének kontextusában a publikációk és konferenciák növekvő száma arra ösztönzi a tudósokat, hogy bekapcsolódjanak a mesterséges intelligencia tudományban és oktatásban, a szakmai és társadalmi gyakorlatokban betöltött szerepéről, az etikai és GDPR- (General Data Protection Regulation, általános adatvédelmi rendelet) kérdésekről, valamint a kisebb elterjedtségű nyelvek korlátozott tanítóadataival kapcsolatos problémákról szóló reflexióba, pl.: Rastier 2021; Casal, 4 Kessler 2023; Finardi 2023; Lommel 2024. Az intézmények fontos események szervezésével járulnak hozzá a vitához. Az Interpreting Europe Conference 2025 szakembereket, iparági szakértőket, tudósokat és hallgatókat hívott meg a tolmácsolás mint szakma jövőjéről szóló vitára, a mesterséges intelligencia fejlődésével összefüggésben. A 2025-ös Mesterséges Intelligencia 5 Cselekvési Csúcstalálkozón (‚Sommet pour l’action sur l’intelligence artificielle‛), amelyet Párizsban rendeztek, több mint 60 ország írta alá első alkalommal a megbízható, fenntartható és inkluzív MI előmozdítását célzó nyilatkozatot. Ezzel egyidejűleg a média és a sajtó a téma közszférába emelésével erősíti a vitát, szélesebb közönség elérésére ösztönözve a kutatókat, valamint a műfajok és források szélesebb körének figyelembevételére: pl. Falgas, Robert 2023; Finardi 2023; Davies 2025. Ezért figyelemre méltó, hogy az MI fejlődése nagymértékben hat a tudományos, akadémiai és oktatási környezetekre. A fordításés nyelvtudomány kontextusában az MI növekvő befolyása jelentősen formálja a hallgatói viselkedést, különösen azt, ahogyan definíciókat keresnek és alkotnak. Amint azt Ptasznik és Lew (2025) megjegyzi, a ChatGPT vitát váltott ki a lexikográfusok körében. A lengyel angol szakos hallgatók körében az MI hatásáról végzett friss tanulmányukban megállapították, hogy a ChatGPT-t széles körben használják, és értékes eszköznek tekintik az íráshoz és a fordításhoz. A szerzők arról számolnak be, hogy a hallgatók inspirációért, kíváncsiságból és szórakozás céljából is hozzá fordulnak. Azt is hangsúlyozzák, hogy az MI jövőbeli szerepe ezen a területen továbbra is bizonytalan. Ahogy a technológiai környezet fejlődik, úgy változnak a tudományos gyakorlatok is, ami szükségessé teszi az oktatási és módszertani keretek felülvizsgálatát, hogy tükrözzék ezeket a változásokat. 4 Elérhető: https://knowledge-centre-translation-interpretation.ec.europa.eu/en/events/interpretingeurope-conference-2025. 5 Elérhető: https://www.elysee.fr/sommet-pour-l-action-sur-l-ia. 6 Következésképpen a terminológiával, a nyelvi erőforrások fejlesztésével és a szótárkészítéssel kapcsolatos jelenlegi kutatások jelentős része ma már az MI-eszközök által bevezetett paradigmaváltás vizsgálatára, valamint azok kritikai értékelésére és az oktatásba, illetve a kutatásba való lehetséges integrációjára összpontosít. A közelmúlt figyelemre méltó kezdeményezései közé tartozik a Terminology folyóirat ‚Terminology and AI’ című, 2027-re tervezett tematikus száma, valamint egy 2025-ös párizsi műhely, amely a 6 szótárak szerepét vizsgálta az MI korában. Ahogy Altameemi (2024: 429) hangsúlyozza: ‚<…> a CL [korpusznyelvészet] és a ChatGPT integrációja nagy lehetőségeket rejt a nyelv digitális korban való megértésében. <…> Más szóval a nyelvészeknek ahelyett, hogy óvatosan alkalmaznák a ChatGPT-t, meg kellene vizsgálniuk a CL és a ChatGPT egyesítésének jelentőségét. Még a nyelvészeti akadémiai programoknak is figyelembe kellene venniük a technológia alkalmazásának fontosságát a képzéseik tantervében. Ezenkívül nemcsak a nyelvészeknek kell figyelembe venniük ezt a szempontot, hanem más tudományterületek kutatóinak is, akiknek tekintettel kell lenniük ezekre a szempontokra, és el kell gondolkodniuk a technológia hatékony alkalmazásán az emberi tudás területeinek tanulmányozásában.‛ A MI szerepére vonatkozó kritikai reflexió sürgető szükségességének és a megfelelő gyakorlatok kialakításának e kontextusában jelen tanulmány azt kívánja feltárni, hogy milyen lehetőségek kínálkoznak a GenAI-eszközök integrálására a terminológiai elemzés folyamatába az ARTES tudásbázis-keretrendszerének kontextusában. Az ilyen értékelés szükségessége annál is fontosabb, mivel San Martín (2024) rámutat: ‚az MI terminológiai munkába való elkerülhetetlen integrációjával az ember által létrehozott és az MI által létrehozott tartalom közötti különbség egyre inkább elmosódik‛. Az ARTES tudásbázis és a mesterséges intelligencia Az ARTES tudásbázist 2010 óta használják terminológia oktatására a fordítást tanuló mesterszakos hallgatók számára az EILA tanszéken (vö. Pecman, Kübler 2011; Kübler, Pecman 7 2012; Gledhill, Kübler 2015; Pecman 2021). Értékes erőforrásokat biztosít a terminológiával és a szakfordítással kapcsolatos oktatás és kutatás támogatásához. Az ALTAE kutatócsoport által fejlesztett ARTES két platformból áll: az egyik a fordítást tanuló hallgatók terminológiai és frazeológiai erőforrásainak összegyűjtésére, a másik pedig az adatbázis 8 szabad online lekérdezésére szolgál. Az ARTES terminológiai adatbázis; azonban továbbfejlesztett, knowledge-oriented approach to terminology and specialised discourses also qualifies it as a knowledge base (Pecman 2018). Az ARTES-keretrendszer alapvető tétele, hogy a hatékony terminológiamenedzsment a szaktudás megszerzésén alapul. Ez korpuszvezérelt és korpuszalapú onomasziológiai és szemasiológiai terminuselemzés végzésével érhető el, amelyhez az ARTES-keretrendszerben hozzáadódik a tudásvagy fogalmi hálózatok elemzése is. Hangsúlyozni kell 6 Le dictionnaire face à l’essor de la traduction automatique et des intelligences artificielles génératives, ISIT, Paris, 2025. június 12. Elérhető: https://www.isit-paris.fr/le-dictionnaire-face-a-lessor-de-la-traductionautomatique. 7 Elérhető: https://u-paris.fr/eila. 8 Elérhető: https://altae.u-pariscite.fr. 7 hogy mind a korpuszalapú terminológiát (Pecman, Kübler 2022), mind a korpuszalapú fordítástudományt (CBTS) (Kübler et al. 2024) a korpuszokból származó, autentikus adatokra való erős támaszkodás jellemzi, amelyeket terminológiai és fordítási kihívások kezelésére használnak. Ezenfelül a terminológiában a korpuszok különösen hasznosak az újonnan alkotott terminusok és szemantikai neologizmusok azonosítására és elemzésére. Ezenfelül az ARTES DB-t az ISO-szabványokkal (vagyis az ISO 1087:2019, 704:2022, 12620-1:2022, 5078:2025 szabványokkal) és a Wilkinson et al. (2016) által kezdeményezett, valamint a Vezzani et al. (2023) által a terminológiára adaptált FAIR-adatelvekkel (megtalálhatóság, hozzáférhetőség, interoperabilitás és újrafelhasználhatóság) összhangban alakították ki. Az ARTES értékes erőforrásokat biztosít az NMT betanításához (vö. SPECTRANS (Ballier et al. 2021; Zhu et al. 2023) és MaTOS (Bénard et al. 2023) projektek). Az illesztett, illetve párhuzamos adatok nevezetesen öt tételtípushoz állnak rendelkezésre: terminusokhoz, kollokációkhoz, definíciókhoz (terminológiai és enciklopédikus), fordítási megjegyzésekhez, valamint tárgykörhöz vagy szakterülethez. A jelenlegi, 2025–2026-os tanévben az ARTES keretrendszerét kiterjesztik az LLM-ek terminológiai elemzésbe való integrációjának vizsgálatára. A protokoll célja, hogy figyelembe vegye a terminuselemzés különböző fázisait, vagyis a terminusok és terminológiai változatok azonosítását, kollokációk, ekvivalens terminusok, definíciós kontextusok és KRC-k keresését, valamint definíciók és megjegyzések megfogalmazását. A GenAI kimenetének értékelésére irányuló kritikai és kísérleti megközelítés biztosítása érdekében továbbra is a korpuszalapú megközelítés révén a terminusokról való ismeretek megszerzésén, valamint a magas színvonalú definíciók előállításához szükséges készségek fejlesztésén lesz a hangsúly. A terminológiai elemzésben a definíciók központi szerepet töltenek be az ismeretszerzés folyamatában. Következésképpen fontos feltárni a GenAI-eszközök hatékonyságát a releváns, már létező definíciók azonosításában és terminológiai definíciók megfogalmazásában. Terminológiai definíciók megfogalmazása LLM-ekkel és korpuszalapú megközelítéssel A terminológia önálló diszciplínaként való megjelenésével, amelyet