Švietimo ir mokslo terminų žodynas ir ontologija

Woordenboek en ontologie van onderwijs- en wetenschapstermen IRENA MARKIEVICZ, ERIKA RIMKUTĖ Vytauto Didžiojo universitetas KERNWOORDEN: corpus, onderwijs- en wetenschapstermen, ontologie, woordenboek INLEIDING Van 2010 tot 2012 werd aan het Centrum voor Computationele Linguïstiek van de Vytautas Magnus Universiteit een door de Litouwse Onderzoeksraad gefinancierd project uitgevoerd: Automatische identificatie van onderwijs- en wetenschapstermen (ŠIMTAI 2). Het hoofddoel van dit project was om methoden uit de corpuslinguïstiek uit te proberen, zodat termen automatisch of semi-automatisch konden worden herkend en de selectie uit het corpus van informatie die nodig is om termdefinities te formuleren, kon worden geautomatiseerd, waardoor het werk van terminologen werd vergemakkelijkt. De belangrijkste resultaten van het onderzoek zijn, naast de methodologieën, een gespecialiseerd corpus voor onderwijs en wetenschap (hierna O&W) van 4 miljoen woorden, het op basis van dit gespecialiseerde corpus samengestelde Woordenboek van onderwijs- en wetenschapstermen en de Ontologie van onderwijs- en wetenschapstermen. Het artikel presenteert het woordenboek van O&W-termen en de ontologie van O&W-termen. Het beschrijft de structuur van het woordenboek en hoe het verschilt van andere terminologische woordenboeken. Er wordt meer aandacht besteed aan de ontologie van O&W-termen. Er wordt uitgelegd hoe ontologieën in verschillende wetenschappelijke disciplines worden gedefinieerd, waarvoor ze nodig zijn en met welke methoden ze worden ontwikkeld. De ontologie van O&W-termen wordt uitvoerig besproken: de structuur ervan wordt uiteengezet, voorbeelden worden gegeven en er wordt uitgelegd hoe deze bron kan worden toegepast. Beide werken – zowel het woordenboek van O&W-termen als de ontologie van O&W-termen – zijn samengesteld op basis van hetzelfde materiaal, namelijk een gespecialiseerd O&W-corpus, met gebruikmaking van methodologie uit de corpuslinguïstiek en de computationele linguïstiek. Met dit werk willen de auteurs de mogelijkheden van corpuslinguïstiek en computationele linguïstiek op het gebied van de terminologie presenteren en terminologen en samenstellers van terminologische woordenboeken of databanken erop wijzen dat het beheer van terminologie ten minste gedeeltelijk kan worden geautomatiseerd en dat een prescriptieve en een descriptieve benadering van terminologische analyse met elkaar kunnen worden verzoend. 56 Irena Markievicz, Erika Rimkutė Švietimo ir mokslo terminų žodynas ir ontologija FASEN IN DE SAMENSTELLING VAN HET WOORDENBOEK VAN ONDERWIJS- EN WETENSCHAPSTERMINEN De termen in het woordenboek van onderwijs- en wetenschapsterminologie (O&W) zijn vastgesteld aan de hand van een gespecialiseerd corpus, met toepassing van linguïstische methoden (zie voor meer details Grिगonytė et al. 2011; Rimkutė 2012). Het samenstellen van het woordenboek duurde twee jaar, namelijk zolang het eerder genoemde inleidende project liep, en omvatte de volgende fasen: 1) een gespecialiseerd O&W-corpus van 4 miljoen woorden samengesteld; 2) het corpus automatisch morfologisch geannoteerd; 3) een tool ontwikkeld die automatisch termen selecteert op basis van linguïstische regels; 4) criteria vastgesteld voor de selectie van mogelijke termen; 5) ongeveer 11.000 mogelijke termen vastgesteld, bestaande uit één tot vijftien woorden; 6) aanvullende selectiecriteria toegepast op mogelijke termen1; 7) 780 O&W-termen vastgesteld (van 1 tot 5 woorden); 8) een methode opgesteld om termen op basis van corpora te definiëren; 9) de linguïstische hulpmiddelen opgesteld die nodig zijn om termdefinities vast te stellen; 10) 300 termen uit geselecteerde groepen gedefinieerd; 11) equivalenten in het Engels, Duits en Frans gegeven voor de gedefinieerde termen. Het staat buiten kijf dat het samenstellen van een terminologisch woordenboek veel arbeidstijd van specialisten en financiële middelen vergt. Dit artikel presenteert het woordenboek van O&W-termen. Het is weliswaar klein — het bevat 224 termen (zie voor meer details het volgende hoofdstuk) — maar methodologisch zeer complex. Zoals blijkt uit de beschreven fasen van de samenstelling, waren zelfs met een gespecialiseerd corpus voor het betreffende domein2 speciale hulpmiddelen nodig3 om termen automatisch te herkennen en vast te stellen. 1 Er werden alleen termen geanalyseerd die niet langer waren dan zeven woorden; ook werd rekening gehouden met de frequentie: hoe korter de term, hoe vaker hij gebruikt moest worden. Zo werden bijvoorbeeld alleen eenwoordige termen geanalyseerd die ten minste 20 keer voorkwamen, terwijl termen van zeven woorden ten minste twee keer moesten voorkomen. 2 Het samenstellen van het corpus is een van de belangrijkste en langste fasen van het hele onderzoek. Om een representatief corpus samen te stellen waarin termen konden worden vastgesteld, moesten teksten zorgvuldig worden geselecteerd, naar genre in balans worden gebracht en technisch worden bewerkt (bestanden omzetten van pdf naar tekstformaat, de codering wijzigen, enz.). 