Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

Automatické určování termínů z oblasti vzdělávání a vědy lingvistickými metodami ERIKA RIMKUTĖ Vytauto Didžiojo universitetas KLÍČOVÁ SLOVA: korpus, termíny z oblasti vzdělávání a vědy, lingvistické metody, lemma, gramatický tvar ÚVOD Korpusová lingvistika a počítačová lingvistika v Litvě mají za sebou již druhé desetiletí – počátky těchto vědních oborů lze spojovat se založením Centra počítačové lingvistiky na Univerzitě Vytautase Magnuse (viz http://tekstynas.vdu.lt)) v roce 1994. Bylo vytvořeno několik korpusů a programů pro automatickou analýzu a syntézu jazyka1. Přesto se zásady korpusové lingvistiky v terminologii a terminografii dosud uplatňují jen málo. Článek z roku 2010 Možnosti automatického určování termínů litevského jazyka (Rimkutė 2010) přinesl přehled toho, nakolik se korpusy využívají při tvorbě různých terminologických prací v Litvě. Termíny litevského jazyka lze nalézt v několika mezinárodních databázích a terminologických bankách; vzniklo také značné množství elektronických terminologických slovníků a databází2, avšak všechny litevské elektronické terminologické slovníky jsou v zásadě sestaveny na základě terminologických slovníků. Mnohé litevské slovníky byly vytvořeny na základě poměrně malého množství textů a jazykové intuice, lze tedy tvrdit, že v Litvě stále převládá preskriptivní způsob získávání a popisu termínů. Článek si klade za cíl představit výsledky projektu3 zaměřeného na určování a popis termínů z oblasti vzdělávání a vědy, které se týkají automatického určování ter- 1 Úplný soupis lituanistických zdrojů vytvořených do roku 2011 najdete na http://sruoga.vdu.lt/lituanistiniai-skaitmeniniai-istekliai/lituanistiniu-istekliu-sarasas. 2 Odkazy jsou uvedeny ve zmíněném článku. 3 Jde o projekt financovaný Radou pro výzkum Litvy Automatická identifikace termínů z oblasti vzdělávání a vědy (ŠIMTAI 2) (číslo smlouvy LIT-2-44). Hlavní cíle tohoto projektu jsou: 1) vytvořit a otestovat metodiku automatického rozpoznávání termínů v litevském jazykovém korpusu jako nový nástroj pro správu terminologie, 2) vytvořit specializovaný korpus textů z oblasti vzdělávání a vědy, 3) na základě specializovaného korpusu sestavit výkladový slovník termínů z oblasti vzdělávání a vědy a ontologii této oblasti. 54 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais jejich popisem. Myšlenka projektu zaměřeného na automatické určování termínů vznikla, když se ukázalo, že stávající normativní zdroje4 jsou poměrně neúplné, zaměřují se na nejobecnější termíny vzdělávací politiky a téměř vůbec nepokrývají oblast vědní politiky; nestíhají v nich být uváděny nové termíny vyplývající z praktické práce a terminologové je nestíhají normovat. Tradiční normování je přesto poměrně subjektivní, a proto je třeba užívání i normy opírat o metody korpusové lingvistiky. Tento článek se tedy bude zabývat v Litvě dosud poměrně novým způsobem výběru a analýzy termínů, který by mohl práci terminologů značně usnadnit a zajistit větší objektivitu. AUTOMATICKÉ URČOVÁNÍ TERMÍNŮ Aby bylo možné automaticky určit a definovat termíny určité oblasti, byla zvolena jedna oblast – věda a vzdělávání. Byl sestaven korpus textů z oblasti vzdělávání a vědy (dále jen ŠM) o rozsahu 4 milionů slov, při jehož tvorbě se vycházelo ze dvou hlavních témat: 1) vědecký výzkum a 2) vzdělávání. V oblasti vědeckého výzkumu byla největší pozornost věnována politice vědeckého výzkumu a politice vysokého školství. Z oblasti vzdělávání bylo zahrnuto postsekundární vzdělávání, přičemž největší důraz byl kladen na vysoké školství a další vzdělávání. Jako doplňková oblast bylo zahrnuto také odborné vzdělávání. Při sestavování korpusu bylo cílem pokrýt texty různých žánrů a typů, například zákony, další politické dokumenty nejvyšších státních institucí (usnesení a prohlášení Seimasu Litevské republiky, vlády Litevské republiky a prezidenta Litevské republiky, rozhodnutí Ústavního soudu atd.); strategické dokumenty; prováděcí předpisy k zákonům; dokumenty institucí a projektů realizujících politiku vědy a vzdělávání; dokumenty institucí vědy a studia; informační publikace, výzkumy stavu dané oblasti, hodnocení a studie proveditelnosti; tiskové zprávy a materiály z diskusí. Máme-li reprezentativní a dobře vyvážený korpus textů zkoumané oblasti5, lze termíny určovat automaticky. K tomuto účelu se nejčastěji používají— 4 Lze zmínit Terminologickou databanku Litevské republiky, Encyklopedický slovník termínů pedagogiky L. Jovaiši (2007), tezaurus TESE [cit. 2012-05-20], dostupný na internetu: http://eacea.ec.europa.eu/education/eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf. 5 Reprezentativnost a velikost korpusů patří k nejsložitějším otázkám korpusové lingvistiky. Lze předpokládat, že korpus ŠM zkoumanou oblast reprezentuje poměrně