Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

Αυτόματος προσδιορισμός όρων της εκπαίδευσης και της επιστήμης με γλωσσολογικές μεθόδους ERIKA RIMKUTĖ Πανεπιστήμιο Vytautas Magnus ΛΕΞΕΙΣ-ΚΛΕΙΔΙΑ: σώμα κειμένων, όροι της εκπαίδευσης και της επιστήμης, γλωσσολογικές μέθοδοι, λημματική μορφή, γραμματική μορφή ΕΙΣΑΓΩΓΗ Η γλωσσολογία σωμάτων κειμένων και η υπολογιστική γλωσσολογία στη Λιθουανία διανύουν ήδη τη δεύτερη δεκαετία τους — η απαρχή αυτών των επιστημονικών κλάδων μπορεί να συνδεθεί με την ίδρυση του Κέντρου Υπολογιστικής Γλωσσολογίας του Πανεπιστημίου Vytautas Magnus (βλ. http://tekstynas.vdu.lt) το 1994. Έχουν καταρτιστεί αρκετά σώματα κειμένων και προγράμματα αυτόματης ανάλυσης και σύνθεσης γλώσσας1. Ωστόσο, οι αρχές της γλωσσολογίας σωμάτων κειμένων εφαρμόζονται ακόμη ελάχιστα στην ορολογία και την ορογραφία. Στο άρθρο του 2010 Δυνατότητες αυτόματου προσδιορισμού λιθουανικών γλωσσικών όρων (Rimkutė 2010) εξετάστηκε ο βαθμός στον οποίο χρησιμοποιούνται σώματα κειμένων για την εκπόνηση διαφόρων ορολογικών έργων στη Λιθουανία. Λιθουανικοί γλωσσικοί όροι βρίσκονται σε αρκετές διεθνείς βάσεις δεδομένων και τράπεζες όρων· έχουν επίσης καταρτιστεί πολλά ηλεκτρονικά γλωσσάρια ή βάσεις δεδομένων2, ωστόσο όλα τα λιθουανικά ηλεκτρονικά γλωσσάρια βασίζονται ουσιαστικά σε λεξικά όρων. Πολλά λιθουανικά λεξικά έχουν συνταχθεί με βάση σχετικά μικρά σώματα κειμένων και τη γλωσσική διαίσθηση· συνεπώς, μπορεί να υποστηριχθεί ότι στη Λιθουανία εξακολουθεί να επικρατεί η πρεσκριπτική προσέγγιση στην ανεύρεση και περιγραφή όρων. Το άρθρο αποσκοπεί στην παρουσίαση των αποτελεσμάτων ενός έργου3 που έχει σχεδιαστεί για τον προσδιορισμό και την περιγραφή όρων της εκπαίδευσης και της επιστήμης και αφορά τον αυτόματο προσδιορισμό όρων- 1 Έναν αναλυτικό κατάλογο των λιθουανιστικών πόρων που καταρτίστηκαν έως το 2011 μπορείτε να βρείτε στο http://sruoga.vdu.lt/lituanistiniai-skaitmeniniai-istekliai/lituanistiniu-istekliu-sarasas. 2 Οι παραπομπές παρατίθενται στο προαναφερθέν άρθρο. 3 Πρόκειται για έργο που χρηματοδοτείται από το Συμβούλιο Έρευνας της Λιθουανίας Αυτόματος προσδιορισμός όρων της εκπαίδευσης και της επιστήμης (ŠIMTAI 2) (αρ. σύμβασης LIT-2-44). Οι κύριοι στόχοι του έργου είναι: 1) η ανάπτυξη και δοκιμή μεθοδολογίας αυτόματης αναγνώρισης όρων σε λιθουανικό σώμα κειμένων, ως νέου εργαλείου διαχείρισης της ορολογίας, 2) η δημιουργία εξειδικευμένου σώματος κειμένων για την εκπαίδευση και την επιστήμη, 3) η κατάρτιση, βάσει του εξειδικευμένου σώματος κειμένων, επεξηγηματικού λεξικού όρων της εκπαίδευσης και της επιστήμης και οντολογίας του συγκεκριμένου τομέα. 54 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais διατάξεις, την περιγραφή τους. Η ιδέα ενός έργου για τον αυτόματο εντοπισμό όρων προέκυψε όταν διαπιστώθηκε ότι οι υφιστάμενες κανονιστικές πηγές4 είναι αρκετά ελλιπείς, επικεντρώνονται στους πλέον γενικούς όρους της εκπαιδευτικής πολιτικής και σχεδόν δεν καλύπτουν καθόλου τον τομέα της επιστημονικής πολιτικής· δεν προλαβαίνουν να συμπεριλάβουν νέους όρους που προκύπτουν από την πρακτική εργασία, ενώ οι αρμόδιοι για την τυποποίηση των όρων δεν προλαβαίνουν να τους τυποποιήσουν. Ωστόσο, η παραδοσιακή τυποποίηση είναι αρκετά υποκειμενική, γι’ αυτό η χρήση και οι κανόνες πρέπει να τεκμηριώνονται με μεθόδους γλωσσολογίας σωμάτων κειμένων. Επομένως, το παρόν άρθρο πραγματεύεται μια ακόμη σχετικά νέα στη Λιθουανία μέθοδο επιλογής και ανάλυσης όρων, η οποία θα μπορούσε να διευκολύνει σημαντικά το έργο των ορολόγων και να προσδώσει μεγαλύτερη αντικειμενικότητα. ΑΥΤΟΜΑΤΟΣ ΕΝΤΟΠΙΣΜΟΣ ΟΡΩΝ Για τον αυτόματο εντοπισμό και τον ορισμό των όρων ενός συγκεκριμένου τομέα επιλέχθηκε ένας τομέας — η επιστήμη και η εκπαίδευση. Συγκροτήθηκε σώμα κειμένων για την εκπαίδευση και την επιστήμη (εφεξής ΕΕ) έκτασης 4 εκατομμυρίων λέξεων, με γνώμονα δύο κύρια θέματα: 1) την επιστημονική έρευνα και 2) την εκπαίδευση. Από τον τομέα της επιστημονικής έρευνας, η μεγαλύτερη έμφαση δόθηκε στην πολιτική για την επιστημονική έρευνα και στην πολιτική για την ανώτατη εκπαίδευση. Από τον τομέα της εκπαίδευσης επιλέχθηκε η μεταδευτεροβάθμια εκπαίδευση, με ιδιαίτερη έμφαση στην ανώτατη εκπαίδευση και τη συνεχιζόμενη μάθηση. Ως συμπληρωματικός τομέας συμπεριλήφθηκε και η επαγγελματική κατάρτιση. Κατά τη συγκρότηση του σώματος κειμένων επιδιώχθηκε η κάλυψη κειμένων διαφόρων ειδών και τύπων, π.χ.: νόμων και άλλων πολιτικών εγγράφων των ανώτατων κρατικών αρχών (αποφάσεις, δηλώσεις, ψηφίσματα του Seimas της Δημοκρατίας της Λιθουανίας, της Κυβέρνησης της Δημοκρατίας της Λιθουανίας και του Προέδρου της Δημοκρατίας της Λιθουανίας, αποφάσεις του Συνταγματικού Δικαστηρίου κ.ά.)