3 In dit project is een hulpmiddel ontwikkeld dat is afgestemd op het Litouws en automatisch termen kan identificeren, omdat, zoals uit eerdere experimenten blijkt (zie Grigonytė et al. 2011), het door verschillen in de taalstructuur vrijwel onmogelijk is om voor andere talen ontwikkelde terminologieherkenningshulpmiddelen op het Litouws toe te passen. In dit hulpmiddel werden linguïstische regels gebruikt: er werd gezocht naar termen met bepaalde grammaticale structuren, bijvoorbeeld bijvoeglijk naamwoord + zelfstandig naamwoord, zelfstandig naamwoord in de genitief + zelfstandig naamwoord, deelwoord + zelfstandig naamwoord, enzovoort. Onderzoekers van het Lets identificeren termen met vergelijkbare methoden (zie Gornostay et al. 2012; Krugļevskis et al. 2005). Volgens hen is het identificeren van termen met linguïstische methoden (morfosyntactische analyse) geschikter dan statistische methoden die geschikt zijn voor analytische talen. Terminologija | 2013 | 20 57 Het was ook moeilijk om uit alle automatisch geïdentificeerde betekenisvolle woordcombinaties met een grammaticaal correcte structuur de onderwijs- en wetenschapstermen te selecteren. De moeilijkheid was dat er uit een corpus van 4 miljoen woorden maar liefst 11.000 zogenaamde mogelijke termen waren geïdentificeerd. In de volgende fase van het onderzoek en de samenstelling van het woordenboek was het belangrijk om uit al deze combinaties de onderwijs- en wetenschapstermen vast te stellen (dit probleem wordt besproken in Rimkutė 2012). Er zij op gewezen dat het gepresenteerde woordenboek van onderwijs- en wetenschapstermen op basis van een corpus is samengesteld. Dit betekent dat niet de traditionele, in Litouwen nog steeds gangbare, op de deskundigheid van terminologen gebaseerde en soms tamelijk subjectieve prescriptieve methode voor terminologiebeheer is gebruikt, maar de in de moderne terminologie als superieur beschouwde descriptieve methode voor terminologieanalyse en -definitie, die op corpusgegevens is gebaseerd. Corpora zijn zeer nuttig voor het samenstellen van woordenboeken, omdat daarin de meest typische en frequente gebruikspatronen van termen kunnen worden vastgesteld, die van belang zijn voor het definiëren van betekenissen en het selecteren van relevante voorbeelden. Vanwege de complexe methodologie voor het definiëren van termen werd besloten 300 termen uitvoerig te definiëren. Termen uit bepaalde groepen werden geselecteerd: termen met het woord academisch (bijv.: academische vrijheid, academische ethiek, academisch uur), met het woord werk (bijv.: afstudeerwerk, huiswerk, zelfstandig werk), met het woord opleiding (bijv.: universitaire opleiding, algemene opleiding, hoger onderwijs), met het woord onderwijs (bijv.: onderwijsaanbieder, volwassenenonderwijs, niet-formeel onderwijs), enzovoort. Ook werden enkele vaak gebruikte termen van één woord gedefinieerd: student, wetenschapper, universiteit, enzovoort. Net als in andere terminologische woordenboeken vermeldt het woordenboek van onderwijs- en wetenschapstermen bij de meeste termen equivalenten in het Engels, Duits en Frans. Deze zijn verzameld uit goedgekeurde bronnen en documenten binnen het betreffende domein en uit gespecialiseerde terminologische databanken: Anglų kalbos švietimo terminų žodyno (Glossary of Educational Terms), Aiškinamojo su studijomis susijusių terminų žodyno, Der Europäische Qualifikationsrahmen für lebenslanges Lernen, EuroVoc (de meertalige thesaurus van de Europese Unie), Terminų banko van de Republiek Litouwen, enzovoort. Er is vooral uitgegaan van de onderwijsterminologie van Groot-Brittannië, Frankrijk en Duitsland. De betekenis van veel vertaalde equivalenten is in de context van de systemen van deze landen echter niet helemaal dezelfde als die van de oorspronkelijke termen die in Litouwen op het gebied van onderwijs en wetenschap worden gebruikt. De in het woordenboek opgenomen equivalenten in vreemde talen zijn bedoeld voor toepassing binnen het onderwijs- en wetenschapssysteem van de Republiek Litouwen en zijn niet altijd, of slechts gedeeltelijk, toepasbaar op de beschrijving van het onderwijs- en wetenschapssysteem van een ander land. 58 Irena Markievicz, Erika Rimkutė Švietimo ir mokslo terminų žodynas ir ontologija STRUCTUUR VAN HET WOORDENBOEK VAN ONDERWIJS- EN WETENSCHAPSTERMINEN Het woordenboek van onderwijs- en wetenschapstermen is vrij toegankelijk op internet via http://daukantas.vdu.lt/moksliniai-terminai/.. Hierin staan 224 termen, hoewel in het vorige hoofdstuk werd vermeld dat 300 termen waren gedefinieerd. De aantallen gedefinieerde termen en termen in het woordenboek verschillen omdat bleek dat sommige termen (bijv.: kwalificatieniveau; wetenschappelijke graad; wetenschappelijke productie; masteropleiding; studie- / werklast van de student; staats- / nationaal wetenschappelijk instituut) als synoniemen worden gebruikt en een vergelijkbare structuur hebben; daarom zijn zulke termen samengevoegd. Het woordenboek van onderwijs- en wetenschapstermen bevat de onderdelen die onmisbaar zijn in elk terminologisch woordenboek, namelijk de term zelf en de definitie ervan. Zoals vermeld, zijn ook equivalenten in het Engels, Duits en Frans opgenomen. Daarnaast zijn vakgebieden vermeld (bijv. hogeronderwijsbestuur, hogeronderwijsbeleid, hogeronderwijsadministratie), evenals afkortingen van sommige termen. Het woordenboek verschilt van andere terminologische woordenboeken en databanken doordat ook alle verbogen vormen van termen met hun frequenties zijn vermeld, evenals de totale frequentie van de term in het corpus van onderwijs- en wetenschapsteksten. Bij alle termen zijn ten minste twee gebruiksvoorbeelden uit dit corpus te vinden (de voorbeelden zijn niet geredigeerd of gewijzigd, alleen soms ingekort), evenals linker- en rechtercollocaten4 en een concordantie5. Voor het definiëren van niet alle termen volstond de informatie uit het corpus. Bij termen waarvoor er onvoldoende informatie was om een definitie te formuleren (bijv.: onderwijsaanbieder, studentenbeurs, basisonderwijs) zijn sterretjes geplaatst. Omdat de termen uit een corpus zijn geselecteerd, was bekend hoe vaak ze voorkwamen. Daarom is bij alle termen een conventioneel aangeduide frequentie ten opzichte van andere termen vermeld: ★★★ staat bij de frequentste termen, die tot 500 keer voorkomen in het corpus van onderwijs- en wetenschapsteksten; ★★☆ staat bij minder frequente termen, die 100–499 keer in het corpus voorkomen; 4 Dit zijn de statistisch (op basis van frequentie) vastgestelde contextuele partners van de geanalyseerde term, die vaak links of rechts naast de term staan. 