Wüster (1968) szakosított szótárak szerkesztésére vonatkozó javaslata követett, a definíció központi szerepet töltött be mint a terminuselemzés kulcsfontosságú eleme. A Machine Tools című angol–francia szótárának bevezetőjében Wüster (1968: 2.15) a definíciót a terminológiai pontosság eléréséhez nélkülözhetetlen elsődleges és legfontosabb elemként azonosítja. A definíció egyben a terminológiai elemzés onomasziológiai megközelítésének (a fogalomtól a nyelvi egységig) gerincét is alkotja. A szakosított fogalmak definiálása az első lépést jelenti mind a szakmai ismeretek, mind a terminológiai szakértelem megszerzésében. Az EILA tanszék által kínált mesterképzési programokban a leendő szaknyelvi (LSP) szakfordítók, tolmácsok és kutatók terminológiai kurzusokon fejlesztik ezt a készséget. Az ARTES adatbázis számára terminológiai definíciók gyűjtése és megfogalmazása a rekordtervezés egyik követelménye. Ez eredeti definíció megfogalmazását jelenti azzal a céllal, hogy harmonizálja a terminológiai adatbázisban tárolt adatokat, valamint definíciókat biztosítson a korábban nem definiált fogalmakhoz, illetve azokhoz a fogalmakhoz, amelyek esetében a terminológusok széles körben csak definíciós kontextusokat available. The model for drafting definitions follows ISO standards 1087:2019 and 704:2022, 8 használnak. A hallgatók a definíciókat a definíciós kontextusokban és a KRC-ben megadott releváns információk kiválasztásával, továbbá a szemantikailag kapcsolódó terminusok és szemantikai hálózatok elemzésével fogalmazzák meg. Emellett összegyűjtik a meglévő definíciókat, amikor azok megbízható terminológiai adatbázisokban (UNTERM, IATE, Termium stb.; vö. 7. ábra) elérhetők. Az újonnan megjelenő fogalmakhoz vagy neologizmusokhoz, különösen a szemantikailag instabil terminusokhoz kapcsolódó definíciók megfogalmazása rendkívül nagy kihívást jelent. Az ARTES projektben kiemelt figyelmet kapnak azok a helyzetek, amikor egy terminus használata változni kezd, és jelentéseltolódást mutat, ezáltal új fogalom kialakulásához vezet. Az LLM-ek elemzéshez való hozzájárulásának értékelése várhatóan összetett feladat lesz, amint azt San Martín (2024) tárgyalja, aki megjegyzi: ‚Ha a hagyományos definíciók kidolgozása munkaigényes, a kontextuális és funkcionális korlátok figyelembevétele még időigényesebbé teszi a feladatot. Ez fontos akadályt jelent a rugalmas terminológiai definíciók létrehozásában. A generatív mesterségesintelligencia-eszközök (GenAI), különösen a nagy nyelvi modelleken (LLM), például a ChatGPT-n alapulók, e korlátok megszüntetésével csökkenthetik a létrehozásukhoz szükséges időt és erőfeszítést. A GenAI hatása azonban messze túlmutathat ezen, mivel alapjaiban alakíthatja át a terminológiai definíciók létrehozásának és felhasználásának módszereit és céljait.‛ Tanulmányunkhoz a data pollution terminust választottuk, amelyet korpuszalapú megközelítéssel elemeztünk, mielőtt a jelen tanulmányban bemutatott, MI által támogatott terminológiai elemzéssel kapcsolatos teszteket elvégeztük volna. A data pollution terminus értékes jelölt a jelen tanulmány céljaira, mivel jelentéseltolódást mutat, és nem szerepel a jelenleg elérhető terminológiai forrásokban. E terminus esettanulmánya továbbá lehetővé teszi a terminusmenedzsment ARTES-keretrendszerének, a korpuszalapú terminológiai elemzés előnyeinek, valamint az LLM-ek e folyamat támogatásában mutatott hatékonyságának átfogó értékelését. Mint közismert, a jelentéseltolódáson áteső terminusok finoman módosítják az alapul szolgáló tudásparadigmát, ami különösen megnehezíti az újonnan kialakuló jelentés megkülönböztetését az eredetitől. Mindazonáltal az ilyen terminusok szélesebb körű fogalmi trendeket tükröznek, és jelentős terminológiai értékkel bírnak (vö. Pecman 2012; 2014). Ezt a terminustípust általában szemantikai neologizmusoknak (a formális neologizmusokkal szemben), esetenként pedig neoszemáknak (Renouf 2020) nevezik; különféle nyelvi jelenségekből, például poliszémiából és mikroj elentésekből ered, amelyek különösen megnehezítik tanulmányozásukat (L’Homme 2024a; 2024b). Ahogyan Lombard és mtsai (2023) rámutatnak: „az új szójelentéseket »szemantikai neologizmusoknak« nevezik, és »a poliszémia révén megvalósuló szemantikai kiterjesztés eredményeként jönnek létre«.” Ezenkívül L’Homme (2024a: 216) kifejti, hogy „a poliszémia olyan elterjedt jelenség, amellyel a terminológusok gyakran szembesülnek”, ezért a poliszém terminusok terminológiai forrásokban való kezelése alapvető fontosságú „a kommunikációban előforduló kétértelműség elkerülése érdekében”. A következő szakasz bemutatja a GenAI-eszközök terminusrekordok kidolgozásába való integrálására irányuló kísérleti protokoll megtervezéséhez alkalmazott általános módszertant, különös hangsúlyt helyezve a terminológiai definíciókra mint a terminusrekordokban szereplő alapvető elemekre. 9 A GenAI-ESZKÖZÖK AZ ARTES-BA TÖRTÉNŐ INTEGRÁLÁSÁNAK MÓDSZERTANA KORPUSZALAPÚ KERETRENDSZER Az LLM-eknek a terminusrekordok, különösen pedig a terminológiai definíciók megtalálásának és megfogalmazásának folyamatába való integrálásától azt várják, hogy időt takarít meg és javítja a definíciók minőségét (vö. San Martín 2024). Megközelítésünkben azonban a korpuszalapú elemzést az LLM-ek bevezetése előtt végezzük el, hogy azok hatékony integrációja és értékelése lehetővé váljon. Davies (2025) a „nagy nyelvi modellek (vagyis az olyan LLM-ek, mint a ChatGPT és a Gemini) előrejelzéseinek a tényleges korpuszadatokkal való egyezésére” vonatkozó kritikai értékelésében kifejti, hogy „a korpusz sokkal inkább magával ragadó, és sokkal összekapcsoltabb élményt nyújt, mint az LLM-ek gyakran csupán csupasz corpora provide an immersive learning environment with extensive links between words.‛ Moreover, Davies suggest: ‚both LLMs and corpora have their advantages and the best is megjelenítései”. <…> „Valószínűleg az LLM-ek korpuszadatokkal együtt történő használata kínálja a legtöbb funkciót, mivel sok esetben e két »adatforrás« meglehetősen jól kiegészíti egymást.” Ezért az LLM-ekkel való hatékony interakció lehetővé tételéhez és kimenetük kritikai értékelésének támogatásához alapvető fontosságú az elemzés tárgyát képező nyelvi adatok alapos ismerete. Consequently, in our experimental approach, the interaction with LLMs relies on corpus-based terminology, combined with prompt engineering for terminology. According Boonstra (2025: 7) szerint „a prompttervezés olyan kiváló minőségű promptok megtervezésének folyamata, amelyek pontos kimenetek létrehozására irányítják az LLM-eket. Ez a folyamat magában foglalja a kísérletezést a legjobb prompt megtalálása érdekében, a prompt hosszának optimalizálását, valamint a prompt írásmódjának és szerkezetének a feladathoz viszonyított értékelését. A természetesnyelv-feldolgozás és az LLM-ek kontextusában a prompt olyan bemenet, amelyet a modellnek adnak válasz vagy előrejelzés létrehozására.” A prompttervezéshez a Boonstra (2025) által javasolt, eredetileg a Gemini-pro számára kidolgozott sablonokat, valamint Schulhoff et al. (2025) sablonjait használtuk, amelyeket úgy módosítottunk, hogy megfeleljenek az LLM-ek kritikai megközelítésének, és szolgálják az eredményes promptok terminusmenedzsment céljából történő gyűjteménye összeállítására irányuló célunkat. Ezért kizártuk a modell viselkedésének befolyásolására szolgáló paramétereket, például a „hőmérsékletet”, amely a tokenkiválasztás véletlenszerűségének mértékét szabályozza, mivel az itt tesztelt GenAI-eszközök nem támogatják ezeket. 9 A prompt megfogalmazásával azonban módosíthatók: például a „Légy kreatív és váratlan.” magas hőmérsékletű viselkedésre ösztönöz, míg a „Légy tömör és pontos.” alacsony hőmérsékletű viselkedésre ösztönöz. A terminusmenedzsmentben a releváns autentikus adatok megtalálásához az alacsony hőmérsékletű viselkedéstől jobb eredmények várhatók. Kísérleti céljainkhoz számos mezővel egészítettük ki Boonastra sablonját, nevezetesen: promptolási technika, dátum, megjegyzés és relevancia. Azt a lehetőséget is átvettük, hogy 10 a korlátot többféleképpen, karakterek, tokenek vagy elemek számában határozzuk meg. 9 Alkalmazásprogramozási felület (API) támogatja őket, amely lehetővé teszi az alkalmazások LLM-ek segítségével történő testreszabását. 