dobře. Jeho velikost je spornější; například anglicko-italský právní korpus Bononia Legal Corpus (BOLC) má přibližně 18 milionů slov (Rossini Favretti et al. 2001). Terminologija | 2012 | 19 55 Používají se tři typy metod: statistické, lingvistické a hybridní modely statistických a lingvistických metod. Bylo provedeno několik experimentů s cílem určit nejvhodnější metody určování termínů. Byly vyzkoušeny tyto statistické metody: 1) funkce programu WordSmith Tools Keyword Clusters; 2) metoda strojového učení KEA; 3) metoda extrakce kolokací s využitím nástroje LICE (podrobněji viz Grigon worth et al. 2011). Na základě těchto výzkumů bylo vyvozeno, že pro litevštinu jsou nejvhodnější lingvistické metody. Dále jsou stručně vysvětleny jejich charakteristiky. Hlavní výhodou statistických systémů pro určování termínů je, že nevyžadují rozsáhlé databáze s příklady termínů označenými lidmi. Navíc nejsou závislé na jazyce. Základní princip fungování statistických systémů vychází z toho, že slova, která se často vyskytují společně, spolu souvisejí a lze je považovat za potenciální termíny. Lingvistické metody se obvykle opírají o morfologické značky a slovosled. Aby bylo možné lingvistické metody použít, jsou zapotřebí morfologicky anotované korpusy. Při použití lingvistických metod určování termínů se obvykle zjišťuje, jaké gramatické tvary mohou mít termíny. Při určování gramatických tvarů je nutné zohlednit jazykové zvláštnosti. Například u analytických jazyků je důležité určit slovní druh termínů. Slovní druh termínů je velmi důležitý také v litevštině, je však třeba vědět, jaké informace o dalších gramatických kategoriích jsou pro automatické určování termínů nezbytné. Ukázalo se, že pro litevštinu jsou důležité také kategorie čísla a pádu, zatímco kategorie rodu není při automatickém určování termínů příliš významná6. Tyrinėtojų (pvz., Bowker 2002) nustatyta, kad beveik neįmanoma pritaikyti kitoms kalboms sukurtų terminus nustatančių įrankių, ypač tų, kurie naudoja lingvistinius metodus. Pavyzdžiui, tipiška anglų kalbos terminų struktūra yra bdv. + dkt., dkt. + dkt., o prancūzų kalbai būdingi modeliai yra dkt. + bdv., dkt. + prl. + dkt. Taigi norint taikyti lingvistinius terminų atpažinimo metodus, reikia sukurti programą, kurioje būtų atsižvelgta į tam tikros kalbos gramatinę sistemą. Dále budou v tomto článku představeny pokusy o automatické určování litevských termínů pomocí lingvistických metod. Je třeba upozornit 6 Rod nabývá na významu v případech, kdy dochází k synkretismu pádů, například mokslo darbuotojų: program pro automatickou morfologickou analýzu rozpozná tvar darbuotojų jak jako genitiv plurálu podstatného jména mužského, tak ženského rodu, a proto jako základní tvar uvádí jak mokslo darbuotojas, tak mokslo darbuotoja. Jako termín by měla být uvedena forma mužského rodu, tj. mokslo darbuotojas. 56 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais za zmínku stojí, že k určení možných termínů (dále jen GT)7 byl použit program vytvořený v Centru počítačové lingvistiky VDU. Tento program využíval lingvistická pravidla, která určovala, které kombinace slovních druhů nebo slovní tvary je třeba analyzovat. Jak již bylo uvedeno, použití lingvistických metod vyžaduje morfologicky anotované korpusy, proto byl nejprve shromážděný korpus ŠM morfologicky anotován pomocí morfologického anotátoru8 vytvořeného v Centru počítačové lingvistiky VDU. Níže je uveden příklad automaticky morfologicky anotovaného textu: <slovo=”PROJEKTŲ” lemma=”projektas” typ=”dktv vyr.gim dgsk K”>9 <mezera> <slovo=”FINANSAVIMO” lemma=”finansavimas” typ=”dktv vyr.gim vnsk K”> <mezera> <slovo=”SĄLYGŲ” lemma=”sąlyga” typ=”dktv mot.gim dgsk K”> <mezera> <slovo=”APRAŠAS” lemma=”aprašas” typ=”dktv vyr.gim vnsk V”> <odst.> <slovo=”I” lemma=”I” typ=”rom skaič”> <oddělovač=”.”> <mezera> <slovo=”BENDROSIOS” lemma=”bendras” typ=”bdvr teig nelygin.l įvardž mot.gim vnsk K”> <mezera> <slovo=”NUOSTATOS” lemma=”nuostata” typ=”dktv mot.gim vnsk K”>10 <odst.> <číslo=”1”> <oddělovač=””> <mezera> <číslo=”2007”> <oddělovač=”–”> 7 Programy, které automaticky určují termíny pomocí různých metod, obvykle rozpoznávají možné termíny, tedy kandidáty na termíny (viz Zeller 2005), ačkoli mezi automaticky určenými slovy či spojeními se často vyskytují zcela nesmyslná slovní spojení nebo smysluplná neterminologická spojení slov, například kolokace. Skutečné termíny z těchto slov a spojení obvykle určuje odborník v dané oblasti. 8 Podrobněji viz http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use. 9 Word označuje konkrétní slovní tvar použitý v textu, lemma označuje základní tvar (lemmu) a type podrobnou morfologickou informaci. 