5 Dit zijn alle gevallen waarin grammaticale vormen van de geselecteerde term in het corpus voorkomen, weergegeven in de context van één regel (een concordantieregel omvat meestal meer dan één zin). Een concordantie wordt doorgaans geanalyseerd door deze eerst verticaal te lezen, omdat zo pas het typische gebruik van de term zichtbaar wordt. De geanalyseerde term staat in het midden van de concordantieregel en is vetgedrukt. Links en rechts van de geanalyseerde term wordt ongeveer 50 tekens context uit de concordantieregel weergegeven. Om een langere uitsnede van de concordantie te bekijken (ongeveer 150 tekens links en rechts), klikt u op het plusteken aan het einde van de concordantieregel. Terminologija | 2013 | 20 59 ★☆☆ wordt weergegeven bij termen die 10–99 keer in het tekstcorpus voorkomen; ☆☆☆ wordt weergegeven bij zeldzame termen die minder dan 10 keer in het tekstcorpus voorkomen. Hierna wordt ter illustratie van het woordenboek van onderwijs- en wetenschappelijke termen het lemma voor de term bachelorstudie weergegeven. BACHELORSTUDIES ★☆☆ Definitie Bachelorstudies zijn opleidingen in de eerste cyclus van het hoger onderwijs, die een algemene universitaire opleiding, een basis aan kennis in het gekozen vakgebied en een bachelordiploma bieden. Voorbeelden Aan universiteiten in de VS is het gebruikelijk dat begaafdere studenten de mogelijkheid krijgen om een masteropleiding met een doctoraatsopleiding te combineren, of preciezer: direct na hun bachelorstudie aan een doctoraatsopleiding te beginnen (dit verklaart tot op zekere hoogte waarom master- en doctoraatsstudies onder één term worden samengebracht – graduate studies, die worden gevolgd aan een zogenaamde graduate school) en na 8 jaar universitaire studie een PhD-graad te behalen. Aanbevolen duur in combinatie met de bachelorstudie: 5 jaar Bachelorstudies (eerste cyclus) duren doorgaans 4 jaar (160 studiepunten, voltijdstudie). Bachelorstudies, masteropleidingen en doctoraatsopleidingen worden respectievelijk afgesloten met de verdediging van een bachelorproef, een masterscriptie en een proefschrift. Bachelorstudies zijn opleidingen in de eerste cyclus die een algemene universitaire opleiding en een basis aan kennis in het gekozen vakgebied bieden. Frequentie bachelorstudies 21 bachelorstudies 6 bachelorstudies 3 bachelorstudies 7 bachelorstudies 14 Totale frequentie: 51 Equivalenten Engels: bachelor’s studies Duits: Bachelorstudium Frans: études de licence Vakgebied administratie van het hoger onderwijs 60 Irena Markievicz, Erika Rimkutė Švietimo ir mokslo terminų žodynas ir ontologija Collocaten Linkercollocaten Rechtercollocaten PO bacheloropleiding SU bacheloropleidingen AFKORTEN bacheloropleidingen SOFTWARE bacheloropleidingen bacheloropleiding EERSTE CYCLUS bacheloropleiding MASTEROPLEIDING EN DOCTORANDUSOPLEIDING Concordantie6 [1] een baan te aanvaarden of hun studie voort te zetten en af te ronden de bacheloropleiding. De vertegenwoordigers van de instelling voor hoger onderwijs verspreidden een mededeling, [2] landen die dergelijke bacheloropleidingen aanbieden. Bacheloropleidingen in het herfstsemester van het vierde studiejaar, terwijl de masteropleiding [3] de opleiding theologie – 5 jaar); tot bacheloropleidingen werden 1.870 studenten toegelaten, en in 2009 besloten de universiteiten [4] universiteiten besloten de duur terug te brengen tot 3 en 3,5 jaar bacheloropleidingen, maakt bekend dat de Wet op wetenschap en studies [5] universiteiten besloten de duur terug te brengen tot 3 en 3,5 jaar bacheloropleidingen. Amerikaanse bachelors die een masteropleiding willen beginnen [6] de eisen van de commissies: men moet een opleiding hebben afgerond een bacheloropleiding, als men zich aanmeldt voor een onderzoeksgericht programma, [7] jaar. Universiteiten besloten de duur met maximaal 3 jaar te verkorten een bacheloropleiding. Enkele universiteiten besloten de duur te verkorten tot 3 en 3,5 jaar [8] studiepunten (4,5 jaar) voor de bacheloropleiding. een bacheloropleiding, die 4 jaar duurt (de studie theologie aan katholieke [9] studies die geen diploma opleveren. De aanbevolen periode, samen met de bacheloropleiding – 5 jaar (3 + 2; 3,5 + 1,5; 4 + 1). Bachelor- [10] Toen hem werd gevraagd deze opleidingen te vergelijken met zijn eigen bacheloropleiding in de VS, merkte de buitenlandse student op dat het hier veel gemakkelijker is. 6Hier worden slechts de eerste tien regels van het concordant weergegeven. Op de website wordt een uitgebreider concordant getoond wanneer op het plusteken wordt geklikt. Terminologija | 2013 | 20 61 Bij sommige termen staan enkele duizenden concordantieregels. Het kost veel tijd om zo'n hoeveelheid informatie door te nemen, en deze gegevens zijn niet voor iedereen relevant. Voor wie meer wil weten over het gebruik van een term en de context waarin een gekozen term wordt gebruikt, misschien een andere definitie wil formuleren of benodigde voorbeelden wil selecteren, biedt een concordantie veel voordelen om zich een objectief oordeel te vormen. HET BEGRIP ONTOLOGIEËN EN DE REDENEN VOOR HUN ONTWIKKELING In dit en de volgende hoofdstukken wordt geschreven over de ontologie van O&W-termen, de principes waarop deze is samengesteld en de mogelijkheden om deze en andere ontologieën te gebruiken. Ter verduidelijking worden enkele gevisualiseerde classificaties en resultaten van de ontologie van O&W-termen weergegeven. Ontologieën zijn formele hulpmiddelen voor kennisconceptualisering die kennis, beschreven in natuurlijke taal, samenvatten in een gestructureerd, hiërarchisch model van samenhangende concepten. Problemen met de kwaliteit van informatieverwerking en de meerduidigheid van termen doen de behoefte ontstaan aan gestructureerde terminologiebestanden waarmee computerprogramma's natuurlijke menselijke taal kunnen verwerken (Engels: natural language processing) en de semantiek ervan kunnen interpreteren. Om deze reden worden ontologieën ontwikkeld. Iemand die een bepaalde taal beheerst, begrijpt gemakkelijk de betekenis van een tekst in natuurlijke taal die hem of haar wordt voorgelegd, terwijl een computerprogramma dezelfde informatie interpreteert als een verzameling