· στρατηγικών εγγράφων· πράξεων εφαρμογής νόμων· εγγράφων φορέων και έργων που υλοποιούν πολιτικές επιστήμης και εκπαίδευσης· εγγράφων ιδρυμάτων επιστήμης και σπουδών· ενημερωτικών εκδόσεων, μελετών για την κατάσταση του τομέα, αξιολογήσεων και μελετών σκοπιμότητας· δελτίων Τύπου και υλικού συζητήσεων. Με ένα αντιπροσωπευτικό, καλά ισορροπημένο σώμα κειμένων του υπό μελέτη τομέα5, είναι δυνατός ο αυτόματος εντοπισμός όρων. Για τον σκοπό αυτό χρησιμοποιούνται συνήθως- 4 Μπορεί να αναφερθεί η Τράπεζα Όρων της Δημοκρατίας της Λιθουανίας, το Εγκυκλοπαιδικό λεξικό όρων της επιστήμης της αγωγής του L. Jovaiša (2007), το θησαυρό TESE [πρόσβαση 2012-05-20], διαθέσιμο στο διαδίκτυο: http://eacea.ec.europa.eu/education/eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf. 5 Η αντιπροσωπευτικότητα και το μέγεθος των σωμάτων κειμένων συγκαταλέγονται στα πιο σύνθετα ζητήματα της γλωσσολογίας σωμάτων κειμένων. Θεωρείται ότι το σώμα κειμένων ΕΕ αντιπροσωπεύει αρκετά καλά τον επιλεγμένο τομέα. Το μέγεθός του είναι περισσότερο συζητήσιμο· για παράδειγμα, το αγγλοϊταλικό νομικό σώμα κειμένων Bononia Legal Corpus (BOLC) έχει έκταση περίπου 18 εκατομμυρίων λέξεων (Rossini Favretti et al. 2001). Terminologija | 2012 | 19 55 χρησιμοποιήθηκαν τριών ειδών μέθοδοι: στατιστικές, γλωσσολογικές και υβριδικά μοντέλα στατιστικών και γλωσσολογικών μεθόδων. Πραγματοποιήθηκαν διάφορα πειράματα, με στόχο τον εντοπισμό των καταλληλότερων μεθόδων εντοπισμού όρων. Δοκιμάστηκαν οι εξής στατιστικές μέθοδοι: 1) η λειτουργία WordSmith Tools Keyword Clusters του προγράμματος· 2) η μέθοδος μηχανικής μάθησης KEA· 3) η μέθοδος εξαγωγής συμπλοκών λέξεων με χρήση του εργαλείου LICE (βλ. αναλυτικότερα Grigon worth et al. 2011). Από τις μελέτες αυτές συνήχθη το συμπέρασμα ότι οι γλωσσολογικές μέθοδοι είναι οι καταλληλότερες για τη λιθουανική γλώσσα. Στη συνέχεια εξηγούνται συνοπτικά τα χαρακτηριστικά αυτών των μεθόδων. Το κύριο πλεονέκτημα των στατιστικών συστημάτων εντοπισμού όρων είναι ότι δεν χρειάζονται μεγάλες βάσεις δεδομένων με παραδείγματα όρων επισημασμένα από ανθρώπους. Επιπλέον, είναι ανεξάρτητα από τη γλώσσα. Η βασική αρχή λειτουργίας των στατιστικών συστημάτων στηρίζεται στην παραδοχή ότι οι λέξεις που εμφανίζονται συχνά μαζί σχετίζονται μεταξύ τους και μπορούν να θεωρηθούν πιθανοί όροι. Οι γλωσσολογικές μέθοδοι βασίζονται συνήθως σε μορφολογικές επισημειώσεις και στη σειρά των λέξεων. Για την εφαρμογή γλωσσολογικών μεθόδων απαιτούνται σώματα κειμένων με μορφολογική επισημείωση. Με τη χρήση γλωσσολογικών μεθόδων εντοπισμού όρων προσδιορίζεται συνήθως ποιες γραμματικές μορφές μπορούν να έχουν οι όροι. Κατά τον προσδιορισμό των γραμματικών μορφών πρέπει να λαμβάνονται υπόψη τα χαρακτηριστικά των γλωσσών. Για παράδειγμα, στις αναλυτικές γλώσσες είναι σημαντικό να προσδιορίζεται το μέρος του λόγου των όρων. Το μέρος του λόγου των λιθουανικών όρων είναι επίσης πολύ σημαντικό, αλλά πρέπει να γνωρίζουμε ποιες πληροφορίες για άλλες γραμματικές κατηγορίες είναι απαραίτητες για τον αυτόματο εντοπισμό όρων. Έχει διαπιστωθεί ότι για τη λιθουανική γλώσσα σημαντικές είναι επίσης οι κατηγορίες του αριθμού και της πτώσης, ενώ η κατηγορία του γένους δεν έχει ιδιαίτερη σημασία στον αυτόματο εντοπισμό όρων6. 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. Στη συνέχεια, το άρθρο παρουσιάζει δοκιμές αυτόματου εντοπισμού λιθουανικών όρων με χρήση γλωσσολογικών μεθόδων. Αξίζει να σημειωθεί ότι 6 Το γένος αποκτά σημασία στις περιπτώσεις όπου εμφανίζεται συγκρητισμός πτώσεων, π.χ. mokslo darbuotojų: το πρόγραμμα αυτόματης μορφολογικής ανάλυσης αναγνωρίζει τη μορφή darbuotojų τόσο ως γενική πληθυντικού ουσιαστικού αρσενικού γένους όσο και ως γενική πληθυντικού ουσιαστικού θηλυκού γένους· ως εκ τούτου, δίνει ως λημματική μορφή τόσο το mokslo darbuotojas όσο και το mokslo darbuotoja. Ως όρος θα πρέπει να καταχωρίζεται ο τύπος αρσενικού γένους, δηλαδή mokslo darbuotojas. 56 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais επισημαίνεται ότι για τον εντοπισμό των πιθανών όρων (στο εξής ΠΟ)7 χρησιμοποιήθηκε πρόγραμμα που αναπτύχθηκε στο Κέντρο Υπολογιστικής Γλωσσολογίας του VDU. Στο πρόγραμμα αυτό εφαρμόστηκαν γλωσσικοί κανόνες, οι οποίοι καθορίζουν ποιοι συνδυασμοί μερών του λόγου ή ποιες μορφές λέξεων πρέπει να αναλυθούν. Όπως αναφέρθηκε, η χρήση γλωσσικών μεθόδων προϋποθέτει μορφολογικά επισημασμένα σώματα κειμένων. Γι’ αυτό, το σώμα κειμένων για την εκπαίδευση και την επιστήμη, το οποίο είχε συγκεντρωθεί αρχικά, επισημάνθηκε μορφολογικά με τη χρήση μορφολογικού επισημειωτή8 που αναπτύχθηκε στο Κέντρο Υπολογιστικής Γλωσσολογίας του VDU. Παρακάτω παρατίθεται παράδειγμα κειμένου με αυτόματη μορφολογική επισήμανση: <word=”PROJEKTŲ” lemma=”projektas” type=”ουσιαστικό αρσενικό γενική πληθυντικού”>9 <space> <word=”FINANSAVIMO” lemma=”finansavimas” type=”ουσιαστικό αρσενικό γενική ενικού”> <space> <word=”SĄLYGŲ” lemma=”sąlyga” type=”ουσιαστικό θηλυκό γενική πληθυντικού”> <space> <word=”APRAŠAS” lemma=”aprašas” type=”ουσιαστικό αρσενικό γενική ενικού”> <p> <word=”I” lemma=”I” type=”ρωμαϊκός αριθμός”> <sep=”.”