10 Boonastra (2025) szerint a promptok különböző típusai a következők: zero-shot (olyan prompt, amelyhez nem adnak példákat), one-shot (egy példával), few-shot (több példával), rendszer 16 6. ábra. Az 1. és 2. évfolyamos mesterképzéses hallgatók által a szakdolgozati nyilvántartások elkészítéséhez leggyakrabban használt GenAI-eszközök Ebben a tanulmányban ezért az OpenAI által kifejlesztett ChatGPT, valamint az azonos nevű kínai vállalat által kifejlesztett DeepSeek és a Perplexity AI által kifejlesztett Perplexity tesztelésére összpontosítunk, amely különböző LLM-eket, nevezetesen az OpenAI által fejlesztett GPT-t és az Anthropic által fejlesztett Claude-ot használ. A következő szakaszokban szisztematikus, szekvenciális protokollt mutatunk be ezeknek az ARTES szakdolgozat-kezelési munkafolyamatába történő integrálására. Korpusz-alapú terminológia használata a GenAI-eszközök hatékonyságának tesztelésére Amint azt az előző szakaszban hangsúlyoztuk, az általunk javasolt kísérleti protokollban a korpusz-alapú megközelítéssel végzett terminológiai elemzést az LLM-ekkel való interakciót megelőzően végezzük el, hogy biztosítsuk a GenAI által generált kimenet kritikus értékelésének képességét. Az elemzést így az ARTES-keretrendszer valamennyi szakaszán keresztül elvégeztük, vagyis az előző szakaszban felsorolt 1–7. szakaszban, nevezetesen a SketchEngine (Kilgarriff et al. 2014) használatával a szakosított korpusz 12 megtervezésére és feltárására, a SketchEngine-be integrált korpuszok, valamint két további, integrált korpuszokat tartalmazó eszköz, a Google Books Ngram Viewer (Michel et al. 2011) és 13 Netspeak 14 (Riehmann et al. 2012). A 7. ábra az 1. fázis eredményeit szemlélteti, amely annak ellenőrzéséből állt, hogy a kifejezést rögzítették-e meglévő terminológiai adatbázisokban. Az adat-szennyezés kifejezést ritkán rögzítik jól ismert terminológiai adatbázisokban, mivel az IATE-ben csak egy, 2021-ben létrehozott bejegyzést találtunk, amely a kifejezés eredeti jelentésére vonatkozik. KERESett KIFEJEZÉS: adat-szennyezés KERESÉS TERMINOLÓGIAI ADATBÁZIS BEJEGYZÉS MEGJEGYZÉS RELEVANCIA DÁTUMA: 2025.05.25. Termium Plus nincs NA NA Vitrine linguistique nincs NA NA 12 Elérhető itt: https://www.sketchengine.eu. 13 Elérhető itt: https://books.google.com/ngrams. 14 Elérhető itt: https://netspeak.org. 17 IATE 1 bejegyzés Megadott mezők A bejegyzés létrehozásának dátuma: 2021. március 2., Jelentés: a kifejezés 1. jelentése. és információk: források (2018-ból és 2019-ből), megfelelő kifejezések 20 nyelven (köztük franciául: pollution meghatározás, kontextusok, médium des données) WIPO nincs NA NA UNTERM nincs NA NA tionary IGI Global Dicnincs NA NA 7. ábra. A data pollution kifejezésre irányuló keresés eredményei a meglévő terminológiai adatbázisokban Mivel a rekord tartalma a kifejezés eredeti jelentésének szentelt, ez a megállapítás közepes relevanciájúnak tekinthető a célzott rekordtervezés szempontjából. A 8. ábra az IATE-beli rekord tartalmát mutatja. 8. ábra. A data pollution kifejezés rekordja az IATE-ben, amely a kifejezés eredeti jelentésére vonatkozó információkat jelenít meg Mindazonáltal a megadott adatok felhasználhatók egy, a data pollution kifejezés eredeti jelentéséhez tartozó terminológiai rekord létrehozására (amely úgy magyarázható körül, hogy „az adatok szennyezésének cselekménye”), hogy szembeállítsuk a data pollution új jelentésben való használatának szentelt rekorddal (amely úgy magyarázható körül, hogy „az adatok által okozott szennyezés”). A data pollution újonnan kialakult jelentésének (amelyet néha pollution by data formában fogalmaznak újra) meghatározása különösen összetett, nemcsak azért, mert átfedésben van a digital pollution kifejezés jelentésével, hanem azért is, mert eredeti jelentése egyidejűleg továbbra is létezik (amelyet néha pollution of data, polluted data formában fogalmaznak újra). A meglévő forrásokból származó információk összegyűjtése és azoknak az ARTES-ben kidolgozott terminológiai rekordokban való reprodukálása koherensebbé teszi az elemzést, mivel figyelembe veszi a terminusra vonatkozó információk széles körét (9. ábra). 18 DEFINÍCIÓ rosszindulatúan létrehozott tanításiadat-minták bejuttatása egy tanítási adathalmazba, aminek következtében az MI-rendszer helytelen modellt tanul meg, és ezt követően tévesen osztályozza a tesztelési mintákat FORRÁS IATE, Council-EN, Yinzhi Cao et al. 2018: 1 alapján IZONIM adatmérgezés MEGJEGYZÉS a terminus első jelentése FORRÁS Mori et al. 2024: 155 MEGJEGYZÉS a terminus új jelentése, amely újabb szakirodalomban található FORRÁS Hasselbalch et al. 2022: 9–10 MEGJEGYZÉS a terminus új jelentése, amely újabb szakirodalomban található RELEVANCIA magas FORRÁS Castelluccia & Kaafar 2009: 1 RELEVANCIA közepes RELEVANCIA közepes MEGJEGYZÉS a terminus első jelentése, amely kevésbé új dokumentumokban található 9. ábra. Az IATE-ből kiválasztott információk az based approach. Figure 10 shows the definitions retrieved from corpora by using discourse markers for definitional contexts (such as ‚is a‛, ‚is the‛, ‚refer to‛, etc.): 1 MEGHATÁROZÁS KRC Az adat-szennyezés az adatkezeléssel kapcsolatos gazdasági tevékenységek által környezetünkre, a társadalmi gyűjtésre, tárolásra és felhasználásra gyakorolt személyes környezetüket. Az adatforrások fenntarthatatlan kezelése, ARTES adatbázisához A terminus hiánya a meglévő terminológiai adatbázisokban szemlélteti a korpuszRELEVANCE high 2 MEGHATÁROZÁS. KRC Az adat-szennyezés az adatok generálásának, tárolásának, MEGHATÁROZÁS. KRC okozott károk összessége, a digitális adatok feldolgozása pedig a természeti hatást jelenti, amely keresztirányban érinti az egyéneket, valamint életés környezetek. elosztása és előállítása. 3 4 MEGHATÁROZÁS. KRC Az internetes tartalmakat (dokumentumokat, e-maileket, csevegéseket, képeket, kifejezés az összes internetes tartalom gyakran terjesztik és replikálják különböző felhalmozódására utal, amely az adatokkal való munkából származhat az általunk videókat stb.), amelyeket közzétesznek Az alábbiakban az ‚adat-szennyezés‛ végpontokon vagy szervereken, ‚szennyeződésének‛ vagy ‚torzulásának‛ Adat-szennyezésnek nevezett folyamat során. az információtechnológia területén. 19 FORRÁS Zimmerli 1986: 291 MEGJEGYZÉS a kifejezés első jelentése, amelyet régebbi dokumentumokban találtak FORRÁS Ben-Shahar 2018: 133 RELEVANCIA magas FORRÁS Ben-Shahar 2018: 104 RELEVANCIA közepes MEGJEGYZÉS a kifejezés új jelentése, amely a közelmúlt szakirodalmában található 10. ábra. Korpuszból kinyert definíciós kontextusok Bár A célzott terminusrekord megszövegezése szempontjából releváns második definíció egy fehér könyvből (Hasselbalch 2022) származik, amelyet egy monográfiát (Hasselbalch 2021) követően tettek közzé, és amelyben az adat­szennyezés kérdését egy független kezdeményezés keretében tárgyalják. 15 A 3. és 4. definíciós kontextust közepesen relevánsnak tekintjük, mivel a terminus eredeti jelentésére utalnak. A következő lépésben az adatszennyezés fogalmára vonatkozó tudás korpuszon keresztüli megszerzése a terminus konkordanciáinak elemzéséből, pontosabban a KRC-k azonosításából állt. A korpuszelemzés révén több kontextust is kinyertünk, amelyek közül kiválasztottuk a terminus megértése, valamint a diskurzusra jellemző más terminusokkal fennálló szemantikai kapcsolatának feltárása szempontjából legrelevánsabbakat. Ezek a kontextusok a terminus használatára vonatkozó példák biztosítására is hasznosak. A 11. ábra a gyűjtött KRC-k egy mintáját mutatja be (a kiválasztott, az LLM-ekkel való interakcióhoz használt részeket félkövérrel szedve, az utolsó szakaszban bemutatva): 1 KRC Annak felismerése, hogy az adatszennyezés egy egész ökoszisztémát leépítő, szélesebb társadalmi probléma is, és nem csupán az adatközlők egyéni szféráit érinti, új és gazdag perspektívát kínál a meglévő megoldásokra – és újakat vezet több definíciós kontextust is találtunk, csak az első kettő utal a szemantikai eltolódás révén kialakult újabb jelentésre. A szakértők közötti kommunikációban megjelenő definíciós kontextusok nagy jelentőséggel bírnak a célzott terminusrekord kialakítása szempontjából. Az első különösen releváns, mivel egy nemzetközi konferencia 2 KRC A digitális információ az új gazdaság üzemanyaga. De a régi gazdaság szénalapú üzemanyagához hasonlóan ez is szennyez. Káros „adatemissziók” szivárognak a digitális ökoszisztémába, megzavarva a társadalmi intézményeket és a közérdeket. Ez a cikk egy új keretrendszert – az adat-szennyezést – dolgoz ki az adatgazdaság által létrehozott károk és annak módja újragondolására, ahogyan be. szabályozni kell őket. tanulmánykötetében megjelent tanulmányból származik. 