tekstsymbolen en bijbehorende metatags. Ontologieën vormen de verbindende schakel die informatie in natuurlijke taal omzet in een conceptueel kennismodel dat gemakkelijk kan worden geïnterpreteerd door robots voor het verzamelen en verwerken van informatie. Het ontwikkelen van ontologieën is een interdisciplinair proces dat de vakgebieden filosofie, taalkunde en informatica omvat (zie voor meer informatie Grigonytė 2010). In de filosofie wordt ontologie opgevat als de discipline die het zijn en het bestaan bestudeert. Taalkundigen vullen deze definitie van ontologie aan: in de taalkunde is een ontologie een netwerk van afzonderlijke concepten en de termen die deze beschrijven. In de informatica is een ontologie een logisch en formeel beeld van de werkelijkheid. De grootste en gemakkelijk toegankelijke bron van teksten in natuurlijke taal is het internet; daarom worden ontologieën vaak gezien als een van de hulpmiddelen voor het semantische web en semantisch zoeken. De W3C-organisatie, die normen voor websites ontwikkelt, omschrijft een ontologie als een verzameling termen die de kennis van een bepaald domein beschrijft: „ontologieën worden gebruikt door mensen, databases en toepassingsprogramma's die kennis over een bepaald domein willen delen 62 Irena Markievicz, Erika Rimkutė | Švietimo ir mokslo terminų žodynas ir ontologija informatie <...>. Ontologieën verbinden de concepten van een bepaald domein, aangepast aan computerprogramma's, en de relaties daartussen“ (W3C). Ontologie van onderwijs- en wetenschapstermen (hierna: ontologie van O&W-termen) is samengesteld om de verzameling O&W-termen te formaliseren die is ontwikkeld in het kader van het eerder genoemde inleidende project, en deze aan te vullen met semantische relaties die door toepassingsprogramma's kunnen worden geïnterpreteerd. De belangrijkste werkzaamheden bij het ontwikkelen van een ontologie zijn: de termen en concepten van het gekozen domein kwalitatief beschrijven en hun betekenissen formeel specificeren. Deze werkzaamheden zijn van belang om het probleem van de meerduidigheid van termen aan te pakken en een structureel terminologiemodel voor het domein O&W te ontwikkelen. De ontologie van O&W-termen is niet alleen ontwikkeld als een taxonomie van O&W-termen, maar ook als een van de mogelijke bronnen voor semantisch zoeken. De ontologie van O&W-termen is online beschikbaar op http://meta.vdu.lt/webprotege/, en wordt gevisualiseerd met behulp van het programma WebProtege, waarmee de gebruiker de hiërarchische klassenboom, de attributen ervan en voorbeelden van instanties van concepten kan bekijken. Door nieuwe tabbladen en blokken te openen of te verbergen, kan de gebruiker een handige grafische interface samenstellen. Het wordt aanbevolen de browsers Chrome of Mozilla Firefox te gebruiken. Om de relaties tussen termen beter weer te geven, wordt het aanbevolen Protege 4.3 met de plug-in OntoGraf te gebruiken. KEUZE VAN DE METHODOLOGIE VOOR DE ONTWIKKELING VAN EEN ONTOLOGIE VAN ONDERWIJS- EN WETENSCHAPSTERMINEN De geaggregeerde opvatting van ontologieontwikkeling wordt beschreven door het volgende procesmetamodel (zie Cimiano 2006 voor meer details): M={D, LA, T, S, C, TR}, waarin D staat voor het verzamelen van documenten, LA voor linguïstische annotaties, T voor de selectie van termen, S voor het identificeren van synoniemen, C voor het koppelen van termen en hun synoniemen aan concepten en TR voor het definiëren van semantische relaties tussen concepten. Bij het gebruik van verschillende methodologieën voor ontologieontwikkeling worden uiteenlopende ontwikkelingsstrategieën toegepast: sommige methodologieën besteden meer aandacht aan de levenscyclus van de ontologie en de ontwikkeling van prototypes (Cyc, TOVE, Methontology, On-To-Knowledge), terwijl andere meer nadruk leggen op het gebruik van ontologieën in toepassingen (KAKTUS). Bij sommige methoden worden ontologieën ontwikkeld op basis van verzamelde tekstcorpora (TOVE, On-To-Knowledge), bij andere op basis van grote algemene kennisontologieën (SENSUS, Cyc) (zie Corcho et al. 2003 voor meer details). Ontologieën worden doorgaans in de volgende fasen ontwikkeld: het kennisdomein wordt gekozen, de informatie wordt verwerkt (concepten, termen en beperkingen worden gedefinieerd), Terminologija | 2013 | 20 63 methoden voor het uitbreiden van de ontologie en evaluatiecriteria worden vastgelegd, en de documentatie van de ontologie wordt opgesteld (zie Uschold et al. 1996 voor meer details). Bij het samenstellen van ontologieën volgens deze methode wordt niet voorzien in de ontwikkeling van ontologieprototypes of in het gebruik van ontologieën als aanvullende informatiebronnen. Met deze methodologie zijn verschillende ontologieën voor bedrijfsactiviteiten ontwikkeld, maar er is niet vastgesteld hoe ze in toepassingen kunnen worden gebruikt. In het project On-To-Knowledge werd een methodologie voorgesteld die vooral gericht is op kennisbeheer en op de mogelijkheden om de toekomstige ontologie in informatiesystemen te gebruiken (zie Staab et al. 2001 voor meer details). Na een haalbaarheidsstudie werden de informatiebronnen, potentiële gebruikers van de ontologie en gebruikswijzen vastgesteld. Bij de verbetering van de On-To-Knowledge-ontologie namen deskundigen uit het gekozen domein deel; informatie die uit teksten en andere kennisbanken was verzameld, werd verwerkt. De kwaliteit van de ontologie werd beoordeeld door na te gaan of zij aan de vereisten voldeed en geschikt was voor toepassing. Al deze fasen van ontologieontwikkeling en -verbetering kunnen als aanbevelingen dienen voor het samenstellen van andere ontologieën. De beschreven methodologieën besteden vooral aandacht aan methoden voor het ontwikkelen van ontologieën op basis van tekstuele informatiebronnen. De SENSUS-methodologie voor ontologieën stelt voor om bij het ontwikkelen van een domeinspecifieke ontologie algemene kennisontologieën te gebruiken (zie Gomez-Perez et al. 2004 