> <space> <word=”BENDROSIOS” lemma=”bendras” type=”επίθετο θετικό βαθμός θηλυκό ενικός γενική”> <space> <word=”NUOSTATOS” lemma=”nuostata” type=”ουσιαστικό θηλυκό γενική ενικού”>10 <p> <number=”1”> <sep=””> <space> <number=”2007”> <sep=”–”> 7 Τα προγράμματα αυτόματης αναγνώρισης όρων που χρησιμοποιούν διάφορες μεθόδους εντοπίζουν συνήθως πιθανούς όρους, δηλαδή υποψήφιους όρους (βλ. Zeller 2005), αν και ανάμεσα στις λέξεις ή φράσεις που εντοπίζονται αυτόματα συναντώνται συχνά εντελώς άνευ νοήματος ακολουθίες λέξεων ή φράσεις με νόημα που δεν αποτελούν όρους, όπως οι συμπλοκές. Από αυτές τις λέξεις και φράσεις, τους πραγματικούς όρους τους προσδιορίζει συνήθως ειδικός του αντίστοιχου πεδίου. 8 Για περισσότερες λεπτομέρειες, βλ. http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use. 9 Word υποδηλώνει μια συγκεκριμένη μορφή λέξης που χρησιμοποιείται στο κείμενο, lemma — τη λημματική μορφή, type — λεπτομερείς μορφολογικές πληροφορίες. 10 Επισημαίνεται ότι η μορφολογική επισήμανση γίνεται αυτόματα και, συνεπώς, προκύπτουν και σφάλματα. Για παράδειγμα, στο παρόν δείγμα, λόγω της συγκρητικότητας των πτώσεων, έχει δοθεί λανθασμένη μορφή: αντί για την ονομαστική πληθυντικού του θηλυκού γένους, έχει αναφερθεί η γενική ενικού του θηλυκού γένους. Για περισσότερες πληροφορίες σχετικά με τις ανακρίβειες που οφείλονται στις ιδιαιτερότητες του μορφολογικού επισημειωτή, βλ. την ενότητα Προβλήματα του αυτόματου εντοπισμού όρων. Terminologija | 2012 | 19 57 <number=”2013”> <space> <word=”m” lemma=”m” type=”συντομογραφία” <sep=”.”> <space> Η αρχή λειτουργίας των προγραμμάτων που εντοπίζουν αυτόματα ΠΟ μπορεί να περιγραφεί συνοπτικά και απλά ως εξής: αναλύεται μορφολογικά επισημασμένο κείμενο και αναζητούνται ακολουθίες σχετικών λέξεων. Το πρώτο κριτήριο είναι η επιλογή συνεχόμενων φράσεων βάσει των επισημασμένων ορίων κειμένου και προτάσεων. Ορισμένα όρια κειμένου επισημαίνονται ως σημεία στίξης, ενώ άλλα μπορεί να επισημαίνονται ως ετικέτες HTML, π.χ. η ετικέτα παραγράφου <p>, η ετικέτα διαστήματος μεταξύ λέξεων <space> κ.ο.κ. Στη συνέχεια, πρέπει να καταρτιστούν ορισμένοι γλωσσικοί κανόνες για να ενσωματωθούν στο πρόγραμμα. Για τον εντοπισμό όρων της εκπαίδευσης και της επιστήμης, καταρτίστηκαν και εφαρμόστηκαν οι ακόλουθοι βασικοί κανόνες11: 1. Αναλύονται μόνο οι φράσεις που περιέχουν τουλάχιστον ένα ουσιαστικό. Εάν ο ΠΟ αποτελείται από δύο ή περισσότερες λέξεις, τα άλλα μέρη του λόγου που περιέχονται στη φράση αυτή μπορούν να είναι επίθετα και μετοχές. 2. Αναλύονται μόνο οι φράσεις των οποίων η τελευταία λέξη πρέπει οπωσδήποτε να είναι ουσιαστικό12. 3. Στους δίλεκτους ΠΟ δεν αναλύονται τα κύρια ουσιαστικά, επειδή συνήθως περιλαμβάνονται σε ονόματα προσώπων, εταιρειών, ιδρυμάτων κ.λπ., τα οποία δεν θεωρούνται όροι του πεδίου (κατά τον εντοπισμό μακρύτερων όρων, τα κύρια ουσιαστικά συμπεριλαμβάνονται και αυτά στους καταλόγους όρων ΠΟ). 4. Από τις φράσεις αφαιρέθηκαν οι αριθμοί που ήταν γραμμένοι με ψηφία. 5. Δεν αναλύθηκαν οι λέξεις ή οι φράσεις που περιλαμβάνουν τουλάχιστον μία λέξη την οποία δεν αναγνώρισε ο μορφολογικός αναλυτής. Συνήθως πρόκειται για παρεμβολές σε ξένη γλώσσα, λέξεις γραμμένες με λάθη και συντετμημένους τύπους λέξεων13. Με την εφαρμογή αυτών των κανόνων, εντοπίστηκαν οι GT, από τους οποίους ο εμπειρογνώμονας14 επέλεξε τους όρους εκπαίδευσης και επιστήμης. Οι όροι αυτοί αναλύθηκαν λεπτομερέστερα και η δομή τους περιγράφεται στην ενότητα Δομή των όρων εκπαίδευσης και επιστήμης. 11 Οι κανόνες είναι καθολικοί και, κατ’ ουσίαν, κατάλληλοι για τον αυτόματο εντοπισμό όρων σε οποιονδήποτε τομέα. 12 Είναι δυνατές και άλλες δομές όρων, π.χ. ουσιαστικό με πρόθημα απαρέμφατο, ουσιαστικό με πρόθεση-μη κατασκευή. Οι όροι αυτού του τύπου είναι λίγοι και, επομένως, δεν αναλύθηκαν. Σε μελλοντική συνέχιση της έρευνας θα πρέπει να αναλυθούν και οι δομές όρων που δεν συμπεριλήφθηκαν στο παρόν άρθρο. 13 Η εφαρμογή ορισμένων περιορισμών στην επιλογή των GT μπορεί να οδηγήσει σε απώλεια πολύτιμων πληροφοριών. Στην παρούσα έρευνα δεν υπολογίστηκε πόσοι πραγματικοί όροι δεν αναγνωρίστηκαν. Κατά τη χρήση προγραμμάτων αυτόματης αναγνώρισης όρων, πρέπει να γίνει αποδεκτό ότι μέρος των πληροφοριών θα χαθεί, αλλά οι πληροφορίες που εντοπίζονται αυτόματα θα είναι ευκολότερες στην επεξεργασία και οι φράσεις που θα προκύπτουν θα είναι γραμματικά ορθότερες. 