15 Az Adatszennyezés és Hatalom – Kezdeményezés. Elérhető itt: https://www.datapollution.eu. 20 COMMENT the new meaning of the term, found in recent literature RELEVANCE high 3 KRC A data pollution kifejezés két hagyományos használata így egyesíthető. Először is, az adatszennyezés alatt a személyes és társadalmi környezetekre gyakorolt kedvezőtlen hatás érthető, például az egyéni jogokra, mint az adatvédelemhez való jog vagy a magánélethez való jog, valamint a demokratikus intézményekre és a hatalmi egyensúlyokra környezetünkre gyakorolt anyagi szempontból kedvezőtlen hatások, pl. a big data közötti összefonódást mutatja. az ance kifejezés képességeikkel vagy a releváns SOURCE Hasselbalch 2022: 22 COMMENT the new meaning and the original meaning of the term, put in contrast RELEVANCIA 4 A KRC és a big data ezen környezetekre gyakorolt jelentős káros környezeti hatása. egyik típusaként kezelik, hanem inkább a természetes, társadalmi és személyes ökoszisztémáink és környezeteink kényes egyensúlyaira gyakorolt, egymással összefüggő káros hatásokként. Amint azt leírtuk, az adatszennyezés kifejezést jelenleg a nagyon is valós következmények hangsúlyozására használják; a big data új Ahogyan a fehér könyvben is, az adatszennyezést itt nem csupán a környezeti hatás „zöld mozgalmának” célja az „adatszuverenitás”, amely áthatja az SDG-ket, és fenntarthatósági megfontolásokat kapcsol a big data mennyisége és sokfélesége által okozott különféle környezeti változásokhoz, a természeti tájra gyakorolt hatásaitól kezdve egészen döntéseinkig és demokráciánkig. SOURCE Hasselbalch 2022: 22–25 MEGJEGYZÉS szénlábnyoma, amelyet az adatok egyre növekvő előállítása okoz, és amely átalakítja az információk lekérésére vonatkozó igényeikkel (295 karakter) magas RELEVANCIA magas 11. ábra. A tudásban gazdag kontextusok (KRC-k) lekérése egy szakosított korpuszban. Az 1–4. KRC-k a kifejezést új jelentésben használva szemléltetik. A következő lépésben az 16 összegyűjtött definíciós kontextusok és KRC-k (10–11. ábra) alapján javaslatot tehetünk egy terminológiai definícióra, amelyet a 12. ábra mutat be: MEGFOGALMAZOTT, az információs technológiákhoz és a digitális korszakhoz kapcsolódó, egyének szakmai, társadalmi és mindennapi életét, valamint környezetüket oly módon, sajátos szennyezéstípus, amelyet a következő jellemez gyakorolt hatás. Másodszor, az adat-szennyezés úgy érthető, mint a természeti amely látszólag nincs összhangban; a példa a DEFINITION új jelentése és eredeti jelentése FORRÁS a terminusrekord szerzőjének neve, Mori et al. 2024, Hasselbalch et al. 2022 és Ben16 Összegyűjtöttük továbbá a terminus első jelentését szemléltető releváns KRC-ket a kapcsolódó terminus rekordjának elkészítéséhez, hogy összekapcsoljuk a két rekordot, és megjegyzést fűzzünk a két terminus közötti szemantikai kapcsolathoz. 21 Shahar 2018 RELEVANCIA magas CÉL KRC-k és releváns hivatkozások megtalálása MODELL ChatGPT-4-turbo KORLÁT 3 definíció 12. ábra. Korpusz-lekérdezés és KRC-k alapján megfogalmazott terminológiai definíció Kísérleti elemzésünknek ebben a szakaszában kognitív LLM-ek. A GenAI-eszközök bevezetése a terminuselemzés folyamatába Tudásgazdag kontextusok (KRC-k) és releváns források megtalálása Először azt teszteltük, hogy az LLM-ek képesek-e definíciós kontextusok megtalálására. A cél egy olyan prompt megírása volt, amely idézőjelben visszaadja a legrelevánsabb definíciós kontextusokat, majd egy hivatkozást. Több próbálkozás után a 13. ábrán szemléltetett promptolási technika hasznos eredményeket hozott. Ugyanakkor nem adott vissza kifejezetten definíciós kontextusokat, ami a vizsgált esetben nem meglepő. A korpuszalapú elemzés kimutatta, hogy az adatokat érintő szennyezés definíciós kontextusai ritkák. A prompt hasznos KRC-ket és releváns hivatkozásokat adott vissza a korpusz megtervezéséhez. A rendszerpromptolás és a visszalépéses promptolás kombinációjának használatával not only the results relevant for the new meaning of the term, but also in the desired format. By restricting the search to specific type of literature (scientific) and limiting meghatározzuk a keresendő definíciók számát (három), és arra korlátoztuk az LLM-et, hogy a legrelevánsabb kimenetet állítsa elő (lásd a 13. ábra 2. promptját). Ezenfelül először egy kérdést tettünk fel, hogy lehetővé tegyük az LLM számára az általános tudás aktiválását (13. ábra 1. promptja), mielőtt arra kértük volna, hogy keresse meg a legrelevánsabb példákat. A 13. ábra a ChatGPT-n végzett tesztet mutatja be: torzítást figyeltünk meg: az a korlátozás, hogy a korpuszalapú elemzés véglegesítése előtt nem léphettünk interakcióba az LLM-ekkel, akadállyá vált, mivel kiderült, hogy jelentős önfegyelmet igényel. A következő lépésben ezért bevezettük az LLM-eket a KRC-k és releváns források megtalálására, KRC-k által megalapozott definíciók megfogalmazására, a (humán) DATE 13/05/2025 TECHNIQUE olyan adatok generálása, amelyek Step-back prompting, system prompting terminusdefiníciók felülvizsgálatára, valamint definíciók megfogalmazására egy velük folytatott „hurok” interakció révén mindennapi életét PROMPT Mi a különbség a 1 következőképpen definiált „adatokat érintő szennyezés” és pollution related to information technologies and digital era characterised by the increasing átalakítják az egyének szakmai, társadalmi és 22 és környezetük olyan módon, amely látszólag nincs összhangban adataival. vagy a releváns információk lekéréséhez szükséges táblázatot? PROMPT Keresse meg a ‚data pollution’ kifejezés három adja meg az egyes megtalált definíciók forrásait. Adja vissza a legrelevánsabb definícióját a tudományos szakirodalomban, és 2 definíciókat a listában, a pontos OUTPUT A „data pollution” és a képességeikkel a szövegekben található megfogalmazás a forrás igények‛ és a ‚digitális szennyezés‛? URL. Szeretne az „digital pollution” kifejezések fókuszukat és 1 hatókörüket tekintve összefüggnek, de különböznek: Adatszennyezés Fókusz: A túlzott vagy helytelenül kezelt adatok – azok gyűjtésének, tárolásának, feldolgozásának és felhasználásának – káros hatásai. Főbb aggályok: Irreleváns, elfogult vagy káros adatok túlterhelése A big data-infrastruktúrák környezeti és társadalmi költségei Hatások az emberi figyelemre, a magánéletre és a döntéshozatalra A társadalmi és információs ökoszisztémák megzavarása Analógia: A vegyi szennyezéshez hasonlítható – az információs környezet káros melléktermékekkel való szennyezése. Digitális szennyezés Fókusz: A digitális technológiák szélesebb körű környezeti és erőforrás-hatása. Főbb aggályok: Az eszközök, szerverek és hálózatok energiafogyasztása és karbonlábnyoma Elektronikai hulladék a hardverekből és eszközökből A digitális eszközök előállításának és ártalmatlanításának életciklus-hatása Analógia: Az ipari szennyezéshez hasonlítható – a digitális infrastruktúra által okozott fizikai és ökológiai károk. A különbség összefoglalása Az adatbázis-szennyezés magáról az adatok tartalmáról és következményeiről, valamint azok társadalmi-környezeti hatásairól szól. A digitális szennyezés az adatokat tároló és továbbító digitális rendszerek környezeti bibliográfiai hivatkozásával, valamint annak és folyamatának áttekinthetőség kedvéért egy egymás melletti összehasonlító költségeiről szól, OUTPUT ‚A digitális információ az új gazdaság üzemanyaga. De a régi kiszivárognak a digitális ökoszisztémába, megzavarva a társadalmi intézményeket és a gazdaság szénalapú üzemanyagához hasonlóan 2 ez is szennyez. A káros „adatemissziók” közérdeket.