voor meer details). De methodologie voorziet in het groeperen van termen uit de kennisbank OntoSaurus tot een conceptenboom. Bij een poging om twee conceptklassen met elkaar te verbinden, wordt gezocht naar een algemene conceptklasse (Eng. root class). Bij de keuze van een methodologie voor de ontwikkeling van een ontologie van onderwijs- en wetenschapstermen is rekening gehouden met de beschikbare informatiebronnen en met de toepassingsmogelijkheden van taaltechnologieën en hulpmiddelen voor ontologieontwikkeling. Er werd besloten de ervaring te benutten die in het project Methontology was opgedaan (zie Mariano et al. 2004; Gomez-Perez et al. 2004; Corcho et al. 2003 voor meer details). De toepassing van Methontology voor de ontwikkeling van een ontologie van onderwijs- en wetenschapstermen en de middelen voor ontologieontwikkeling zijn weergegeven in figuur 1. In de specificatiefase worden het doel en de reikwijdte van de ontologie vastgelegd. Het conceptuele ontologiemodel wordt ontwikkeld op basis van het domein dat tijdens de specificatie is afgebakend; vervolgens wordt het geformaliseerd en omgezet in een formeel ontologiemodel. Tijdens het ontwikkelingsproces wordt het formele model geïmplementeerd volgens de vereisten van de gekozen ontologietaal. Zelfs een eenmaal ontwikkelde ontologie wordt vaak gewijzigd, uitgebreid of bijgewerkt. 64 Irena Markievicz, Erika Rimkutė Švietimo ir mokslo terminų žodynas ir ontologija Figuur 1. Processen en middelen voor het ontwikkelen van de terminologie-ontologie voor Onderwijs en Wetenschap (gebaseerd op Methontology) Met toepassing van het Methontology-model werden een terminologiewoordenlijst en een taxonomie van concepten opgesteld, werden relaties tussen afzonderlijke ontologieobjecten vastgesteld en werd een basis met voorbeelden van attributen, klassen, abstracte klassen en hun attributen en relaties samengesteld. Deze basis vermeldt in welke gevallen een gekozen concept bestaat, met welke andere concepten het verband houdt, en beschrijft tevens de instanties van de concepten. Ontologieën beschrijven verschillende zaken binnen hetzelfde specifieke domein: personen (bijv. rector, student), plaatsen (bijv. universiteit), processen (bijv. onderwijs, lesgeven), resultaten van processen (bijv. kunstwerk, bachelorproef), enzovoort. Al deze zaken worden in een ontologie aangeduid als concepten (Eng. concept), die als zelfstandige informatie-eenheid van de ontologie kunnen bestaan of met elkaar kunnen worden verbonden in conceptklassen (Eng. class). Een taxonomie van concepten (Eng. concepts taxonomy) – een systematische classificatie van concepten volgens het gekozen conceptuele ontologiemodel – wordt doorgaans opgesteld aan de hand van een terminologiewoordenlijst (Eng. glossary of terms), die in dit geval wordt opgevat als een formele lijst van termen en hun definities (zie voor meer informatie Uschold et al. 2004). In de klassieke taxonomie wordt een klasse gedefinieerd als „een groep vergelijkbare entiteiten die zich onderscheidt van andere groepen individuen“ (zie voor meer informatie Mayr 1987). Elke ontologieklasse wordt gekenmerkt door een verzameling eigenschappen (Eng. property) die specifiek zijn voor die klasse, en hun beperkingen (Eng. restriction), die worden overgeërfd door alle instanties (Eng. instance, individual) van een bepaalde klasse. Een entiteit is een concreet exemplaar van het gekozen concept (bijv. Zigmas Lydeka is een instantie van het concept rector). Terminologija | 2013 | 20 65 De termen in de terminologie-ontologie voor Onderwijs en Wetenschap werden vastgesteld aan de hand van linguïstische methoden in een gespecialiseerd corpus (zie voor meer informatie Grigonytė et al. 2011; Rimkutė 2012). De concepten en conceptklassen van de ontologie werden ontwikkeld volgens een gemengde strategie van beneden naar boven (Eng. down-top strategy) en boven naar beneden (Eng. top-down strategy) (zie voor meer informatie Uschold et al. 1996). Bij toepassing van de strategie beneden naar boven worden eerst de meest specifieke concepten geïdentificeerd; vervolgens worden deze vervangen door abstractere concepten. Bij toepassing van de strategie boven naar beneden worden eerst abstracte concepten gedefinieerd en vervolgens verfijnd. Bij toepassing van een gemengde strategie voor het opstellen van ontologieën worden eerst de uitgangsconcepten onderzocht en, afhankelijk van de behoeften, verfijnd of veralgemeend. Een deskundige op het gebied van Onderwijs en Wetenschap nam actief deel aan deze fase van de ontwikkeling van de taxonomie van ontologietermen. Hij groepeerde de termen volgens vakgebieden en stelde een eerste conceptueel ontologiemodel op. Bij het opstellen van een taxonomie van concepten wordt aanbevolen bijzondere aandacht te besteden aan de volgende stappen: een lijst met termen opstellen en daaruit de benodigde termen selecteren, een conceptueel model maken, definities opstellen en de termen evalueren (ISO 10241: 1992). STRUCTUUR VAN DE ONTOLOGIE VAN ONDERWIJS- EN WETENSCHAPSTERMINEN Een van de uitdagingen bij het ontwikkelen van ontologieën is het creëren van een kwalitatief hoogwaardige gegevensstructuur die universeel is en toepasbaar op verschillende informatieverwerkende systemen, en compatibel is met andere kennisbronnen. Het belangrijkste element van een ontologie is het ding (Eng. thing), dat alle ontologieconcepten abstraheert. De noodzaak van dit element wordt verklaard door de filosofische definitie van ontologie als wetenschap die het zijn bestudeert. Een ontologie formaliseert alle kennis over een bepaald domein; daarom is een essentieel element ervan een abstracte klasse die alle concepten van het gespecialiseerde domein omvat. Concepten, termen en axioma’s zijn de belangrijkste conceptuele elementen van elke ontologie. Het is belangrijk onderscheid te maken tussen de betekenis van een term en die van een concept. In de norm LST ISO 1087-1 (2005) wordt sąvoka omschreven als „[e]en kenniseenheid die bestaat uit een specifieke combinatie van kenmerken”. Een concept is onafhankelijk van taal; alleen de context kan er invloed op hebben. Terminas is de identificator van een concept, dat wil zeggen „[e]en verbale aanduiding van een algemeen concept binnen een specifiek vakgebied” (LST ISO 1087-1: 2005). Axioma’s beschrijven de beperkingen van een specifiek domein en vormen de hiërarchische structuur van de concepten van een ontologie. Tot de formele structurele objecten van een ontologie behoren concepten, conceptklassen, instanties van klassen en concepten, eigenschappen van klassen, concepten en instanties, relaties die alle ontologieobjecten met elkaar verbinden, en beperkingen. 