14 Εμπειρογνώμονας του έργου είναι ο ειδικός στη λιθουανική γλώσσα Giedrius Viliūnas, ο οποίος διαθέτει εκτεταμένη παιδαγωγική, διοικητική και διευθυντική εμπειρία στον τομέα της εκπαίδευσης και της επιστήμης. 58 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais ΕΠΙΛΟΓΗ ΟΡΩΝ Με την εφαρμογή της μεθόδου, του προγράμματος και των κανόνων που χρησιμοποιούνται σε αυτό, όπως περιγράφηκαν στην προηγούμενη ενότητα, εντοπίστηκαν περίπου 11 χιλιάδες GT, αποτελούμενα από μία έως δεκαπέντε λέξεις15. Αντιμέτωποι με τόσο μεγάλο όγκο δεδομένων, εφαρμόστηκαν διάφορα κριτήρια επιλογής. Πρώτο κριτήριο ήταν το μήκος των όρων: λαμβάνοντας υπόψη τις γενικές τάσεις στη δομή των όρων, αποφασίστηκε να αναλυθούν όροι με μήκος έως επτά λέξεις. Δεύτερο κριτήριο ήταν η συχνότητα εμφάνισης των όρων. Επιλέχθηκε να αναλυθούν περαιτέρω τα μονολεκτικά GT που εμφανίζονταν στο σώμα κειμένων εκπαίδευσης και επιστήμης τουλάχιστον 20 φορές· τα δίλεκτα GT που εμφανίζονταν τουλάχιστον 10 φορές· τα τρίλεκτα GT που εμφανίζονταν τουλάχιστον 8 φορές· τα τετράλεκτα GT που εμφανίζονταν τουλάχιστον 6 φορές· τα πεντάλεκτα GT με συχνότητα τουλάχιστον 4 εμφανίσεων· τα εξάλεκτα GT που εμφανίζονταν τουλάχιστον 3 φορές· και τα επτάλεκτα GT με συχνότητα τουλάχιστον 2 εμφανίσεων. Κατά τον αυτόματο υπολογισμό της συχνότητας εμφάνισης των GT, χρησιμοποιήθηκαν οι λεξικογραφικές (λημματικές) μορφές των λέξεων, δηλαδή τα λήμματα. Μετά την εφαρμογή αυτών των κριτηρίων επιλογής, οι εντοπισμένοι όροι εξετάστηκαν λεπτομερέστερα (η δομή τους παρουσιάζεται στην επόμενη ενότητα). Αφού ο εμπειρογνώμονας εξέτασε τα GT που εντοπίστηκαν βάσει των προαναφερθέντων κριτηρίων, επιλέχθηκαν οι πραγματικοί όροι εκπαίδευσης και επιστήμης. Η κατανομή τους ανά μήκος παρουσιάζεται στον Πίνακα 1. Πίνακας 1. Κατανομή των όρων εκπαίδευσης και επιστήμης ανά μήκος Αριθμός λέξεων που αποτελούν τους όρους Πλήθος όρων Πλήθος όρων,% 1 155 19,87 2 474 60,77 3 125 16,03 4 22 2,82 5 4 0,51 Σύνολο 780 100,00 15 Εδώ παρατίθενται ορισμένοι από τους μεγαλύτερους όρους που εντοπίστηκαν: επιστροφή του δανείου στον δανειολήπτη, με απόφαση επιτροπής που συγκροτείται από τον διευθυντή του ταμείου, στις περιπτώσεις που αναφέρονται στο σημείο (15 λέξεις· εδώ παραλείπονται οι αριθμοί, δηλαδή ο αύξων αριθμός του σημείου)· στη διεύθυνση κατοικίας του δανειολήπτη που αναφέρεται στη σύμβαση δανείου με κρατική στήριξη, η οποία έχει συναφθεί από πιστωτικό ίδρυμα (13 λέξεις)· ο τρόπος καταβολής των διδάκτρων των φοιτητών του πανεπιστημίου για το ακαδημαϊκό έτος καθορίζεται με εντολή του πρύτανη (11 λέξεις). Είναι προφανές ότι αυτά τα αποσπάσματα κειμένου δεν μπορούν να θεωρηθούν πιθανοί όροι. Terminologija | 2012 | 19 59 Από τα δεδομένα του πίνακα προκύπτει ότι περίπου το 97% όλων των όρων εκπαίδευσης και επιστημών αποτελούνται από όρους 1–3 λέξεων. Δεν εντοπίστηκαν εξαλεκτικοί και επταλεκτικοί όροι εκπαίδευσης και επιστημών στο GT, επομένως δεν αναλύθηκαν περαιτέρω. ΔΟΜΗ ΤΩΝ ΟΡΩΝ ΕΚΠΑΙΔΕΥΣΗΣ ΚΑΙ ΕΠΙΣΤΗΜΩΝ Στο κεφάλαιο αυτό περιγράφεται λεπτομερώς η δομή των όρων εκπαίδευσης και επιστημών που εντοπίστηκαν αυτόματα και επιλέχθηκαν από ειδικό, ενώ παρουσιάζονται τα γραμματικά τους πρότυπα. Οι όροι περιγράφονται από τους συντομότερους, δηλαδή τους μονολεκτικούς, έως τους μακρύτερους, δηλαδή τους πενταλεκτικούς. 1. Μονολεκτικοί όροι. Συνολικά εντοπίστηκαν 7635 μονολεκτικά GT, από τα οποία 1311 χρησιμοποιήθηκαν στο σώμα κειμένων περισσότερες από 20 φορές. Στη συνέχεια αναλύθηκαν λεπτομερέστερα μόνο αυτές οι λέξεις. Από τις 1311 λέξεις, οι 155 μπορούν να θεωρηθούν όροι εκπαίδευσης και επιστημών, δηλαδή περίπου το 20%. Οι συχνότερα χρησιμοποιούμενοι στο σώμα κειμένων όροι εκπαίδευσης και επιστημών είναι οι εξής: studentas (420816), universitetas (3959), studijos (1562), mokslas (1508), sritis (1403). 2. Διλεκτικοί όροι. Σε σώμα κειμένων 4 εκατομμυρίων λέξεων εντοπίστηκαν 145 468 διλεκτικά GT. Όπως αναφέρθηκε προηγουμένως, αναλύθηκαν στη συνέχεια μόνο τα διλεκτικά GT με συχνότητα τουλάχιστον 10 εμφανίσεων — εντοπίστηκαν 4889 τέτοιοι όροι. Μετά την εξέταση των GT, στον τελικό κατάλογο όρων εκπαίδευσης και επιστημών παρέμειναν μόνο 474 διλεκτικοί όροι, οι οποίοι αποτελούν το μεγαλύτερο μέρος όλων των αναλυόμενων όρων — πάνω από τα δύο τρίτα (βλ. Πίνακα 1.). Οι διλεκτικοί όροι μπορούν να ταξινομηθούν σε τρεις τύπους, ανάλογα με τις γραμματικές τους μορφές. 1) ουσιαστικό + ουσιαστικό τύπου όροι εκπαίδευσης και επιστημών είναι 250, δηλαδή το 52,7% όλων των διλεκτικών όρων. Οι συχνότεροι όροι εκπαίδευσης και επιστημών αυτής της δομής που απαντούν στο σώμα κειμένων είναι studijų programa (1432), studijų pakopa (306), studijų kryptis (303), mokslo darbuotojas (289), studijų kokybė (253). 