10 Je třeba upozornit, že morfologická anotace se provádí automaticky, a proto dochází i k chybám; například v tomto příkladu je kvůli synkretismu pádových tvarů uveden nesprávný tvar: místo nominativu množného čísla ženského rodu je uveden genitiv jednotného čísla ženského rodu. Podrobněji o nepřesnostech způsobených specifiky morfologického anotátoru viz kapitolu Problémy automatického určování termínů. Terminologija | 2012 | 19 57 <number=”2013”> <space> <m=”m” lemma=”m” typ=”sntrmp” <sep=”.”> <space> Princip fungování programů, které automaticky určují GT, lze stručně a jednoduše popsat takto: analyzuje se morfologicky označený text a hledají se související řetězce slov. Prvním kritériem je výběr souvislých slovních spojení podle označených hranic textu a vět. Některé hranice textu jsou označeny jako interpunkční znaménka, jiné mohou být označeny jako značky HTML, například značka odstavce <p>, značka mezery mezi slovy <space> apod. Dále je třeba připravit určitá lingvistická pravidla, která se použijí v programu. Při určování termínů z oblasti vzdělávání a vědy byla připravena a použita tato základní pravidla11: 1. Analyzují se pouze spojení obsahující alespoň jedno podstatné jméno. Pokud je GT dvouslovný nebo delší, mohou být dalšími slovními druhy v takovém spojení přídavná jména a příčestí. 2. Analyzují se pouze spojení, jejichž poslední slovo musí být podstatným jménem12. 3. U dvouslovných GT se neanalyzují vlastní podstatná jména, protože jsou nejčastěji součástí názvů osob, společností, institucí apod., které se nepovažují za termíny dané oblasti (při určování delších termínů se vlastní podstatná jména zahrnují také do seznamů termínů GT). 4. Ze spojení odstranit čísla zapsaná číslicemi. 5. Neanalyzovat slova ani spojení, která obsahují alespoň jedno slovo nerozpoznané morfologickým anotátorem. Nejčastěji jde o vsuvky v cizím jazyce, slova napsaná s chybami nebo zkrácené slovní tvary13. Po uplatnění těchto pravidel byly určeny GT, z nichž expert14 vybral termíny z oblasti vzdělávání a vědy. Tyto termíny byly podrobněji analyzovány a jejich struktura je popsána v kapitole Struktura termínů z oblasti vzdělávání a vědy. 11 Pravidla jsou univerzální a v zásadě se hodí k automatickému určování termínů z jakékoli oblasti. 12 Možná je i jiná struktura termínů, například podstatné jméno s předponou a infinitivem nebo konstrukce podstatného jména s předložkou. Termínů tohoto typu je málo, proto nebyly analyzovány. Při pokračování ve výzkumu by bylo vhodné analyzovat i struktury termínů, které tento článek nezahrnuje. 13 Uplatněním určitých omezení při výběru GT lze přijít o cenné informace. V této studii nebylo vypočítáno, kolik skutečných termínů nebylo rozpoznáno. Při používání programů pro automatické rozpoznávání termínů je třeba počítat s tím, že část informací bude ztracena, automaticky určené informace se však budou snáze zpracovávat a získaná spojení budou gramaticky správnější. 14 Expertem tohoto projektu je litevista Giedrius Viliūnas, který má rozsáhlé pedagogické, administrativní a manažerské zkušenosti v oblasti vzdělávání a vědy. 58 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais VÝBĚR TERMÍNŮ Použitím metody popsané v předchozí kapitole, programu a pravidel v něm použitých bylo určeno přibližně 11 tisíc GT tvořených jedním až patnácti slovy15. Vzhledem k tak velkému množství dat bylo uplatněno několik výběrových kritérií. Prvním byla délka termínů: s ohledem na obecné tendence ve struktuře termínů bylo rozhodnuto analyzovat termíny nejvýše sedmislovné. Druhým kritériem byla četnost výskytu termínů. K další podrobné analýze byly vybrány jednoslovné GT, které se v korpusu textů z oblasti vzdělávání a vědy vyskytly nejméně 20krát; dvouslovné GT s nejméně 10 výskyty; tříslovné GT s nejméně 8 výskyty; čtyřslovné GT s nejméně 6 výskyty; pětislovné GT s nejméně 4 výskyty; šestislovné GT s nejméně 3 výskyty a sedmislovné GT s nejméně 2 výskyty. Při automatickém počítání četnosti výskytu GT se vycházelo z lemmat, tedy základních (slovníkových) tvarů slov. Po uplatnění těchto výběrových kritérií byly určené termíny podrobněji zkoumány (jejich struktura je představena v následující kapitole). Po přezkoumání GT určených podle výše uvedených kritérií expert vybral skutečné termíny z oblasti vzdělávání a vědy. Jejich rozdělení podle délky je uvedeno v tabulce 1. Tabulka 1. Rozdělení termínů z oblasti vzdělávání a vědy podle délky Počet slov tvořících termín Počet termínů Počet termínů,% 1 155 19,87 2 474 60,77 3 125 16,03 4 22 2,82 5 4 0,51 Celkem 780 100,00 15 Zde je uvedeno několik nejdelších nalezených termínů: v případech uvedených v daném bodě předpisu se na základě rozhodnutí komise jmenované ředitelem fondu vrací příjemci půjčka podporovaná státem (15 slov; čísla, tj. označení bodu, jsou zde vynechána); na adresu místa bydliště příjemce půjčky uvedenou ve smlouvě o půjčce podporované státem uzavřené úvěrovou institucí (13 slov); postup úhrady školného studentů univerzity na akademický rok stanoví příkaz rektora (11 slov). Je zřejmé, že tyto úryvky textu nelze považovat za možné termíny. Terminologija | 2012 | 19 59 Z údajů v tabulce vyplývá, že přibližně 97% všech termínů z oblasti vzdělávání a vědy tvoří termíny složené z 1–3 slov. Mezi šesti- a sedmislovnými kandidáty na termíny nebyly žádné termíny z oblasti vzdělávání a vědy nalezeny, proto nebyly dále analyzovány. STRUKTURA TERMÍNŮ Z OBLASTI VZDĚLÁVÁNÍ A VĚDY Tato kapitola podrobně popisuje strukturu termínů z oblasti vzdělávání a vědy, které byly určeny automaticky a vybrány expertem, a uvádí jejich gramatické modely. Termíny jsou popsány od nejkratších, tj. jednoslovných, po nejdelší, tj. pětislovné. 