66 Irena Markievicz, Erika Rimkutė Švietimo ir mokslo terminų žodynas ir ontologija Fig. 2. Structuur van de ontologie van onderwijs- en wetenschapstermen volgens de domeinen van het bedrijfsactiviteitenmodel Op aanbeveling van de expert zijn alle termen ingedeeld in drie abstracte klassen: input, proces en output (zie fig. 2), die kenmerkend zijn voor bedrijfsactiviteitenmodellen (zie voor meer informatie ISO 9001: 2000). In de klasse Input worden de vereisten, middelen en gegevens van een systeem of een specifieke activiteit aangegeven. Daarom behoren de terminologiegroepen infrastructuur, instelling en deelnemer tot deze categorie. Activiteitsprocessen worden onderverdeeld in kernprocessen (de klasse activiteit), die toegevoegde waarde creëren, en ondersteunende processen (de klasse administratie), die de werking van de kernprocessen versterken en de infrastructuur voor de processen waarborgen. Output geeft een samenvatting van de effectiviteit en productiviteit van het proces: welke resultaten hadden kunnen worden bereikt, welke zijn bereikt en welke middelen daarvoor zijn ingezet (de klassen wetenschappelijke output, output van beroepsopleiding, studie-output en artistieke output). Elke abstracte klasse van het domein kan aanvullende domeinsubklassen hebben (zoals te zien is in figuur 3, is deelnemer een subklasse van de klasse beheerder; deze subklasse wordt verder onderverdeeld). De ontologie van onderwijs- en wetenschapstermen bevat in totaal 29 abstracte klassen. Hun voornaamste doel is een algemeen conceptueel model van de ontologie te ontwikkelen volgens de eerder genoemde strategie van boven naar beneden. Terminologija | 2013 | 20 67 Fig. 3. Deelnemer algemene concepten van de klasse en abstracte subklassen in de terminologieontologie van onderwijs en wetenschap De ontologie van onderwijs- en wetenschapstermen bestaat uit 465 algemene concepten7, waarvan de hiërarchie is opgebouwd met behulp van herkenningspatronen voor definiërende contexten (zie voor meer informatie Bielinskienė et al. 2012). Definiërende contexten komen gedeeltelijk of volledig overeen met termdefinities en zijn opgebouwd uit hyperonieme concepten. Zo wordt het concept student gedefinieerd als een persoon die aan een instelling voor hoger onderwijs studeert volgens een programma voor reguliere studies. En een buitenlandse student is een student die vanuit een ander land naar een instelling voor hoger onderwijs in een bepaald land komt om een volledig programma voor reguliere studies of een deelstudie te volgen. In de ontologie van wetenschappelijke termen worden de volgende taxonomische relaties onderscheiden: – subklasse van een klasse (Eng. subclass-of) – bijvoorbeeld, een masterstudent is een subklasse van de klasse student; – disjuncte decompositie (Eng. disjoint-decomposition) – bijvoorbeeld, studie-output kan niet tegelijkertijd zowel een bachelorproef als een proefschrift zijn; – volledige decompositie (Eng. exhaustive-decomposition) – bijvoorbeeld, de klasse docent omvat de subklassen universitair hoofddocent, docent, hoogleraar, enzovoort. Als een bepaald object een docent is, moet het tot ten minste één van de genoemde subklassen behoren; – partitie (Eng. partition) – bijvoorbeeld, het concept studiesemester omvat de concepten voorjaarssemester en najaarssemester. Wanneer het over een studiesemester gaat, moet het tot een van de genoemde subklassen behoren. 7 De ontologie bevat ook termen die niet in het woordenboek van onderwijs- en wetenschapstermen voorkomen, dat wil zeggen termen die niet volledig zijn gedefinieerd. 68 Irena Markievicz, Erika Rimkutė Švietimo ir mokslo terminų žodynas ir ontologija Afb. 4. Taxonomische hiërarchie van het concept student in de terminologieontologie voor onderwijs en wetenschap Aangezien het belangrijkste kwaliteitscriterium van een ontologie de eenduidigheid van termen is, is bij het ontwikkelen van de terminologieontologie voor onderwijs en wetenschap veel aandacht besteed aan het kwalitatief samenstellen van de verzameling eigenschappen van de concepten. Voor het vaststellen van de verzameling eigenschappen van klassen, concepten en entiteiten zijn sjablonen voor de herkenning van beschrijvende contexten geschikt (zie voor meer informatie Bielinskienė et al. 2012). Beschrijvende contexten geven de aard van het geanalyseerde concept en de relatie ervan met andere onderdelen van het systeem weer. Afb. 5. Toepassingsmogelijkheden van het attribuut actief in de terminologieontologie voor onderwijs en wetenschap8 Met dezelfde eigenschap kunnen verschillende concepten worden beschreven. Zo is de eigenschap actief kenmerkend voor vier concepten: praktijkwerk, praktijkopleiding, praktijksessie en oefeningen (zie afb. 5). Daarom is het belangrijk te benadrukken dat een concept alleen met een bepaalde unieke combinatie van eigenschappen kwalitatief kan worden beschreven. 