2) επίθετο + ουσιαστικό.17 Οι συνδυασμοί αποτελούν 200 όρους εκπαίδευσης και επιστημών (το 42,2% των διλεκτικών όρων). Οι συχνότεροι όροι εκπαίδευσης και επιστημών είναι aukštoji mokykla (2160), moksliniai tyrimai (918), aukštasis mokslas (730), nuotolinis mokymas (453), profesinis mokymas (403). Οι συνδυασμοί του τύπου επίθετο + ουσιαστικό θεωρούνται GT όταν το επίθετο συμφωνεί με το ουσιαστικό ως προς το γένος, τον αριθμό και την πτώση. Διαφορετικά, λαμ- 16 Σε παρένθεση αναφέρεται η συχνότητα του όρου αυτού στο σώμα κειμένων εκπαίδευσης και επιστημών έκτασης 4 εκατομμυρίων λέξεων. 17 Στα πρότυπα των διλεκτικών όρων δεν αναφέρονται οι πτώσεις, επειδή τα επίθετα και οι μετοχές συμφωνούν με τα ουσιαστικά, ενώ τα ουσιαστικά συνήθως βρίσκονται στην ονομαστική ενικού. 60 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais γραμματικά μη ορθοί συνδυασμοί¹⁸, π.χ., πιο στενή πανεπιστημίων, σημαντικότερη δικαίου, σημαντικότερων μάθησης, καλύτερου έτους, ή ένας συνδυασμός είναι ορθός, αν και συχνά ελλιπής, και δεν αποτελεί όρο ΕΕ&Ε, π.χ., μεγαλύτερος στον κόσμο, δυναμικότερη στον κόσμο, ευνοϊκό για τους φοιτητές. 3) επίθ. + ουσ. συνδυασμοί ως όροι ΕΕ&Ε είναι μόνο 24, δηλαδή 5%. Οι συχνότεροι όροι ΕΕ&Ε: τελική εργασία (162), επιλεγόμενο μάθημα (109), εκπαίδευση ενηλίκων¹⁹ (65), ανατροφοδότηση (63), εφαρμοσμένη έρευνα (45). 3. Τρισύνθετοι όροι. Συνολικά εντοπίστηκαν 119 881 τρισύνθετα GT. Αναλύθηκαν λεπτομερέστερα 2438 συνδυασμοί, η συχνότητα των οποίων στο σώμα κειμένων ήταν τουλάχιστον 8 εμφανίσεις. Βρέθηκαν 125 όροι ΕΕ&Ε, δηλαδή 16,03% του συνόλου των όρων. Οι συχνότεροι όροι ΕΕ&Ε: ίδρυμα τριτοβάθμιας εκπαίδευσης (251), ίδρυμα επαγγελματικής κατάρτισης (205), κρατικά υποστηριζόμενο δάνειο (149), σχολείο γενικής εκπαίδευσης (147), ίδρυμα επαγγελματικής κατάρτισης (77). Οι τρισύνθετοι όροι ΕΕ&Ε ακολουθούν επτά γραμματικά πρότυπα. Μεταξύ των τρισύνθετων όρων ΕΕ&Ε, συχνότεροι είναι οι συνδυασμοί τύπου επίθ. γεν. + ουσ. γεν. + ουσ.²⁰ (αποτελούν το 48% όλων των τρισύνθετων όρων), π.χ.: ίδρυμα τριτοβάθμιας εκπαίδευσης (251), ίδρυμα επαγγελματικής κατάρτισης (205), σχολείο γενικής εκπαίδευσης (147). Δεύτεροι σε συχνότητα μεταξύ των τρισύνθετων όρων ΕΕ&Ε είναι οι συνδυασμοί τύπου ουσ. γεν. + ουσ. γεν. + ουσ. (24,8%), π.χ.: κανονισμός κατεύθυνσης σπουδών (66), περιγραφή κατευθύνσεων σπουδών (60), κρατικό ερευνητικό ίδρυμα (50). Το τρίτο συχνότερο δομικό πρότυπο τρισύνθετων όρων ΕΕ&Ε είναι το επίθ. ονομ. + επίθ. ονομ. + ουσ. (12%), π.χ.: εθνικό σύνθετο πρόγραμμα (69), θεμελιώδης επιστημονική έρευνα (61), αρχική επαγγελματική κατάρτιση (52). Στη συνέχεια, μπορούν να παρατεθούν μόνο λίγα παραδείγματα των ακόλουθων δομικών προτύπων τρισύνθετων όρων ΕΕ&Ε: ουσ. γεν. + μετ. μετοχή ονομ. + ουσ. (4%), π.χ.: κρατικά υποστηριζόμενο δάνειο (149), κρατικά αναγνωρισμένο προσόν (33), κρατικά χρηματοδοτούμενος φοιτητής (21)· ουσ. γεν. + επίθ. ονομ. + ουσ. (4%), π.χ.: ξένο ίδρυμα τριτοβάθμιας εκπαίδευσης (41), ακαδημαϊκό συμβούλιο κολεγίου (32), επιστημονικός επιβλέπων διδακτορικού φοιτητή (20)· μετ. ονομ. / αιτ. + ουσ. γεν. + ουσ. (3,2%), π.χ.: τελική αξιολόγηση προσόντων (36), δωρεάν θέση σπουδών (13), έρευνα εφαρμοσμένου χαρακτήρα (13)· επίθ. ονομ. + ¹⁸ Στην παρούσα εργασία, γραμματικά ορθοί θεωρούνται οι συνδυασμοί στους οποίους οι εξαρτημένες λέξεις συμφωνούν με την κύρια λέξη και οι συντακτικές σχέσεις μεταξύ των στοιχείων του συνδυασμού λέξεων είναι σαφείς. ¹⁹ Στις μετοχές περιλαμβάνονται επίσης οι μετοχές που έχουν ουσιαστικοποιηθεί. ²⁰ Δεν δηλώνεται η πτώση του τελευταίου ουσιαστικού, επειδή συνήθως βρίσκεται στην ονομαστική. Terminologija | 2012 | 19 61 Μετοχή ενεστώτα (ή επίθετο, εάν η μετοχή έχει ουσιαστικοποιηθεί) + ουσιαστικό (2,4%), π.χ.: διαγωνιστικό μάθημα (15), μη τυπική εκπαίδευση ενηλίκων (13), επιστημονική ερευνητική εργασία (12)· μετοχή ενεστώτα + επίθετο + ουσιαστικό (1,6%), π.χ.: εφαρμοσμένη επιστημονική δραστηριότητα (20), έρευνες κατόπιν παραγγελίας (8). 4. Τετραλεκτικοί όροι. Συνολικά εντοπίστηκαν 77 961 τετραλεκτικά GT, ενώ οι συνδυασμοί που εμφανίζονταν περισσότερες από 7 φορές ήταν 760. Από αυτούς, ο εμπειρογνώμονας εντόπισε 22 όρους ΕΜ (αποτελούν το 2,82% του συνόλου των όρων). Οι συχνότεροι συνδυασμοί σε αυτή την ομάδα όρων είναι οι ίδρυμα επιστήμης και σπουδών (568), πάρκο επιστήμης και τεχνολογίας (62), γενικό εθνικό ολοκληρωμένο πρόγραμμα (40), επαγγελματική κατάρτιση για την αγορά εργασίας (40). Οι τετραλεκτικοί όροι που χρησιμοποιούνται στο σώμα κειμένων ΕΜ αντιστοιχούν σε εννέα διαφορετικά γραμματικά πρότυπα. Καθώς οι τετραλεκτικοί όροι εμφανίζονται σπάνια, κάθε πρότυπο απεικονίζεται με λίγα ή και με ένα μόνο παράδειγμα. Παρακάτω παρατίθενται, ομαδοποιημένα κατά συχνότητα, όλα τα δομικά πρότυπα των τετραλεκτικών όρων ΕΜ, με ένα παράδειγμα για κάθε πρότυπο: επίθετο ενικού