‛ Ben-Shahar O. 2018: Data Pollution 679, University of Chicago Public Law & Legal Theory Paper Series. Available at: https://chicagounbound.uchicago.edu/public_law_and_legal_theory/699/ ‚Az adatbázis-szennyezés az a kölcsönösen összefüggő kedvezőtlen hatás, amelyet a digitális adatok előállítása, tárolása, kezelése és feldolgozása gyakorol természeti, társadalmi és személyes környezetünkre. Az adatforrások nem fenntartható kezelése, elosztása és előállítása.‛ Hasselbalch G. et al. 2022: Data Pollution & Power – White Paper for a Global Sustainable Development Agenda on AI. Available at: https://www.researchgate.net/publication/362174889_Data_Pollution_Power__White_Paper_for_a_Global_Sustainable_Development_Agenda_on_AI_by_Gry_Hasselbalch _with_contributions_from_the_Data_Pollution_Power_DPP_Group_at_Bonn_Sustainable_AI _Lab 23 ‚Az adatbázis-szennyezés fogalma magában foglalja az információs szennyezést, vagyis az „infollutiont” (Özdemir 2016), amelyet Oram 1984-ben alkotott meg. A információszennyezés azonban bizonyos mértékig különbözik; „az információforrások irreleváns, redundáns, kéretlen és alacsony értékű információkkal való szennyezése”, illetve ahogyan Cai és Zhang (1996) idézik: „… széles körben elterjedt, mégis nem kívánt üzenetek halmaza, és egy napon hordoz.” 3. nem definíciós kontextus, hanem KRC, idézet, félrevezető (a Data Pollution and https://www.academia.edu/76896486/Data_Pollution_and_Taxation VANCE COM-1. nem definíciós regiszter) ezek az üzenetek mélyen befolyásolhatják a társadalmi életet, ami a MENT 2. definíciós kontextusát, egy idézetet, megadott forrást és jól megfogalmazott negatív eredményeket Taxation 2022 két definíciójából áll. Elérhető: RELEhigh kontextus, hanem KRC, idézet, megadott forrás és jól megfogalmazott másik terminus), megadott forrás, de gyengén megfogalmazva, nem tudományos regiszter (akadémiai 13. ábra. Prompttervezés a terminuskezeléshez: KRC-k és releváns hivatkozások keresése a ChatGPT segítségével Bár a korpuszalapú megközelítéssel talált négy definíciós kontextus közül csak egyet adott vissza, két KRC mellett, a kimenet releváns az adatszennyezés fogalmának elemzéséhez. Először is, a kimenet azt mutatja, hogy a korpuszalapú megközelítés nem kerülhető meg a legjobb definíciós kontextusok és KRC-k kiválasztásakor, valamint az LLM kimenetének hatékony értékelésekor. Másodszor, a ChatGPT egy olyan forrást adott vissza, amelyet a korpusz megtervezésének szakaszában nem azonosítottak. Bár ez inkább akadémiai, mint tudományos regiszterhez tartozik, hasznosnak bizonyulhat a 17 szemantikailag kapcsolódó terminusok további elemzésében, és felhasználható a korpusz bővítésére: az „includes” diskurzív marker arra enged következtetni, hogy az information pollution a data pollution meronimája, míg az „or” marker és az egyszerű idézőjelek arra utalnak, hogy az infollution az information pollution szinonimája. Mindazonáltal a ChatGPT által definíciós kontextusként tett harmadik javaslat félrevezető, mivel egy másik fogalom (információs szennyezés) két definícióját tartalmazza, a keresett fogalom definícióját viszont nem. Továbbá egy korábbi promptban ugyanazt az utasítást használtuk anélkül, hogy pontosítottuk volna, hogy a várt kimenetet az idézetek jelentik; ennek eredményeként átfogalmazott idézeteket és félrevezető adatokat kaptunk (lásd a Függelék 24. ábráját). KRC-k által informált definícióalkotás A következő teszt abból állt, hogy arra kértük az LLM-eket, készítsenek egy, KRC-k válogatásával alátámasztott definíciót. 3 KRC-t választottunk ki: az 1. definíciós kontextust (a 10. ábrán), valamint a KRC 1-ből és 4-ből származó kivonatokat (amelyek a 11. ábrán félkövérrel jelennek meg). A 14. ábra ezt a tesztet mutatja a következőkkel: ChatGPT, DeepSeek és Perplexity. 17 Az ARTES-keretrendszerben a mesterképzéses szakdolgozatokat akkor tekintik át, amikor hiányoznak a szakterületi források. Általánosságban nem használják őket specializált korpuszok összeállítására. Úgy tekintik őket, mint amelyek inkább az akadémiai, semmint a tudományos regiszterhez tartoznak. 24 115b KRC bG115a által DATE 13/05/2025 tájékoztatNIQUE 4. A ott LIMIT 300 karakter PROMPT Készítsd el a ‚data pollution’ terminológiai definícióját legfeljebb 300 karakterben ezen tudásgazdag kontextusok alapján: A data pollution az adatgyűjtéssel, -tárolással és -felhasználással kapcsolatos gazdasági tevékenységek által generált károk összessége, amely keresztirányban érinti az egyéneket és életkörnyezetüket. A data pollution egy egész ökoszisztémát leépítő közprobléma is, nem csupán az adatszolgáltatók egyéni szféráit érinti. Az adatszennyezést nem csupán a környezeti hatások egyik típusaként, hanem inkább a természetes, társadalmi és személyes ökoszisztémáink és környezeteink kényes egyensúlyaira gyakorolt, egymással összefüggő káros hatásokként értelmezik. Az adatszennyezés kifejezést jelenleg a big data nagyon is valós és anyagi jellegű káros környezeti hatásának hangsúlyozására használják. MODELL ChatGPT-4-- turbo DeepSeek-V3 Perplexity KIMENET Az adatszennyezés az „Az gazdasági tevékenységek – által okozott amelyek a természetes, károsításával személyes környezetre hatással hasonló módokon. Ez egészére kiterjedő káros meghaladja a puszta valamint egyéni hatásokat adatszennyezés az például az adatgyűjtés, rendszerszintű károk társadalmi és személyes megzavarják a ökoszisztémákat, és mind vannak a hagyományos összekapcsolódó, hatásokkal járó magánéleti aggályokat, és foglal magában. (298 karakter) Megragadott fő jellemzők: 1. Rendszerszintű kár – A nagy léptékű károsodást hangsúlyozza, nem csupán az egyéni hatásokat. 2. Gazdasági gyökér – Az adatgyűjtéshez, -tároláshoz és -felhasználáshoz kapcsolódik. 3. Transzverzális hatás – Hatással van a természeti, társadalmi definíciótervezet TECH-Zéró lövés ments. magánszférán túl – Posiadatokkal kapcsolatos -tárolás és -felhasználás – káros mellékterméke, ökoszisztémák természetes, társadalmi és az egyénekre, mind a tágabb környezetszennyezéshez egyénekre és a közösség közprobléma, amely környezeti, kollektív, környezetekre is kiterjed.” 25 és személyes környezetekre mint ökológiai/közéleti kérdés. Ez összhangban áll az adat-szennyezés keretezésével, további (a információkkal. Jelezd, ha COMmegfelelően MENT viszonylag megfogalmazott, egyértelmű, megfelelően meglehetősen tömör környezeti és társadalmi hiperonima választása által megfogalmazott, nem megfelelően megfogalmazott viszonylag egyértelmű, meglehetősen (két megnyilatkozás), összetett kihívásként való kevésbé egyértelmű) bármilyen módosítást szeretnél! példák, meglehetősen tömörek VANCE NIQUE 14. ábra. Prompttervezés a terminusmenedzsmenthez: KRC-alapú definícióalkotás a ChatGPT, a DeepSeek és a Perplexity segítségével Mindhárom kimenet relevánsnak tűnik a terminusmenedzsment szempontjából, és ez a módszer alkalmasnak tekinthető terminológiai definíciók megfogalmazására az LLM-ek segítségével. A KRC-k megadása valóban arra irányítja az LLM-eket, hogy a terminus újonnan kialakuló jelentéséhez definíciót hozzanak létre. A ChatGPT és a DeepSeek kimenetei a Perplexityhez képest megfelelőbbnek tűnnek. A függelékben, a 25. ábrán példát mutatunk be az elégtelenül korlátozott promptok használatának kockázataira a szemantikai eltolódáson áteső terminusok kezelése során with LLMs. Revising and improving bio-definition by LLMs A következő tesztben arra kértük a GenAI-eszközöket, hogy javítsák az AI-eszközök segítsége nélkül, összegyűjtött információk, nevezetesen különféle KRC-k alapján megfogalmazott definíciónkat, amelyet ‚bio-definíciónak‛ kívánunk nevezni (15. ábra): CÉL A bio-definíció javítása DATE 13/05/2025 LIMIT 300 characters PROMPT Improve this definition of the term ‚data pollution‛: specific type of pollution related to az információs technológiák és a digitális korszak, amelyet az adatok növekvő generálása jellemez, és amely oly módon alakítja át az egyének és környezetük szakmai, társadalmi és mindennapi életét, amely látszólag nincs összhangban az egyének képességeivel vagy a releváns információk visszakeresésére irányuló igényeivel 32 A kifejezés kettős jelentésének kiemelése érdekében az ARTES két külön rekordot biztosít: egyet az eredeti jelentéshez, egy másikat pedig az újonnan kialakuló jelentéshez (21–22. ábra), továbbá kiterjedt megjegyzést a párhuzamosan használt kifejezésekről (22. ábra). 