8 Omdat met de ontologieontwikkelings- en visualisatietool Protege 4.3 geen Litouwse taal kon worden gebruikt, zijn de structurele elementen van de ontologie (bijv. ObjectProperty, Domain) in het Engels weergegeven. Terminologija | 2013 | 20 69 Afb. 6. Verzameling van eigenschappen en hun beperkingen voor het concept academisch uur in de terminologieontologie voor onderwijs en wetenschap Elke eigenschap kan vermelde beperkingen hebben of relaties met andere concepten of conceptklassen. Zo wordt academisch uur omschreven als een eenheid voor de duur van contactonderwijs door docenten en studenten, gelijk aan 45 minuten. De formele, ontologische definitie van dit concept noemt de volgende verzameling eigenschappen: academisch uur als subklasse van proces; deelnemers zijn studenten en een docent; het is een contactproces met een duur, die wordt gedefinieerd als de constante 45 minuten (zie afb. 6). De eigenschappen van klassen en concepten, hun beperkingen en relaties met andere eigenschappen worden overgenomen door entiteiten — instanties van concrete klassen en concepten, die zich onderscheiden door Afb. 7. Boomdiagram van de relaties tussen concepten en entiteiten in de terminologieontologie voor onderwijs en wetenschap 70 Irena Markievicz, Erika Rimkutė | Švietimo ir mokslo terminų žodynas ir ontologija met dezelfde eigenschappen. Als bijvoorbeeld in de ontologie wordt aangegeven dat rector leiding geeft aan een universiteit, dan geeft de instantie van deze concepten – Zigmas Lydeka – leiding aan VDU, dat wil zeggen aan de instantie van het concept universiteit (zie fig. 7). De ontologie van onderwijs- en wetenschapstermen is ontwikkeld in de OWL-taal met het ontologieontwikkelprogramma Protege 4.3 en gevisualiseerd met het programma WebProtege of de plug-in OntoGraf9. BEOORDELING EN TOEPASSING VAN DE ONTOLOGIE VAN ONDERWIJS- EN WETENSCHAPSTERMINEN De ontologie van onderwijs- en wetenschapstermen omvat momenteel 29 abstracte conceptklassen en 465 algemene concepten, 87 eigenschappen van concepten, conceptklassen en hun instanties, 141 instanties en 296 relaties tussen de conceptklassen, concepten en instanties van de ontologie. De complexiteit van een ontologie kan formeel worden beoordeeld aan de hand van metrieken uit de beschrijvende logica (Engels: description logic) (zie voor meer informatie Corcho et al. 2003; Baader 2003). De ontologie van onderwijs- en wetenschapstermen is beoordeeld als ALCHON(D)-complexiteitsniveau; hierbij geldt: – AL – attributentaal; hiermee kunnen concepten aan elkaar worden gekoppeld en kunnen er universele beperkingen voor worden opgesteld; – C – geeft aan dat relaties tussen concepten kunnen worden ontkend; – H – geeft aan dat een hiërarchie van rollen kan worden opgesteld; – O – beperkingen die de hoeveelheid bepalen (relaties: precies één, één van vele); – N – kardinaliteitsbeperkingen (relaties: minder, meer); – (D) – eigenschappen van gegevenstypen. Naast de ontologiewoordenschat, de taxonomie en de semantische relaties worden ook de mogelijkheden voor gebruik en toepassing ervan beoordeeld. De gekozen taal voor het ontwikkelen van OWL-ontologieën is geschikt voor het trekken van semantische conclusies, het aanvullen van de ontologie met nieuwe concepten of het koppelen van ontologieën uit verschillende domeinen. Het structurele terminologiemodel van het onderwijs- en wetenschapsdomein is zo opgesteld dat elk ontologieconcept wordt beschreven met een unieke reeks eigenschappen en semantische relaties – deze oplossing helpt het probleem van de meerduidigheid van termen aan te pakken. Deze bron is niet alleen ontwikkeld als taxonomie van termen uit het onderwijs- en wetenschapsdomein, maar ook als een van de mogelijke hulpmiddelen voor semantisch zoeken en natuurlijke taalverwerking. 9 Meer informatie: http://protege.stanford.edu. Terminologija | 2013 | 20 71 Tot nu toe is veel aandacht besteed aan de vraag hoe ontologieën kunnen worden toegepast bij het computeriseren van natuurlijke taal, door die te systematiseren en begrijpelijk te maken voor computerprogramma’s. Wellicht is op het eerste gezicht niet helemaal duidelijk waarom ontologieën nuttig kunnen zijn voor taalkundigen of specialisten uit andere vakgebieden. Benadrukt moet worden dat ontologieën bijzonder nuttig zijn voor terminologen, omdat de onderlinge verbanden tussen termen duidelijk zichtbaar zijn met behulp van visualisatiemiddelen voor ontologieën. Ter illustratie van termen kunnen concrete woorden worden gekozen die in de ontologie bij die termen zijn opgenomen (in de ontologie aangeduid als esiniais). Zowel het woordenboek van onderwijs- en wetenschapstermen als de ontologie kan deelnemers aan het onderwijs- en wetenschapsdomein helpen: docenten, leerkrachten, administratief medewerkers, studenten en scholieren, aangezien deze bronnen laten zien hoe bijvoorbeeld studenten worden geclassificeerd, welke soorten opleidingen er zijn, waaruit het bestuur van instellingen voor hoger onderwijs bestaat, enzovoort. ALGEMENE OPMERKINGEN In dit artikel zijn het Švietimo ir mokslo terminų žodynas en de Švietimo ir mokslo terminų ontologija gepresenteerd. Zowel het woordenboek als de ontologie zijn verder ontwikkeld. Het grootste voordeel en de grootste onderscheidende eigenschap van beide bronnen is dat ze zijn opgesteld volgens corpuslinguïstische en computationeel-linguïstische principes, die door Litouwse terminologen nog maar beperkt worden toegepast. Het woordenboek van onderwijs- en wetenschapstermen is online beschikbaar en bevat 224 termen die uit één tot vijf woorden bestaan. Dit woordenboek onderscheidt zich van andere terminologische woordenboeken doordat het naast de gebruikelijke onderdelen (de termen zelf, definities en equivalenten in vreemde talen) alle verbogen vormen van elke term met hun frequenties bevat, evenals voorbeelden uit het corpus van onderwijs- en wetenschapsteksten, collocaties en concordanties. Deze gegevens zijn van belang omdat gebruikers van het woordenboek zich zo een volledig beeld kunnen vormen van het gebruik en de context van een bepaalde term; ook kunnen zij belangrijke kenmerken van de term vinden die mogelijk niet in de definitie worden vermeld. De online beschikbare ontologie van onderwijs- en wetenschapstermen laat zien door welke semantische relaties de termen uit dit domein met elkaar verbonden zijn en maakt deze informatie begrijpelijk voor computerprogramma’s. Ontologieën kunnen bijzonder nuttig zijn voor terminologen die termen uit een bepaald domein classificeren en beschrijven en concrete voorbeelden geven. De verwachting is dat zowel het woordenboek van onderwijs- en wetenschapstermen als de ontologie methodologisch belangrijke hulpmiddelen zullen zijn en Litouwse terminologen ertoe zullen aanzetten de mogelijkheden van corpora beter te benutten voor het onderzoeken, beschrijven en classificeren van termen. 