ονομαστικής + ουσιαστικό πληθυντικού γενικής + ουσιαστικό πληθυντικού γενικής + ουσιαστικό (22,7% όλων των τετραλεκτικών όρων): διεθνής επιστημονική βάση δεδομένων (13)· επίθετο ενικού ονομαστικής + επίθετο πληθυντικού γενικής + ουσιαστικό πληθυντικού γενικής + ουσιαστικό (18,2%): γενικό μάθημα πανεπιστημιακής εκπαίδευσης (8)· επίθετο πληθυντικού γενικής + ουσιαστικό πληθυντικού γενικής + μετοχή ενεστώτα + ουσιαστικό (13,6%): μαθητής με ειδικές ανάγκες (8)· ουσιαστικό πληθυντικού γενικής + σύνδεσμος + ουσιαστικό πληθυντικού γενικής + ουσιαστικό (13,6%): ίδρυμα επιστήμης και σπουδών (568)· επίθετο πληθυντικού γενικής + ουσιαστικό πληθυντικού γενικής + επίθετο ενικού ονομαστικής + ουσιαστικό (9,1%): έρευνα υψηλού επιπέδου (18)· μετοχή ενεστώτα + επίθετο ενικού ονομαστικής + ουσιαστικό πληθυντικού γενικής + ουσιαστικό (9,1%): αναγνωρισμένη διεθνής βάση δεδομένων (11)· επίθετο ενικού ονομαστικής + επίθετο ενικού ονομαστικής + επίθετο ενικού ονομαστικής + ουσιαστικό (4,5%): γενικό εθνικό ολοκληρωμένο πρόγραμμα (40)· ουσιαστικό ενικού γενικής + επίθετο πληθυντικού γενικής + ουσιαστικό πληθυντικού γενικής + ουσιαστικό (4,5%): κρατικός ερευνητικός φορέας (31)· ουσιαστικό πληθυντικού γενικής + ουσιαστικό πληθυντικού γενικής + ουσιαστικό πληθυντικού γενικής + ουσιαστικό (4,5%): πεδίο σπουδών τεχνολογικών επιστημών (28)· 5. Πενταλεκτικοί όροι. Εντοπίστηκαν 49 768 πενταλεκτικά GT· οι συνδυασμοί που εμφανίζονταν περισσότερες από 5 φορές ήταν 601, εκ των οποίων οι όροι ΕΜ ήταν 4, δηλαδή το 0,51% του συνόλου των όρων. Από τόσο μικρό αριθμό όρων είναι δύσκολο να εξαχθούν γενικεύσεις για τη δομή τους, γι’ αυτό οι όροι δεν ταξινομήθηκαν δομικά. Όλοι οι πενταλεκτικοί όροι που χρησιμοποιήθηκαν στο σώμα κειμένων ΕΜ είναι: επιστημονική έρευνα και πειραματική ανάπτυξη (124), επιστημονική έρευνα και τεχνολογική ανάπτυξη (67), επιστημονική έρευνα και ανάπτυξη τεχνολογιών (13), κέντρο επιστημονικής έρευνας υψηλού επιπέδου (7). 62 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais 6. Όροι έξι και επτά λέξεων. Όπως έχει ήδη αναφερθεί, μεταξύ των GT όρων έξι και επτά λέξεων δεν εντοπίστηκε κανένας ŠM όρος, παρότι συνολικά εντοπίστηκαν 30 298 GT όροι έξι λέξεων (από αυτούς, βρέθηκαν 750 συνδυασμοί που χρησιμοποιήθηκαν περισσότερες από 3 φορές) και 17 815 GT όροι επτά λέξεων (από αυτούς, βρέθηκαν 2608 συνδυασμοί που χρησιμοποιήθηκαν περισσότερες από 2 φορές). ΣΥΓΚΡΙΣΗ ΤΩΝ ΟΡΩΝ ΕΚΠΑΙΔΕΥΣΗΣ ΚΑΙ ΕΠΙΣΤΗΜΗΣ ΜΕ ΤΟΥΣ ΟΡΟΥΣ ΤΗΣ ΤΡΑΠΕΖΑΣ ΟΡΩΝ ΤΗΣ ΔΗΜΟΚΡΑΤΙΑΣ ΤΗΣ ΛΙΘΟΥΑΝΙΑΣ Οι όροι που χρησιμοποιούνται στο σώμα κειμένων ŠM μπορούν να συγκριθούν με τους εγκεκριμένους όρους εκπαίδευσης και επιστήμης που περιλαμβάνονται στην Τράπεζα Όρων της Δημοκρατίας της Λιθουανίας21, οι οποίοι είναι 74. Η δομή αυτών των όρων ποικίλλει σημαντικά: από μονολεκτικούς έως συνδυασμούς αποτελούμενους από 18 λέξεις. Βρέθηκε μόνο ένας όρος 15 λέξεων και ένας 18 λέξεων. Ο μακρύτερος όρος είναι – πρόγραμμα άτυπης συνεχιζόμενης επαγγελματικής κατάρτισης για γεωργούς, ιδιοκτήτες δασών, μέλη τοπικών ομάδων δράσης, άλλους κατοίκους της υπαίθρου και τους συμβούλους τους. Είναι συζητήσιμο αν η ονομασία ενός προγράμματος πρέπει να θεωρείται όρος. Συγκρίνοντας τη δομή των όρων εκπαίδευσης και επιστήμης στο σώμα κειμένων ŠM και στην Τράπεζα Όρων, διαπιστώνεται ότι και στις δύο πηγές οι συχνότεροι όροι είναι μονολεκτικοί έως τριλεκτικοί. Ωστόσο, οι μονολεκτικοί έως τριλεκτικοί όροι αποτελούν το 86,5% στην Τράπεζα Όρων, ενώ οι όροι ίδιου μήκους που χρησιμοποιούνται στο σώμα κειμένων ŠM αποτελούν το 97% (βλ. Πίνακα 1). Στην Τράπεζα Όρων υπάρχουν κάπως περισσότεροι τετραλεκτικοί όροι από ό,τι στο υπό εξέταση σώμα κειμένων· δεν χρησιμοποιούνται πενταλεκτικοί όροι, ενώ οι όροι που αποτελούνται από 6, 7, 8 και 9 λέξεις αριθμούν μόλις έναν ή δύο ο καθένας. Δεν υπάρχουν όροι 10 λέξεων, αλλά περιλαμβάνονται οι ήδη αναφερθέντες όροι 15 και 18 λέξεων (βλ. Πίνακα 2). Είναι αμφίβολο αν ορισμένοι όροι που περιλαμβάνονται στην Τράπεζα Όρων ανήκουν στον τομέα της εκπαίδευσης και της επιστήμης, π.χ., Λιθουανός, κοινότητα Λιθουανών του κόσμου, επανεγκατάσταση, εθνικότητα. Από τον κατάλογο όρων που προέκυψε φαίνεται ότι ο τομέας της εκπαίδευσης και της επιστήμης δεν καλύπτεται πλήρως· για παράδειγμα, ως όρος επαγγελματικής εκπαίδευσης παρατίθεται ο χειριστής γεωργικού ελκυστήρα, αλλά απουσιάζουν οι χειριστής θεριζοαλωνιστικής μηχανής, μάγειρας, ξυλουργός κ.λπ.· λείπουν ιδίως όροι που αντανακλούν την πολιτική για την επιστήμη. Επομένως, οι όροι που εντοπίστηκαν κατά την έρευνα που εξετάζεται στο παρόν άρθρο αναμένεται να καλύψουν, έστω εν μέρει, το κενό στην ορολογία του τομέα της εκπαίδευσης και της επιστήμης. 