21. ábra. Az ARTES DB felülete, amely az adatszennyezéshez tartozó két rekordot mutatja az eredeti és az új jelentés megkülönböztetésére 22. ábra. Az ARTES DB felülete, amely az adatszennyezés 2, az újonnan kialakult fogalom bejegyzését mutatja, valamint az adatszennyezés 1-re vonatkozó információkat, amely párhuzamosan használt kifejezésként (és fogalomként) van meghatározva, magyarázó megjegyzéssel együtt Végül a 23. ábra az ARTES keretrendszerén belül, kísérleti megközelítéssel, az LLM-ek által támogatott terminuskezeléshez hatékony promptok gyűjteményének létrehozására kidolgozott séma következő elemeit mutatja: a promptgyűjtemény felületének kezdőlapját, a megtervezett prompt rögzítésére szolgáló szövegmezőt, az előállított kimenetre vonatkozó példa megadására szolgáló szövegmezőt, a szükséges kimeneti méretet (karakterben vagy szóban), a prompt minőségének értékelését (az elért kimenet alapján), valamint az alkalmazott prompttechnika típusát. 33 23. ábra. Hatékony promptok gyűjteményének létrehozására kidolgozott séma az LLM-ek által támogatott terminológiamenedzsmenthez ZÁRÓ MEGJEGYZÉSEK Ez a tanulmány a GenAI-eszközök terminológiai elemzésbe való integrálásának lehetőségeit vizsgálta, különös tekintettel a terminusrekordok megfogalmazására az Université Paris Cité fordítástudományi mesterszakos hallgatók terminológiaoktatására használt ARTES tudásbázisban és pedagógiai keretrendszerben. Esettanulmányként a szemantikai eltolódást mutató data pollution terminust választottuk, hogy feltáró elemzést végezzünk, valamint protokollt dolgozzunk ki az LLM-ekkel és GenAI-eszközökkel folytatott hatékony interakcióhoz. Ezt a protokollt jelenleg integráljuk a mesterszakos terminológiai képzés tantervébe. Emellett vizsgálatot végeztünk 50 fordítástudományi mesterszakos hallgató körében, amely kimutatta, hogy a hallgatók fele LLM-eket használ terminusrekordok megfogalmazására, ami tovább növeli annak szükségességét, hogy iránymutatást kapjanak azok hatékony használatához. Tanulmányunk kísérleti eredményei rávilágítanak a korpusznyelvészeti eszközök értékére a terminológiai elemzés támogatásában, a fogalmi tudás felépítésének és rendszerezésének lehetővé tételében, valamint a GenAI-eszközök kimenete minőségének értékelésében. A mesterséges intelligencia terminológiai elemzésbe való integrálására kidolgozott protokoll azt mutatta, hogy a GenAI-eszközök hasznosak lehetnek a gépi úton előállított terminológiai definíciók felülvizsgálatában és javításában, az emberi beavatkozás azonban elengedhetetlen. Ezek a megállapítások összhangban állnak a mesterséges intelligencia oktatásba és kutatásba történő integrálásával foglalkozó újabb munkákkal (vö. Kübler et al. 2024; Raus, Mattioda 2024; San 34 Martín 2024; Kübler, Pecman 2025), és megerősítik az azokból kirajzolódó legfontosabb ajánlásokat, nevezetesen azt, hogy elő kell mozdítani a mesterségesintelligencia-technológiák kritikus megközelítését, valamint hatékony módszereket kell kidolgozni a gép által generált kimenet értékelésére. Tanulmányunk elméleti eredményei rávilágítanak a feltáró elemzések kulcsszerepére a gyorsan fejlődő MI-eszközök jelenlegi környezetében, különösen a GenAI és az LLM-ek integrálására szolgáló hatékony sémák megtervezésében. E folyamat központi eleme az előzetes emberi elemzés szükségessége. A szakterület-specifikus ismeretek és a nyelvi adatok magas szintű ismerete elengedhetetlen a GenAI kimenetének minőségértékeléséhez, valamint a pontatlan válaszok kezelésére szolgáló hatékony promptok megfogalmazásához. A terminológia kontextusában ez a szakosodott fogalmakban való jártasságot, valamint a terminuselemzés korpuszalapú megközelítéseinek alkalmazását igényli. Korpusz linguistics emerges as a key method for informed interaction with GenAI tools and prompt engineering. Tanulmányunk során figyelemre méltó kihívást jelentett az LLM-ekkel való interakciók szándékos korlátozása által bevezetett kognitív torzítás, amely jelentős önfegyelmet követelt. Válaszul a tanulmányban javasolt protokoll a GenAI-eszközök szekvenciális integrációját szorgalmazza az információ-visszakeresés és a terminológiai elemzés különböző szakaszaiban. Future research will focus on testing and refining this protocol with translation terminológiai kurzusok hallgatói. Célunk a módszertan kiterjesztése úgy, hogy a terminológiai adatlapok kidolgozásának valamennyi szakaszára kiterjedjen, azzal a céllal, hogy a terminológiailag releváns információk visszakeresését és generálását javítsuk a GenAI-eszközökkel való interakció során. A protokoll egyik alapvető célja a terminológiai adatlapok létrehozásához használható, nagy hatékonyságú promptok válogatott gyűjteményének kidolgozása. Tanulmányunk megteremtette ennek alapjait azáltal, hogy modellt kínált a promptok felépítésére és értékelésére, amelyet úgy alakítottunk ki, hogy különböző nyelvi modelleket, feladattípusokat és nyelvi adathalmazokat foglaljon magában, és amelyet további tanulmányokban továbbra is tesztelni, adaptálni és finomítani fogunk. REFERENCES Altameemi Yaser M. 2024: State-of-the-art Review of the Corpus Linguistics Field from the Beginning Until the Development of ChatGPT. – Theory and Practice in Language Studies 14(2), 423–431. Available at: https://doi.org/10.17507/tpls.1402.13. ARTES. Available at: https://artes.app.univ-paris-diderot.fr/artes-symfony/web/app.php. Ballier Nicolas, Cho Dahn, Faye Bilal, Ke Zong-You, Martikainen Hanna, Pecman Mojca, Wisniewski Guillaume, Yunès Jean-Baptiste, Zhu Lichao, Zimina-Poirot Maria 2021: The SPECTRANS System Description for the WMT21 Terminology Task. – ACL Rolling Review, a New Initiative of the Association for Computational Linguistics, 818– 825. Available at: http://www.statmt.org/wmt21/pdf/2021.wmt-1.80.pdf. Bénard Maud, Mestivier Alexandra, Kubler Natalie, Zhu Lichao, Bawden Rachel, de la Clergerie Eric, Romary Laurent, Huguin Mathilde, Nominé Jean-Francois, Peng Ziqian, Yvon François 2023: MaTOS: Traduction automatique pour la science ouverte [MaTOS: Machine Translation for Open Science]. – Actes de l'atelier 35 “Analyse et Recherche de Textes Scientifiques” (ARTS)@TALN 2023, 8–15. Available at: https://aclanthology.org/2023.jeptalnrecital-arts.2.pdf. Boonstra Lee 2025: Prompt Engineering. White paper. Available at: https://www.kaggle.com/whitepaper-prompt-engineering. Bourigault Didier, L’Homme Marie-Claude, Jacquemin Christian 2001: Recent Advances in Computational Terminology, Amsterdam/Philadelphia: John Benjamins. Bourigault Didier, Slodzian Monique 1999: Pour une terminologie textuelle [Towards a Textual Terminology]. – Terminologies nouvelles 19, 29–32. Casal J. Elliott, Kessler Matt 2023: Can Linguists Distinguish Between ChatGPT/AI and Human Writing? A Study of Research Ethics and Academic Publishing. – Research Methods in Applied Linguistics 2(3), 100068. Available at: https://doi.org/10.1016/j.rmal.2023.100068. ChatGPT, based on GPT-4-turbo, released on the 6th November 2023, OpenAI. Available at: https://chatgpt.com. Condamines Anne 2005: Linguistique de corpus et terminologie [Corpus Linguistics and Terminology]. – Langages 157. La terminologie: nature et enjeux, ed. L. Depecker, 36– 47. Condamines Anne 2022: Terminologie, Intelligence Artificielle et Psychologie cognitive: réflexions sur les interactions possibles dans l’étude de la variation en langues spécialisées [Terminology, Artificial Intelligence and Cognitive Psychology: Reflections on Possible Interactions in the Study of Variation in Specialised Languages]. – De Europa. European and Global Studies Journal, Special Issue on Multilingualism and Language Varieties in Europe in the Age of Artificial Intelligence, Università di Torino, 131–148. Condamines Anne, Rebeyrolle Josette 2001: Searching for and Identifying Conceptual Relationships via a Corpus-Based Approach to a Terminological Knowledge Base (CTKB). – Recent Advances in Computational Terminology, ed. D. Bourigault, M.