1. Jednoslovné termíny. Celkem bylo určeno 7635 jednoslovných kandidátů na termíny, z nichž se 1311 v korpusu vyskytlo více než 20krát. Dále byla podrobněji analyzována pouze tato slova. Z 1311 slov lze 155 považovat za termíny z oblasti vzdělávání a vědy, tj. přibližně 20%. Nejčastěji se v korpusu vyskytují tyto termíny z oblasti vzdělávání a vědy: studentas (420816), universitetas (3959), studijos (1562), mokslas (1508), sritis (1403). 2. Dvouslovné termíny. V korpusu o rozsahu 4 milionů slov bylo nalezeno 145 468 dvouslovných kandidátů na termíny. Jak již bylo uvedeno, dále byli analyzováni pouze ti dvouslovní kandidáti na termíny, jejichž četnost byla alespoň 10 výskytů – takových kandidátů bylo nalezeno 4889. Po jejich prohlédnutí zůstalo v konečném seznamu termínů z oblasti vzdělávání a vědy pouze 474 dvouslovných termínů, které představují většinu všech analyzovaných termínů – více než dvě třetiny (viz tabulka 1). Dvouslovné termíny lze rozdělit do tří typů podle jejich gramatických forem. 1) podst. jm. + podst. jm. Typu termínů z oblasti vzdělávání a vědy je 250, tj. 52,7% všech dvouslovných termínů. Nejčastějšími termíny z oblasti vzdělávání a vědy této struktury, které se vyskytují v korpusu, jsou studijų programa (1432), studijų pakopa (306), studijų kryptis (303), mokslo darbuotojas (289), studijų kokybė (253). 2) příd. jm. + podst. jm..17 Tato spojení tvoří 200 termínů z oblasti vzdělávání a vědy (42,2% dvouslovných termínů). Nejčastějšími termíny jsou aukštoji mokykla (2160), moksliniai tyrimai (918), aukštasis mokslas (730), nuotolinis mokymas (453), profesinis mokymas (403). Spojení příd. jm. + podst. jm. se považují za kandidáty na termíny v případě, že přídavné jméno je s podstatným jménem shodné v rodě, čísle a pádě. V opačném případě se… 16 V závorkách je uvedena četnost daného termínu v korpusu z oblasti vzdělávání a vědy o rozsahu 4 milionů slov. 17 U modelů dvouslovných termínů se pády neuvádějí, protože přídavná jména a příčestí se shodují s podstatnými jmény a podstatná jména jsou obvykle v jednotném čísle v nominativu. 60 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais gramaticky nesprávné¹⁸ spojení, např. užší univerzit, nejdůležitější práva, nejdůležitějšího učení, nejlepšího roku, nebo je spojení správné, třebaže často neúplné, a nejde o termíny vzdělávání a vědy, např. největší na světě, nejdynamičtější na světě, příznivé pro studenty. 3) přísl. + podst. jm. spojení jako termínů vzdělávání a vědy je pouze 24, tj. 5%. Nejčastější termíny vzdělávání a vědy: závěrečná práce (162), volitelný předmět (109), vzdělávání dospělých¹⁹ (65), zpětná vazba (63), aplikovaný výzkum (45). 3. Tříslovné termíny. Celkem bylo identifikováno 119 881 tříslovných GT. Podrobněji bylo analyzováno 2438 spojení, jejichž frekvence v korpusu nebyla nižší než 8 výskytů. Bylo nalezeno 125 termínů vzdělávání a vědy, tj. 16,03% všech termínů. Nejčastější termíny vzdělávání a vědy: instituce vysokoškolského vzdělávání (251), instituce odborného vzdělávání (205), státem podporovaná půjčka (149), škola všeobecného vzdělávání (147), instituce odborného vzdělávání (77). Tříslovné termíny vzdělávání a vědy odpovídají sedmi gramatickým modelům. Mezi tříslovnými termíny vzdělávání a vědy jsou nejčastější spojení typu příd. jm. 2. p. + podst. jm. 2. p. + podst. jm.²⁰ (tvoří 48% všech tříslovných termínů), např.: instituce vysokoškolského vzdělávání (251), instituce odborného vzdělávání (205), škola všeobecného vzdělávání (147). Druhá nejčastější jsou mezi tříslovnými termíny vzdělávání a vědy spojení typu podst. jm. 2. p. + podst. jm. 2. p. + podst. jm. (24,8%), např.: předpis pro studijní obor (66), popis studijních oborů (60), státní vědecký ústav (50). Třetím nejčastějším strukturálním modelem tříslovných termínů vzdělávání a vědy je příd. jm. 1. p. + příd. jm. 1. p. + podst. jm. (12%), např.: národní komplexní program (69), základní vědecký výzkum (61), počáteční odborné vzdělávání (52). Dále lze podle četnosti uvést jen několik příkladů se strukturálními modely tříslovných termínů vzdělávání a vědy: podst. jm. 2. p. + příč. činné minulé + podst. jm. (4%), např.: státem podporovaná půjčka (149), státem uznaná kvalifikace (33), student financovaný státem (21); podst. jm. 2. p. + příd. jm. 1. p. + podst. jm. (4%), např.: zahraniční vysoká škola (41), akademická rada koleje (32), vědecký vedoucí doktoranda (20); příčestí trpné 1. p. / 4. p. + podst. jm. 2. p. + podst. jm. (3,2%), např.: závěrečné hodnocení kvalifikace (36), bezplatné studijní místo (13), výzkum aplikovaného charakteru (13); příd. jm. 1. p. + ¹⁸ Za gramaticky správná spojení se v této práci považují taková spojení, v nichž jsou závislá slova shodná s řídícím slovem a syntaktické vztahy mezi složkami slovního spojení jsou jasné. ¹⁹ K participiím byly zařazeny také substantivizované participiální tvary. ²⁰ Pád posledního podstatného jména se neuvádí, protože je nejčastěji v nominativu. Terminologija | 2012 | 19 61 přísl. způsobu (nebo příd. jm., pokud je participium zpodstatnělé) + podst. jm. (2,4%), např.: soutěžní vyučovací předmět (15), neformální vzdělávání dospělých (13), vědecká výzkumná práce (12); přísl. způsobu + přísl. místa + podst. jm. (1,6%), např.: aplikovaná vědecká činnost (20), zakázkový vědecký výzkum (8). 4. Čtyřslovné termíny. Celkem bylo nalezeno 77 961 čtyřslovných GT, spojení použitých více než sedmkrát bylo 760. Z nich expert určil 22 termínů v oblasti vzdělávání a vědy (tvoří 2,82% všech termínů). Nejčastějšími spojeními v této skupině termínů jsou instituce vědy a studia (568), park vědy a technologií (62), obecný národní komplexní program (40), odborné vzdělávání v oblasti pracovního trhu (40). Čtyřslovné termíny použité v korpusu vzdělávání a vědy odpovídají devíti různým gramatickým modelům. Protože se čtyřslovné termíny vyskytují jen zřídka, každý model ilustruje pouze několik, případně jen jeden příklad. Níže jsou podle četnosti seskupeny všechny strukturní modely čtyřslovných termínů z oblasti vzdělávání a vědy a u každého je uveden jeden ilustrační příklad: příd. jm. muž. r. j. č. + podst. jm. 2. p. j. č. + podst. jm. 2. p. j. č. + podst. jm. (22,7% všech čtyřslovných termínů): mezinárodní vědecká databáze (13); příd. jm. muž. r. j. č. + příd. jm. 2. p. j. č. + podst. jm. 2. p. j. č. + podst. jm. (18,2%): obecný předmět univerzitního vzdělání (8); příd. jm. 2. p. mn. č. + podst. jm. 2. p. mn. č. + příčestí přít. činné muž. r. j. č. + podst. jm. (13,6%): žák se speciálními potřebami (8); podst. jm. 2. p. j. č. + spojka + podst. jm. 2. p. j. č. + podst. jm. (13,6%): instituce vědy a studia (568); příd. jm. 2. p. j. č. + podst. jm. 2. p. j. č. + příd. jm. muž. r. j. č. + podst. jm. (9,1%): výzkum vysoké úrovně (18); příčestí trpné muž. r. j. č. + příd. jm. muž. r. j. č. + podst. jm. 2. p. j. č. + podst. jm. (9,1%): uznávaná mezinárodní databáze (11); příd. jm. muž. r. j. č. + příd. jm. muž. r. j. č. + příd. jm. muž. r. j. č. + podst. jm. (4,5%): obecný národní komplexní program (40); podst. jm. 2. p. j. č. + příd. jm. 2. p. mn. č. + podst. jm. 2. p. j. č. + podst. jm. (4,5%): státní výzkumný ústav (31); podst. jm. 2. p. j. č. + podst. jm. 2. p. j. č. + podst. jm. 2. p. j. č. + podst. jm. (4,5%): obor studia technologických věd (28); 5. Pětislovné termíny. Bylo určeno 49 768 pětislovných GT, spojení použitých více než pětkrát bylo nalezeno 601, z nich byly 4 termíny z oblasti vzdělávání a vědy, tj. 0,51% všech termínů. Z tak malého počtu termínů je obtížné vyvozovat obecné závěry o jejich struktuře, proto termíny nebyly strukturálně klasifikovány. Všechny pětislovné termíny použité v korpusu vzdělávání a vědy: vědecký výzkum a experimentální vývoj (124), vědecký výzkum a technologický vývoj (67), vědecký výzkum a rozvoj technologií (13), centrum výzkumu vysoké úrovně (7). 62 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais 6. Šesti- a sedmislovné termíny. Jak již bylo uvedeno, mezi šesti- a sedmislovnými GT termíny nebyl nalezen žádný termín ŠM, přestože bylo celkem zjištěno 30 298 šestislovných GT (z nich bylo 750 spojení použito více než třikrát) a 17 815 sedmislovných GT (z nich bylo 2608 spojení použito více než dvakrát). POROVNÁNÍ TERMÍNŮ V OBLASTI VZDĚLÁVÁNÍ A VĚDY S TERMÍNY V TERMÍNOVÉ BANCE LITEVSKÉ REPUBLIKY Termíny použité v korpusu ŠM lze porovnat se schválenými termíny v oblasti vzdělávání a vědy uvedenými v Termínové bance Litevské republiky21; je jich 74. Struktura těchto termínů je velmi různorodá: od jednoslovných až po spojení sestávající z 18 slov. Velmi dlouhé termíny sestávající z 15 a 18 slov byly nalezeny pouze po jednom. Nejdelší uvedený termín je – program neformálního dalšího profesního vzdělávání zemědělců, vlastníků lesů, členů místních akčních skupin, dalších obyvatel venkova a jejich poradců. Je diskutabilní, zda lze název programu považovat za termín. Při porovnání struktury termínů v oblasti vzdělávání a vědy v korpusu ŠM a Termínové bance je patrné, že v