21 Ο κατάλογος των εγκεκριμένων όρων του τομέα της εκπαίδευσης και της επιστήμης παραλήφθηκε το 2010 από την Κρατική Επιτροπή Λιθουανικής Γλώσσας. Η σύγκριση των δεδομένων του σώματος κειμένων και της τράπεζας όρων βασίζεται ακριβώς σε αυτόν τον κατάλογο. Terminologija | 2012 | 19 63 Πίνακας 2. Κατανομή των όρων εκπαίδευσης και επιστήμης που περιλαμβάνονται στην Τράπεζα Όρων της Δημοκρατίας της Λιθουανίας ανάλογα με το μήκος Αριθμός λέξεων που αποτελούν τον όρο Πλήθος όρων, αριθμός Πλήθος όρων,% 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 Σύνολο 74 100 ΠΡΟΒΛΗΜΑΤΑ ΑΥΤΟΜΑΤΟΥ ΕΝΤΟΠΙΣΜΟΥ ΟΡΩΝ Κατά τον εντοπισμό όρων με διάφορες μεθόδους προκύπτουν δύο κύρια προβλήματα: 1) ποιες μορφές αποτελούν γραμματικά ορθούς όρους, κάτι που έχει ιδιαίτερη σημασία κατά τον καθορισμό της λημματικής μορφής· 2) πώς διακρίνονται οι γενικές φράσεις και οι γενικοί όροι από τους όρους του υπό ανάλυση πεδίου. Παρόμοια προβλήματα αντιμετωπίζουν και οι επιστήμονες άλλων χωρών (πρβλ. Cabré Castellví et al 2001). Συχνότερα, το δεύτερο πρόβλημα μπορεί να λυθεί μόνο μη αυτόματα, δηλαδή ένας ειδικός του συγκεκριμένου πεδίου πρέπει να εξετάσει το GT και να καθορίσει ποιοι όροι ανήκουν στο υπό ανάλυση πεδίο. Μπορούν επίσης να εφαρμοστούν ορισμένα φίλτρα, δηλαδή να καταρτιστεί κατάλογος λέξεων προς αποκλεισμό (στα αγγλικά stop list) και να χρησιμοποιηθεί για την απόρριψη λέξεων που δεν μπορούν να λειτουργήσουν ως όροι του υπό ανάλυση πεδίου. Τέτοιο φιλτράρισμα εφαρμόστηκε και στην παρούσα έρευνα. Μερικά παραδείγματα: δεν θεωρήθηκαν όροι των επιστημών της εκπαίδευσης και της έρευνας οι λέξεις ή οι φράσεις των οποίων η τελευταία λέξη είναι ουσιαστικό που δηλώνει χρόνο 64 Erika Rimkutė | Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais π.χ.: metai, mėnuo, diena, savaitė, rytas, vakaras, sausis, vasaris, pirmadienis, antradienis κ.λπ. Δεν θεωρούνται όροι λέξεις που δηλώνουν μονάδες μέτρησης, π.χ.: milimetras, metras, centimetras, kilometras, mylia, gramas, kilogramas, tona. Μπορούν να αποκλειστούν φράσεις που περιέχουν συνδυασμούς λέξεων χαρακτηριστικούς των γενικών διοικητικών όρων, π.χ.: įstatymo straipsnio, įstatymo straipsnio dalyje, įstatymų nustatyta (tvarka), įsakymo punktu patvirtintu, teisės aktų nustatyta tvarka, respublikos vyriausybės, respublikos valstybės, nuostatų punktas, nutarimų punktas, ministro įsakymas, ministro nustatyta tvarka, ministro patvirtintas, ministro sudarytas. Στην προσπάθεια να διακριθούν όσο το δυνατόν ακριβέστερα αυτόματα οι όροι των επιστημών της εκπαίδευσης και της έρευνας από τους γενικούς όρους, δημιουργήθηκαν δύο συγκριτικά σώματα κειμένων, ίδιου μεγέθους με το σώμα κειμένων των επιστημών της εκπαίδευσης και της έρευνας, δηλαδή 4 εκατομμυρίων λέξεων. Το πρώτο από τα συγκριτικά σώματα συγκροτήθηκε από κείμενα διαφόρων ειδών και υφολογικών τύπων· η σύνθεσή του είναι παρόμοια με εκείνη του Dabartinės lietuvių kalbos tekstyną (περιλαμβάνει δημοσιογραφικά, λογοτεχνικά, διοικητικά και επιστημονικά κείμενα). Το δεύτερο συγκριτικό σώμα κειμένων συγκροτήθηκε από διοικητικά κείμενα, όχι όμως από τον τομέα των επιστημών της εκπαίδευσης και της έρευνας. Η υπόθεση ήταν ότι όσο πιο γενικός είναι ένας όρος, τόσο συχνότερα χρησιμοποιείται στο γενικό και/ή στο διοικητικό σώμα κειμένων, ενώ όσο πιο εξειδικευμένος είναι, τόσο σπανιότερος είναι στο γενικό και/ή στο διοικητικό σώμα κειμένων. Η υπόθεση αυτή επιβεβαιώθηκε εν μέρει: για παράδειγμα, όροι χαρακτηριστικοί του τομέα των επιστημών της εκπαίδευσης και της έρευνας, όπως οι judumas, kompetentingumas, nubyrejimas, siekinys, δεν εντοπίστηκαν στα συγκριτικά σώματα κειμένων, ενώ όροι όπως οι studentas, universitetas, vadovėlis είναι συχνοί τόσο στο σώμα κειμένων των επιστημών της εκπαίδευσης και της έρευνας όσο και στα συγκριτικά σώματα. Η έρευνα αυτή θα πρέπει να συνεχιστεί, ώστε να καταστούν διαθέσιμα αξιόπιστα δεδομένα σχετικά με το κατά πόσο η σύγκριση πολλών σωμάτων κειμένων μπορεί να βοηθήσει, έστω εν μέρει, στον αυτόματο διαχωρισμό των γενικών όρων από τους όρους του υπό ανάλυση πεδίου. Στη συνέχεια θα συζητηθεί λεπτομερέστερα το πρώτο πρόβλημα, δηλαδή πώς να εντοπίζεται αυτόματα η ορθή λημματική μορφή των όρων (ιδίως των πολυλεκτικών), και πώς να ανάγονται σε ένα λήμμα λέξεις και φράσεις που εμφανίζονται στο σώμα κειμένων με διαφορετικούς κλιτικούς τύπους. Η έρευνα έδειξε ότι δεν είναι πάντοτε εύκολο να καθοριστεί η λημματική μορφή ενός όρου. Κατά τον αυτόματο εντοπισμό του λήμματος, για παράδειγμα, για τη φράση aukštoji mokykla προκύπτει το αποτέλεσμα aukštas mokykla. Η μορφή αυτή προκύπτει επειδή ο μορφολογικός επισημειωτής ορίζει ως λήμμα για τα επίθετα την ονομαστική ενικού αρσενικού γένους του θετικού βαθμού (για περισσότερες λεπτομέρειες σχετικά με τις ιδιαιτερότητες του επισημειωτή, βλ. Zinkevičius 2000). Τα λήμματα των πολυλεκτικών όρων Terminologija | 2012 | 19 65 Ο προσδιορισμός θα διευκολυνόταν σημαντικά από ένα πρόγραμμα συντακτικής ανάλυσης. Δυστυχώς, προς το παρόν δεν υπάρχει λειτουργικό πρόγραμμα συντακτικής ανάλυσης22. Συνεπώς, για τον προσδιορισμό των λημμάτων χρειάζονται ορισμένοι πρόσθετοι κανόνες — στη συγκεκριμένη περίπτωση πρέπει να οριστεί ότι, αν το λήμμα αποτελείται από ουσιαστικό, τότε το επίθετο ή η μετοχή πρέπει να συμφωνεί με το γένος του ουσιαστικού· αν το επίθετο ή η μετοχή είναι οριστικά, η κατηγορία αυτή πρέπει να διατηρείται και στο λήμμα. Πολλά ερωτήματα προκύπτουν σχετικά με την κατηγορία του αριθμού, π.