- C. L’Homme, C. Jacquemin, Amsterdam/Philadelphia: John Benjamins, 127–148. Davies Mark 2025: Corpora and AI/LLM: Comparison of the Predictions of LLMs (ChatGPT and Gemini) to Actual Corpus Data (mainly from English-Corpora.org). White paper. Available at: https://www.english-corpora.org/ai-llms/english-corpora-with-aillms.pdf, alongside a video posted on the 18th of March 2025. Available at: https://youtu.be/WAzWoNzhZ9A?si=JT6TAhOMLkXjUoa4. DeepSeek, based on DeepSeek-V3-0324, 深度求索 (DeepSeek). Available at: https://chat.deepseek.com. EMT Competence Framework 2022. Available at: https://commission.europa.eu/system/files/202211/emt_competence_fwk_2022_en.pdf. 36 Falgas Julien, Robert Pascal 2023: Présenter l’IA comme une évidence, c’est empêcher de réfléchir au numérique (repris sur le titre: Comment le discours médiatique sur l’IA empêche d’envisager d’autres possibles) [Presenting AI as a Fact Prevents Reflection on Digital Technologies (based on the title: How Media Discourse on AI Prevents Considering Other Possibilities)]. – The conversation, 19 octobre 2023. Available at: https://theconversation.com/comment-le-discours-mediatique-sur-lia-empechedenvisager-dautres-possibles-211766. Finardi Kyria 2023: The Paradox of our Time and Role of Applied Linguists in it: Conférence donnée à l’occasion du webinaire 2023 de l’AFLA. Available at: http://www.aflaasso.org/webinaire-2023. Gledhill Christopher, Kübler Natalie 2015: How Trainee Translators Analyse LexicoGrammatical Patterns. – Journal of Social Sciences 11(3): Special issue on Phraseology, Phraseodidactics and Construction Grammar(s), ed. M. I. González-Rey, 162–178. Humbley John 2022: The Reception of Wüster’s General Theory of Terminology. – Theoretical Perspectives on Terminology: Explaining Terms, Concepts and Specialized Knowledge, ed. P. Faber, M.-C. L’Homme, Book coll. ‚Terminology and Lexicography Research and Practice‛, Amsterdam/Philadelphia: John Benjamins, 15–36. IATE. Available at: http://iate.europa.eu. IGI Global Dictionary. Available at: https://www.igi-global.com/dictionary. ISO – TC 37 Language and Terminology – ISO Standard 1087:2019(en) Terminology Work and Terminology Science: Vocabulary. Available at: https://www.iso.org/obp/ui/#iso:std:iso:1087:ed-2:v1:en. ISO – TC 37 Language and Terminology – ISO Standard 704:2022(en) Terminology Work – Principles and Methods. Available at: https://www.iso.org/obp/ui/en/#iso:std:iso:704:ed-4:v1:en. ISO/TC 37/SC 3/WG 6 Terminology Management and Artificial Intelligence – ISO Standard 5078:2025(en) Management of Terminology Resources – Terminology Extraction. Available at: https://www.iso.org/obp/ui/en/#iso:std:iso:5078:ed1:v1:en. ISO/TC 37/SC 3/WG 6 Terminology Management and Artificial Intelligence – ISO Standard 12620-1:2022 Management of Terminology Resources – Data Categories – Part 1: Specifications. Available at: https://www.iso.org/obp/ui/en/#iso:std:iso:12620:-1:ed-1:v1:en. Kilgarriff Adam, Baisa Vít, Bušta Jan, Jakubíček Miloš, Kovář Vojtěch, Michelfeit Jan, Rychlý Pavel, Suchomel Vít 2014: The Sketch Engine: Ten Years On. – Lexicography 1, 7–36. 37 Kübler Natalie, Martikainen Hanna, Mestivier Alexandra, Pecman Mojca 2024: Post-editing Neural Machine Translation in Specialised Languages: the Role of Corpora in the Translation of Phraseological Structures. – Recent Advances in Multiword Units in Machine Translation and Translation Technology, ed. I. J. Monti, G. Corpas Pastor, R. Mitkov, C. Manuel Hidalgo-Ternero, Current Issues in Linguistic Theory 366, Amsterdam/Philadelphia: John Benjamins, 57–78. Kübler Natalie, Pecman Mojca 2012: The ARTES Bilingual LSP Dictionary: from Collocation to Higher Order Phraseology. – Electronic Lexicography, ed. S. Granger, M. Paquot, Oxford: Oxford University Press, 187–209. Kübler Natalie, Pecman Mojca 2025: Corpus Linguistics: a Dinosaur or an Elephant in the IA Room? A Word from Terminology and Translation Studies Perspective: Phd Seminar – Winter school – Foreign Literatures and Languages school, 5–6 February 2025, Università di Verona, Italy. Leonardi Natascia 2025: Terminology Science, International Languages, and Knowledge Communication. – Terminology Throughout History. A discipline in the Making, ed. K. Warburton, J. Humbley, Terminology and Lexicography Research and Practice 24, Amsterdam/Philadelphia: John Benjamins Publishing Company, 148– 166. L’Homme Marie-Claude 2024a: Managing Polysemy in Terminological Resources. – Terminology 30(2), 216–249. L’Homme Marie-Claude 2024b: Seven Good Reasons for a Better Account of Fine-grained Polysemy in Terminological Resources. – Terminologija 31, 6–23. Available at: https://journals.lki.lt/terminologija/article/view/2407/2408. Lombard Alizée, Huyghe Richard, Barque Lucie, Gras Doriane 2023: Regular Polysemy and Novel Word-sense Identification. – The Mental Lexicon 18(1), 94–119. Lommel Arle 2024: The Rise of Large Language Models Informed by not so Large Corpora of Training Data. – Digital Translation 11/1, 73–84. Available at: https://doi.org/10.1075/dt.24006.lom. Meyer Ingrid 2001: Extracting Knowledge-Rich Contexts for Terminography: A Conceptual and Methodological Framework. – Recent Advances in Computational Terminology, ed. D. Bourigault, Ch. Jacquemin, M.-C. L’Homme, Amsterdam/Philadelphia: John Benjamins, 279–302. Meyer Ingrid, Bowker Lynne, Eck Karen 1992: Cogniterm: An Experiment in Building a Terminological Knowledge Base. – Proceedings of 5th EURALEX International Congress on Lexicography, Tampere, Finland. Tampere: Studia Translatologica, 159– 172. Michel Jean-Baptiste, Shen Yuan Kui, Aiden Aviva Presser, Veres Adrian, Gray Matthew K., Brockman William, The Google Books Team, Pickett Joseph P., Hoiberg Dale, 38 Clancy Dan, Norvig Peter, Orwant Jon, Pinker Steven, Nowak Martin A., Aiden Erez Lieberman 2011: Quantitative Analysis of Culture Using Millions of Digitized Books. – Science 331(6014), 176–82. Available at: https://pubmed.ncbi.nlm.nih.gov/21163965. Pecman Mojca 2012: Tentativeness in Term Formation: a Study of Neology as a Rhetorical Device in Scientific Papers. – Neology in Specialized Communication, ed. M. Teresa Cabré Castellví, Rosa Estopá Bagot, Maria C. Vargas Sierra. – Special issue of Terminology 18(1), 27–58. Pecman Mojca 2014: Variation as a Cognitive Device: How Scientists Construct Knowledge Through Term Formation. – Terminology 20(1), 1–24. Pecman Mojca 2018: Langue et construction de connaisSENSes. Energie lexico-discursive et potentiel sémiotique des sciences [Language and the Construction of Meaning and Knowledge: Lexico-Discursive Energy and the Semiotic Potential of Science]: monographie, préface de M.-C. L’Homme. Paris: Editions L’Harmattan. Pecman Mojca 2021: 10th Anniversary of the ARTES Terminological and Phraseological Database. – Svijet od riječi: terminološki i terminografski ogledi (“The world of words: Terminological and terminographic discussions), ed. I. Brač, A. Ostroški Anić, Izdavalacko izdanje Instituta za hrvatski jezik i jezikoslovlje (Publication of the Institut of Croatian language and linguistics, Zagreb), 301–324. Pecman Mojca, Kübler Natalie 2011: ARTES: An Online Lexical Database for Research and Teaching in Specialized Translation and Communication. – Proceedings from International Workshop on Lexical Resources (WoLeR) 2011 at ESSLLI, 1–5 August 2011, Ljubljana, Slovenia, 87–93. Available at: http://alpage.inria.fr/~sagot/pub/WoLeR_2011_proceedings.pdf. Pecman Mojca, Kübler Natalie 2022: Text Genres and Terminology. – Theoretical Perspectives on Terminology: Explaining Terms, Concepts and Specialized Knowledge, ed. P. Faber, M.-C. L’Homme, Book coll. Terminology and Lexicography Research and Practice, Amsterdam/Philadelphia: John Benjamins, 263–289. Perplexity, based on GPT-4o/Claude 4.0 Sonnet, released on the 6th of May 2025, Perplexity AI. Available at: https://www.perplexity.ai. Ptasznik Bartosz, Robert Lew 2025: Dictionaries Versus AI Tools Through the Eyes of English Majors: International Journal of Lexicography 38(2), 140–158. Available at: https://doi.org/10.1093/ijl/ecaf005. Rastier François 2021: Data vs corpora. – L’intelligence artificielle des textes. Des algorithmes à l’interprétation [The Artificial Intelligence of Texts: From Algorithms to Interpretation] 15, ed. D. Mayaffre, L. Vanni, coll. Lettres numériques, Paris: Éditions Honoré Champion, 203–246. 