obou zdrojích jsou nejčastější jednoslovné až tříslovné termíny. Jednoslovné až tříslovné termíny však tvoří 86,5% termínů v Termínové bance, zatímco v korpusu ŠM představují termíny stejné délky 97% (viz tabulka 1). V Termínové bance je o něco více čtyřslovných termínů než v korpusu představeném v tomto článku, pětislovné termíny se nevyskytují; termínů sestávajících ze 6, 7, 8 a 9 slov je v Termínové bance pouze jeden nebo dva od každého, termíny sestávající z 10 slov chybějí, jsou však uvedeny již zmíněné termíny sestávající z 15 a 18 slov (viz tabulka 2). U několika termínů uvedených v Termínové bance je sporné jejich zařazení do oblasti vzdělávání a vědy, např. Litev, litevská světová komunita, reemigrace, národnost. Z obdrženého seznamu termínů je patrné, že oblast vzdělávání a vědy není pokryta úplně; například jako termín odborného vzdělávání je uveden traktorista, ale chybí kombajnista, kuchař, truhlář a podobně; zvláště chybějí termíny odrážející vědní politiku. Termíny zjištěné v rámci výzkumu probíraného v tomto článku by tedy měly alespoň částečně zaplnit mezeru v terminologii oblasti vzdělávání a vědy. 21 Seznam schválených termínů z oblasti vzdělávání a vědy byl získán v roce 2010 od Státní komise pro litevský jazyk. Při porovnávání údajů z korpusu a termínové banky se vychází právě z tohoto seznamu. Terminologija | 2012 | 19 63 Tabulka 2. Rozdělení termínů uvedených v Termínové bance Litevské republiky podle délky Počet slov tvořících termíny Počet termínů, absolutní počet Počet termínů,% 1 16 21,6 2 31 41,9 3 17 23,0 4 3 4,1 5 0 0 6 1 1,4 7 1 1,4 8 1 1,4 9 2 2,7 10 0 0 11 0 0 12 0 0 13 0 0 14 0 0 15 1 1,4 18 1 1,4 Celkem 74 100 PROBLÉMY AUTOMATICKÉHO URČOVÁNÍ TERMÍNŮ Při určování termínů různými metodami vyvstávají dva hlavní problémy: 1) jakou podobu mají gramaticky správné termíny, což je důležité zejména při určování heslové podoby; 2) jak odlišit obecná slovní spojení a obecné termíny od termínů zkoumané oblasti. S podobnými problémy se potýkají i vědci z jiných zemí (srov. Cabré Castellví et al 2001). Druhý problém lze nejčastěji vyřešit pouze neautomaticky, tj. odborník z dané oblasti musí prohlédnout GT a určit, které termíny náleží do zkoumané oblasti. Lze také použít určité filtry, tj. sestavit seznam slov, která se nemají analyzovat (anglicky stop list), a používat jej k vyloučení slov, která nemohou fungovat jako termíny zkoumané oblasti. Takové filtrování bylo použito i v této studii. Několik příkladů: Za termíny ŠM nebyla považována slova ani spojení, jejichž posledním slovem je podstatné jméno označující čas 64 Erika Rimkutė | Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais např.: rok, měsíc, den, týden, ráno, večer, leden, únor, pondělí, úterý apod. Za termíny se nepovažují slova označující měrné jednotky, např.: milimetr, metr, centimetr, kilometr, míle, gram, kilogram, tuna. Lze vyloučit spojení obsahující slovní spojení typická pro obecné administrativní termíny, např.: článek zákona, část článku zákona, stanovené zákony (postupem), potvrzené bodem příkazu, postupem stanoveným právními předpisy, vláda republiky, stát republiky, bod ustanovení, bod usnesení, příkaz ministra, postup stanovený ministrem, schválený ministrem, sestavený ministrem. Ve snaze co nejpřesněji automaticky odlišit termíny ŠM od obecných byly sestaveny dva srovnávací korpusy o stejném rozsahu jako korpus textů ŠM, tj. 4 miliony slov. První ze srovnávacích korpusů se skládá z textů různých žánrů a stylů; svou skladbou se podobá korpusu současné litevštiny (zahrnuje publicistiku, krásnou literaturu, administrativní literaturu a odbornou literaturu). Druhý srovnávací korpus se skládá z administrativních textů, které však nepatří do oblasti ŠM. Vycházelo se z předpokladu, že čím je termín obecnější, tím častěji se používá v obecném a/nebo administrativním korpusu, zatímco čím je specifičtější, tím vzácněji se v obecném a/nebo administrativním korpusu vyskytuje. Tato hypotéza se částečně potvrdila: například termíny typické pro oblast ŠM mobilita, kompetentnost, úbytek, cílový výsledek nebyly ve srovnávacích korpusech nalezeny, zatímco termíny jako student, univerzita, učebnice se často vyskytují jak v textech ŠM, tak ve srovnávacích korpusech. V tomto výzkumu by se mělo pokračovat, aby bylo možné předložit spolehlivé údaje o tom, nakolik může porovnávání několika korpusů pomoci alespoň částečně automaticky odlišit obecné termíny od termínů zkoumané oblasti. Dále bude podrobněji pojednáno o prvním problému, tj. jak automaticky určit správné lemma termínů (zejména víceslovných) a jak převést slova a spojení použitá v korpusu v různých skloňovaných a časovaných podobách na jedno lemma. Výzkum ukázal, že určit heslovou podobu termínu není vždy snadné. Při automatickém určování lemmatu se například u spojení aukštoji mokykla získá výsledek