72 Irena Markievicz, Erika Rimkutė Švietimo ir mokslo terminų žodynas ir ontologija LITERATŪRA Baader F. 2003: Appendix: description logic terminology. – The description logic handbook: theory, implementation, and applications, Cambridge: Cambridge university press. Bielinskiene A., Boizou L., Kovalevskaite J., Utka A. 2012: Towards the Automatic Extraction of Term-defining Contexts in Lithuanian. – Human Language Technologies. The Baltic Perspective: Proceedings of the Fifth International Conference Baltic HLT 2012, Amsterdam, Berlin, Tokyo, Washington, DC: IOS Press, 18–26. Cimiano P. 2006: Ontology Learning and Population from Text: Algorithms, Evaluation and Applications, Karlsruhe: Springer. Corcho O., Fernández-López M., Gómez-Pérez A. 2003: Methodologies, tools and languages for building ontologies. Where is their meeting point? – Data & knowledge engineering 46(1), 41–64. Gomez-Perez A., Corcho O., Fernandez-Lopez M. 2004: Ontological Engineering: with examples from the areas of Knowledge Management, e-Commerce and the Semantic Web, London: Springer-Verlag. Gornostay T., Ramn A., Heid U., Morin E., Harastani R., Planas E. 2012: Terminology Extraction from Comparable Corpora for Latvian. – Human Language Technologies. The Baltic Perspective: Proceedings of the Fifth International Conference Baltic HLT 2012, Amsterdam, Berlin, Tokyo, Washington, DC: IOS Press, 66–73. Grigonytė G. 2010: Building and Evaluating Domain Ontologies: NLP Contributions, Logos Verlag Berlin GmbH. Grigonytė G., Rimkutė E., Utka A., Boizou L. 2011: Experiments on Lithuanian Term Extraction. – Proceedings of the 18th Nordic Conference of Computational Linguistics NODALIDA 2011. NEALT Proceedings Series 11, 82–89. ISO 10241: 1992 International terminology standards – Preparation and layout. Geneva: ISO. ISO 9001: 2000 Quality management systems – Requirements, Geneva: ISO. Kruglevskis V., Vancāne I. 2005: Term Extraction from Legal Texts in Latvian. – Proceedings of the Second Baltic Conference Human Language Technologies, 155–159. LST ISO 1087-1: 2005 Terminologijos darbas. Aiškinamasis žodynas. 1 dalis. Teorija ir taikymas (tpd ISO 1087-1: 2000). Mariano F., Gomez-Perez A., Juristo N. 2004: Methontology: From Ontological Art Towards Ontological Engineering. – AAAI-97 Spring Symposium. Series on Ontological Engineering, Stanford: AAAI Press, 33–40. Mayr E. 1987: The ontological status of species: scientific progress and philosophical terminology. – Biology and Philosophy 2(2), 145–166. Rimkutė E. 2010: Lietuvių kalbos terminų automatinio nustatymo galimybės. – Kalbų studijos 16, 71–78. Rimkutė E. 2012: Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais. – Terminologija 19, 54–69. Staab S., Studer R., Schnurr H. P. 2001: Knowledge Processes and Ontologies. – Intelligent Systems 16(1), 26–34. Uschold M., Gruninger M. 1996: Ontologies: Principles, methods and applications. – Knowledge engineering review 11(2), 93–136. Uschold M., Gruninger M. 2004: Ontologies and semantics for seamless connectivity. – ACM SIGMod Record 33(4), 58–64. W3C – OWL Web Ontology Language Use Cases and Requirements. Prieiga internete http://www.w3.org/TR/2002/WD-webont-req-20020307/ (žiūrėta 2013-10-14). ONTOLOGY AND DICTIONARY OF SCIENCE AND EDUCATION TERMS The paper presents the dictionary and the ontology of science and education terms. The proposed approach of ontology and dictionary building uses the following Natural Language Processing techniques: linguistic pattern recognition, collocation extraction, morphological analysis, POS tagging, and others. The dictionary of science and education is available online and contains 224 one word and multiword terms (their length is up to 5 words). The dictionary contains the Terminologija | 2013 | 20 73 necessary dictionary fields (terms, definitions, translations to other languages), as well as some additional fields such as declined forms of terms with their frequencies, examples of term usage, collocations and concordances from the special science and education corpus. The main focus of the paper is the ontology of terms in the domain of science and education. Authors present, how different research areas define ontologies, what are the possibilities of their use, what are ontology building methods. The structure of the ontology is illustrated by multiple examples. The hierarchical structure of concepts, their properties and relationships make this information readable and understandable for knowledge-based information systems. Ontologies can be particularly useful for terminology experts, who try to classify and describe terms, concepts and their instances in a domain specific field. Both resources can be valuable for lecturers, teachers, administration management bodies, students, etc. While using the ontology, they can define and conceptualize the processes of studying, teaching or learning. The paper introduces the possibilities of semi-supervised term extraction with mixed prescriptive and descriptive term analysis methods, which can be useful for terminology experts, lexicographers, and creators of lexical databases. Gauta 2013-10-29 Irena Markievicz Vytauto Didžiojo universitetas K. Donelaičio g. 52, LT-44248 Kaunas E. paštas [email protected] Erika Rimkutė Vytauto Didžiojo universitetas K. Donelaičio g. 52, LT-44248 Kaunas E. paštas [email protected] 74 Irena Markievicz, Erika Rimkutė | Švietimo ir mokslo terminų žodynas ir ontologija