39 Raus Rachele, Mattioda Maria Margherita 2024: L’intelligence artificielle en salle de classe: la perception des étudiantes et des étudiants [Artificial Intelligence in the Classroom: Students’ Perceptions]. – Multilinguisme européen et IA: entre droit, traduction et didactique des langues/Multilinguismo europeo e IA tra diritto, traduzione e didattica delle lingue/European Multilingualism and Artificial Intelligence: The Impacts on Law, Translation and Language Teaching, ed. R. Raus, F. Bisiani, M. M. Mattioda, M. Tonti, De Europa, Special Issue, 221–231. Renouf Antoinette 2020: Semantic Neology. Challenges in Matching Corpus-based Semantic Change to Real-world Change. – Corpora and the Changing Society. Studies in the Evolution of English, ed. P. Rautionaho, A. Nurmi, J. Klemola, Amsterdam/Philadelphia: John Benjamins, 79–112. Riehmann Patrick, Gruendl Henning, Potthast Martin, Trenkmann Martin, Stein Benno, Fröhlich Bernd 2012: WORDGRAPH: Keyword-in-Context Visualization for NETSPEAK’s Wildcard Search. – IEEE Transactions on Visualization and Computer Graphics 18(9), 1411–1423. Available at: https://downloads.webis.de/publications/papers/riehmann_2012.pdf. San Martín Antonio P. 2024: What Generative Artificial Intelligence Means for Terminological Definitions. – Proceedings of the 3rd International Conference on Multilingual Digital Terminology Today (MDTT 2024), Granada: CEUR-WS. Available at: https://ceur-ws.org/Vol-3703/paper1.pdf. de Schryver Gilles-Maurice 2023: Generative AI and Lexicography: The Current State of the Art Using ChatGPT. – International Journal of Lexicography 36(4), 355–387. Schulhoff Sander, Michael Ilie, Nishant Balepur, Konstantine Kahadze, Amanda Liu, Chenglei Si, Yinheng Li, Aayush Gupta, HyoJung Han, Sevien Schulhoff, Pranav Sandeep Dulepet, Saurav Vidyadhara, Dayeon Ki, Sweta Agrawal, Chau Pham, Gerson Kroiz, Feileen Li, Hudson Tao, Ashay Srivastava, Hevander Da Costa, Saloni Gupta, Megan L. Rogers, Inna Goncearenco, Giuseppe Sarli, Igor Galynker, Denis Peskoff, Marine Carpuat, Jules White, Shyamal Anadkat, Alexander Hoyle, Philip Resnik 2025: The Prompt Report: A Systematic Survey of Prompt Engineering Techniques. Available at: https://arxiv.org/pdf/2406.06608. Termium Plus. Available at: https://www.btb.termiumplus.gc.ca. UNTERM. Available at: https://unterm.un.org/unterm2/en. Vezzani Federica, Di Nunzio Giorgio, Maria Costa Rute 2023: ISO Standards for Terminology Resources Management. Are They FAIR Enough? – Digital Translation 10/2, Amsterdam/Philadelphia: John Benjamins, 233–252. Available at: https://doi.org/10.1075/dt.00009.vez. Vitrine Linguistique. Available at: https://vitrinelinguistique.oqlf.gouv.qc.ca. 40 Wilkinson Mark D., Dumontier Michel, Aalbersberg IJsbrand Jan, Appleton Gabrielle 2016: The FAIR Guiding Principles for Scientific Data Management and Stewardship. – Scientific Data 3, 160018. Available at: https://doi.org/10.1038/sdata.2016.18. WIPO. Available at: https://wipopearl.wipo.int/fr/linguistic. Wüster Eugen 1968: The Machine Tool./La Machine-Outil. An Interlingual Dictonary of Basic Concepts Comprising an Alphabetcal Dictonnary and a Classified Vocabulary With Definitons and Illustrations: English-French Master Volume, Londres, Technical Press. Aslib, 173 p. Zhu Lichao, Zimina Maria, Bénard Maud, Namdar Behnoosh, Ballier Nicolas, Wisniewski Guillaume, Yunès Jean-Baptiste 2023: Investigating Techniques for a Deeper Understanding of Neural Machine Translation (NMT) Systems Through Data Filtering and Fine-tuning Strategies. – Proceedings of the Eighth Conference on Machine Translation, Singapore, Association for Computational Linguistics, 275–281. References of the texts on data pollution (used for the corpus and/or appearing in the outputs of GenAI tools) Ben-Shahar Omri 2018: Data Pollution. – University of Chicago Public Law & Legal Theory Paper Series 679, 104–159. Cao Yinzhi, Fangxiao Yu Alexander, Aday Andrew, Stahl Eric, Merwine Jon, Yang Junfeng 2018: Efficient Repair of Polluted Machine Learning Systems via Causal Unlearning. – Proceedings of 2018 ACM Asia Conference on Computer and Communications Security, Incheon, Republic of Korea, 4–8 June 2018 (ASIA CCS ’18). Castelluccia Claude, Kaafar Mohamed Ali 2009: Owner-Centric Networking (OCN): Toward a Data Pollution-Free Internet. – Proceedings of the 2009 Ninth Annual International Symposium on Applications and the Internet, 169–172. Gertsen Fred 2022: Data Pollution and Taxation: Master’s Thesis, Executive Master Cyber Security, Defended on the 31st of March 2022, Universiteit Leiden, Netherlands. Hasselbalch Gry 2021: Data Ethics of Power: A Human Approach in the Big Data and AI Era, Glos (UK): Edward Elgar. Hasselbalch Gry 2022: Data Pollution & Power, White Paper for a Global Sustainable Agenda on AI, The Sustainable AI Lab, Bonn University. Mori Leonardo, Francey Alizée, Mettler Tobias 2024: Data Pollution: Definition and Policy Responses. – Proceedings of the 16th IFIP WG 8.5 International Conference, Electronic Participation (ePart 2024), Ghent, Belgium, September 3–5 2024, 147–162. Zimmerli Walther Ch. 1986: Who is to Blame for Data Pollution? On Individual Moral Responsibility With Information Technology. – Philosophy and Technology II: 41 Information Technology and Computers in Theory and Practice, ed. C. Mitcham, A. Huning, Dordrecht/Boston: D. Reidel, 291–305. APPENDIX Figure 24 shows a prompt without the specification ‚with the exact wording found in the texts‛, and the output consisting of two erroneous, made-up contexts, where the definition of information pollution is credited to data pollution. Nevertheless, the proposal by ChatGPT that ‚data pollution encompasses the contamination of information sources…‛, can be regarded as true, if we take into account the semantic relation between data pollution and information pollution revealed by the discursive marker of meronymy ‚encompasses‛, and according to which information pollution is a part of data pollution. The reformulation by LLMs ‚The concept of data pollution includes information pollution‛ into ‚data pollution encompasses [definition of information pollution] …‛ is respectful of knowledge representation. However, in terminological analysis, it is paramount to distinguish semantically related terms, all the more so when they are near-like synonyms. GOAL Finding definitional contexts and their references MODEL ChatGPT-4-turbo DATE 13/05/2025 TECHNIQUE System prompting LIMIT 3 definitions PROMPT Find three most relevant definitions of the term ‚data pollution‛ in scientific literature and provide the sources for each definition found. Return the definitions in the list followed by the bibliographical reference of the source and its URL. OUTPUT Data pollution refers to the harmful ‚data emissions‛ leaked into the digital ecosystem, disrupting social institutions and public interests. This concept rethinks the harms the data economy creates and the way they have to be regulated. Ben-Shahar O. 2018: Data Pollution 679, University of Chicago Public Law & Legal Theory Paper Series. Available at: https://chicagounbound.uchicago.edu/public_law_and_legal_theory/699 Data pollution is the interrelated adverse impact that the generation, storing, handling, and processing of digital data has on our natural environment, social environment, and personal environment. It is the unsustainable handling, distribution, and generation of data resources. Hasselbalch G. et al. 2022: Data Pollution & Power - White Paper for a Global Sustainable Development Agenda on AI. Available at: https://www.researchgate.net/publication/362174889_Data_Pollution_Power__White_Paper_for_a_Global_Sustainable_Development_Agenda_on_AI_by_Gry_Hasselbalc h_with_contributions_from_the_Data_Pollution_Power_DPP_Group_at_Bonn_Sustainable_ AI_Lab