aukštas mokykla. Tato podoba je uvedena proto, že morfologický anotátor uvádí u přídavných jmen jako lemma podobu mužského rodu jednotného čísla prvního stupně v nominativu (podrobněji o specifikách anotátoru viz Zinkevičius 2000). Lemmata víceslovných termínů Terminologija | 2012 | 19 65 Stanovení by velmi usnadnil program pro syntaktickou analýzu. Bohužel zatím žádný skutečně fungující program pro syntaktickou analýzu neexistuje22. Při určování lemmat jsou tedy zapotřebí určitá dodatečná pravidla – v tomto případě je třeba stanovit, že pokud se lemma skládá z podstatného jména, musí být přídavné jméno nebo příčestí shodné s rodem tohoto podstatného jména; pokud jsou přídavné jméno nebo příčestí zájmenného typu, musí být tato kategorie zachována i v lemmatu. Mnoho otázek vyvstává v souvislosti s kategorií čísla, např. první člen termínu studentų atstovybė musí být v množném čísle, všechny členy termínů akademiniai įgūdžiai, auditorinės darbo valandos musí být v množném čísle, zatímco oba členy termínů fakulteto taryba, universiteto autonomija, bendrasis priėmimas, mokslinis leidinys jsou v jednotném čísle. Člověk samozřejmě snadno určí, kde je zapotřebí množné a kde jednotné číslo, ale automaticky to provést je velmi obtížné. Je však patrné, že některá slova se v korpusu téměř vždy užívají pouze v množném čísle (např.: asignavimai, duomenys, studijos, rūmai, žinios, pinigai, pareigos). Stanovit správný tvar čísla je obtížné také proto, že některá slova jsou homonyma, např. studija (vědecké dílo) a studijos (studium). Z tohoto důvodu byla automaticky nesprávně určena lemmata těchto termínů: bakalauro studija, rezidentūros studija, magistro studija, dieninės studija, nuotolinės studija. Jak již bylo zmíněno, některá podstatná jména se nejčastěji užívají pouze v množném čísle, ačkoli slovník uvádí jako lemma tvar jednotného čísla. Tento nesoulad mezi slovníkovými údaji a skutečným užíváním vedl k nesprávnému určení lemmat termínů mokinio pasiekimas, švietimo resursas, praktinis gebėjimas, fizinis mokslas, akademinis užsiėmimas (správně má být: mokinio pasiekimai, švietimo resursai, praktiniai gebėjimai, fiziniai mokslai, akademiniai užsiėmimai). Dalším problémem jsou podstatná jména typu substantiva mobilia, např.: abiturientas – abiturientė, abonentas – abonentė. Protože se v korpusu vyskytovaly tvary mužského i ženského rodu, byla automaticky uvedena lemmata obou rodů. Aby jako termín z oblasti vzdělávání a vědy zůstalo pouze lemma mužského rodu, bylo třeba použít pravidlo, podle něhož se podstatná jména typu substantiva mobilia mužského a ženského rodu převádějí na lemma mužského rodu. 22 Automatinės sintaksinės analizės srityje paminėtini D. Šveikauskienės 2009, E. Rimkutės 2006 darbai. Automatinės sintaksinės analizės programa kuriama VDU Kompiuterinės lingvistikos centre ir iš dalies jau taikoma analizuojant ŠM terminus. 66 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais Při automatickém určování lemmat se někdy uvádí nesprávné pořadí slov, např. byly uvedeny následující heslové podoby: tipų studija (má být studijų tipas), lygmens kvalifikacija (má být kvalifikacijų lygmuo). Protože se při určování lemmat nepoužívá syntaktická analýza, neshodují se přívlastek a řídící slovo vždy, např. tarptautinis (= tarptautinio) lygio mokslas, případně dochází k jiným syntaktickým chybám, např.: paskolų gyvenimo išlaidos (= paskola gyvenimo išlaidoms). Obtíže vznikají také při určování hranic termínů, např. zda dėstytojų ir mokslininkų kvalifikacijos bei kompetencijos atitiktis představuje jeden termín, nebo zda je třeba rozlišit několik termínů: 1) shoda kvalifikace a kompetence vyučujících, 2) shoda kvalifikace a kompetence vědců, 3) shoda kvalifikace vyučujících a vědců, 4) shoda kompetence vyučujících a vědců, 5) kvalifikace vyučujících, 6) kvalifikace vědců, 7) kompetence vyučujících, 8) kompetence učitelů, 9) shoda kvalifikace, 10) soulad kompetencí. Při určování lemmat a rozpoznávání termínů obecně vznikají obtíže také kvůli specifikům morfologického anotátoru, který z několika možných slovních druhů nebo gramatických tvarů určí nesprávný. Například pokud je přídavné jméno se sousedním podstatným jménem shodné v rodě, pádě a čísle, je velmi pravděpodobné, že takové spojení bude gramaticky správné. Spojení tvořená dvěma podstatnými jmény, jejichž první člen není v genitivu, nejsou vždy gramaticky správná. Je třeba je pečlivěji zkontrolovat, a věnovat tomu tedy více času. To, který slovní druh je určen, tedy rozhoduje o tom, zda se spojení zařadí mezi GT a zda bude gramaticky správné. Několik příkladů ilustrujících tento typ chyby: metinėms (může jít o příd. jm. i podst. jm.; morfologický anotátor určil podst. jm.) ataskaitoms; keliais (může jít o zájmeno i podst. jm.; bylo vybráno podst. jm.) procentais; bendrais (může jít o příd. jm. i podst. jm.; bylo vybráno podst. jm.) teiginiais; uždarus (může jít o příd. jm. i podst. jm.; bylo vybráno podst. jm.) posėdžius. Kvůli nesprávně určenému slovnímu druhu a tomu, že slova nejsou syntakticky analyzována, vypadá na první pohled jako gramaticky nesprávné spojení nalezené v morfologicky anotovaném korpusu žemiausias balas, protože Terminologija | 2012 | 19 67 u prvního slova jsou uvedeny tyto značky: příd. jm., 2. stupeň, neurčité, muž. rod, jedn. číslo, nom.; u druhého: podst. jm., ženský rod, množ. číslo, gen., a jako lemma je uvedeno bala. Je tedy zřejmé, že v tomto případě bylo chybně určeno lemma podstatného jména – má být balas. Z toho plyne, že výše uvedené spojení je gramaticky správné. V této kapitole jsou shrnuty obtíže, s nimiž se nejčastěji setkáváme při automatickém určování termínů vzdělávání a vědy. O těchto problémech a způsobech jejich řešení bude pojednáno v dalších pracích. ZÁVĚRY Program a metodiku automatického určování termínů je třeba dále zdokonalovat. Přesto lze první výsledky hodnotit poměrně příznivě. Jak ukazují uvedené příklady, automatická analýza odhaluje nejen specifické a technické problémy, ale také problémy, s nimiž se potýkají i terminologové, například volbu kategorie čísla. Po zdokonalení morfologického anotátoru a použití programu pro automatickou syntaktickou analýzu by bylo možné určovat termíny automaticky snadněji a spolehlivěji. Navzdory vznikajícím obtížím program pro automatické určování termínů značně urychluje proces určování GT. Další důležitou výhodou procesu automatického určování termínů je objektivita analýzy dat. Bylo zjištěno, že délka 97% automaticky vybraných a zkontrolovaných termínů vzdělávání a vědy činí 1–3 slova. Nejčastější jsou dvouslovné termíny – tvoří téměř 61% všech termínů. Nejčastějšími strukturními modely termínů vzdělávání a vědy jsou podst. jm. v gen. + podst. jm., příd. jm. + podst. jm., příd. jm. v gen. + podst. jm. v gen. + podst. jm., podst. jm. v gen. + podst. jm. v gen. + podst. jm. (poslední podstatné jméno může být v různých pádech). LITERATŪRA Bowker L. 2002: Computer-aided translation technology – a practical introduction. University of Ottawa Press. Cabré Castellví M. T., Estopà Bagot R., Palatresi J. V. 2001: Automatic term detection. A review of current systems. – Recent Advances in Computational Terminology, 53–88. 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, Vol. 11, 82–89. Rimkutė E. 2006: Morfologinio daugiaprasmiškumo ribojimas kompiuteriniame tekste. Daktaro disertacija. Rimkutė E. 2010: Lietuvių kalbos terminų automatinio nustatymo galimybės. – Kalbų studijos 16, 71–78. Rossini Favretti R., Tamburini F., Martelli E. 2001: Words from Bononia Legal Corpus. – International Journal of Corpus Linguistics, special issue, 3–33. Šveikauskienė D. 2009: Kalbos vientisinių sakinių automatinė sintaksinė analizė. Daktaro disertacija. Zeller I. 2005: Automatinis terminų atpažinimas ir apdorojimas. Daktaro disertacija. Vytauto Didžiojo universitetas. Zinkevičius V. 2000: Lemuoklis – morfologinei analizei. – Darbai ir dienos 24, 245–273. 68 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais AUTOMATIC IDENTIFICATION OF SCIENCE AND EDUCATION TERMS USING LINGUISTIC METHODS The paper deals with possibilities and problems of automatic Lithuanian term extraction. Specifically, linguistic methods are discussed in the domain of Education and Science. Other researchers have shown that it is almost impossible to have language-independent term extraction tools; this is especially true for tools which are based on linguistic rules. Therefore a linguistic term extraction tool should incorporate methods that would deal with a language’s grammatical system. This paper presents a tool developed at the Centre of Computational Linguistics of Vytautas Magnus University that employs linguistic rules for extracting domain-specific terminology. In order to extract domain-specific terms automatically, some preparatory work should be completed: compilation of domain-specific corpus (a corpus of four million words has been compiled for this research), morphological annotation of the corpus, formulation of appropriate linguistic rules, and creation of methodology for filtering out irrelevant word combinations. The paper presents the linguistic rules that have been used for the extraction of Education and Science terms and the results of the extraction procedure. The identified terms are contrasted with approved terms in the Term Bank of the Republic of Lithuania. Some specific problems of automatic term extraction are discussed in the paper, e.g. number and case agreement of terms in a multi word term. Gauta 2012-05-17 Erika Rimkutė Vytauto Didžiojo universitetas K. Donelaičio g. 52, LT-44248 Kaunas E. paštas [email protected] Terminologija | 2012 | 19 6 9