χ., το πρώτο συστατικό του όρου studentų atstovybė πρέπει να είναι στον πληθυντικό, όλα τα συστατικά των όρων akademiniai įgūdžiai, auditorinės darbo valandos πρέπει να είναι στον πληθυντικό, ενώ και τα δύο συστατικά των όρων fakulteto taryba, universiteto autonomija, bendrasis priėmimas, mokslinis leidinys είναι στον ενικό. Βέβαια, για έναν άνθρωπο είναι εύκολο να διαπιστώσει πού απαιτείται ο πληθυντικός και πού ο ενικός, αλλά η αυτόματη εκτέλεση αυτού του έργου είναι πολύ δύσκολη. Πράγματι, στο σώμα κειμένων διακρίνεται ότι ορισμένες λέξεις χρησιμοποιούνται σχεδόν πάντα μόνο στον πληθυντικό (π.χ.: asignavimai, duomenys, studijos, rūmai, žinios, pinigai, pareigos). Ο προσδιορισμός της κατάλληλης μορφής αριθμού είναι δύσκολος και επειδή ορισμένες λέξεις είναι ομώνυμες, π.χ., studija (επιστημονικό έργο) και studijos (σπουδές). Για τον λόγο αυτό, τα λήμματα των ακόλουθων όρων προσδιορίστηκαν αυτόματα εσφαλμένα: bakalauro studija, rezidentūros studija, magistro studija, dieninės studija, nuotolinės studija. Όπως αναφέρθηκε, ορισμένα ουσιαστικά χρησιμοποιούνται συνήθως μόνο στον πληθυντικό, παρόλο που στο λεξικό το λήμμα δίνεται στον ενικό. Αυτή η αναντιστοιχία μεταξύ των λεξικογραφικών πληροφοριών και της πραγματικής χρήσης οδήγησε στον εσφαλμένο προσδιορισμό των λημμάτων των όρων mokinio pasiekimas, švietimo resursas, praktinis gebėjimas, fizinis mokslas, akademinis užsiėmimas (θα έπρεπε να είναι: mokinio pasiekimai, švietimo resursai, praktiniai gebėjimai, fiziniai mokslai, akademiniai užsiėmimai). Ένα ακόμη πρόβλημα είναι τα ουσιαστικά substantiva mobilia, π.χ.: abiturientas – abiturientė, abonentas – abonentė. Καθώς στο σώμα κειμένων υπήρχαν τύποι τόσο του αρσενικού όσο και του θηλυκού γένους, προσδιορίστηκαν αυτόματα λήμματα και για τα δύο γένη. Για να διατηρηθεί ως όρος του ŠM μόνο το λήμμα του αρσενικού γένους, χρειάστηκε να εφαρμοστεί κανόνας σύμφωνα με τον οποίο τα ουσιαστικά τύπου substantiva mobilia αρσενικού και θηλυκού γένους ανάγονται σε λήμμα αρσενικού γένους. 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 Κατά τον αυτόματο προσδιορισμό των λημμάτων, μερικές φορές ορίζεται ακατάλληλη σειρά λέξεων· για παράδειγμα, καταγράφηκαν οι ακόλουθες μορφές επικεφαλίδων: tipų studija (θα έπρεπε να είναι studijų tipas), lygmens kvalifikacija (θα έπρεπε να είναι kvalifikacijų lygmuo). Επειδή κατά τον προσδιορισμό των λημμάτων δεν εφαρμόστηκε συντακτική ανάλυση, οι προσδιορισμοί δεν συμφωνούν πάντοτε με την προσδιοριζόμενη λέξη, π.χ., tarptautinis (= tarptautinio) lygio mokslas, ή προκύπτουν άλλες συντακτικές παραβιάσεις, π.χ.: paskolų gyvenimo išlaidos (= paskola gyvenimo išlaidoms). Δυσκολίες προκύπτουν και στον καθορισμό των ορίων των όρων· για παράδειγμα, είναι το dėstytojų ir mokslininkų kvalifikacijos bei kompetencijos atitiktis ένας όρος ή πρέπει να διακριθούν εδώ αρκετοί όροι: 1) αντιστοιχία των προσόντων και των ικανοτήτων των διδασκόντων, 2) αντιστοιχία των προσόντων και των ικανοτήτων των επιστημόνων, 3) αντιστοιχία των προσόντων των διδασκόντων και των επιστημόνων, 4) αντιστοιχία των ικανοτήτων των διδασκόντων και των επιστημόνων, 5) προσόντα των διδασκόντων, 6) προσόντα των επιστημόνων, 7) ικανότητες των διδασκόντων, 8) ικανότητες των εκπαιδευτικών, 9) αντιστοιχία προσόντων, 10) αντιστοιχία ικανοτήτων. Κατά τον προσδιορισμό των λημμάτων και, γενικότερα, την αναγνώριση των όρων, προκύπτουν δυσκολίες και λόγω των ιδιαιτεροτήτων του μορφολογικού επισημειωτή, όταν από τα διάφορα δυνατά μέρη του λόγου ή τους γραμματικούς τύπους επιλέγεται ο ακατάλληλος. Για παράδειγμα, αν ένα επίθετο συμφωνεί ως προς το γένος, την πτώση και τον αριθμό με το ουσιαστικό που βρίσκεται δίπλα του, είναι πολύ πιθανό ο συνδυασμός να είναι γραμματικά ορθός. Οι συνδυασμοί που αποτελούνται από δύο ουσιαστικά, των οποίων το πρώτο συνθετικό δεν βρίσκεται στη γενική πτώση, δεν είναι πάντοτε γραμματικά ορθοί. Πρέπει να εξεταστούν προσεκτικότερα και, συνεπώς, απαιτούν περισσότερο χρόνο. Επομένως, το αν ένας συνδυασμός θα συμπεριληφθεί στους GT και το αν θα είναι γραμματικά ορθός εξαρτώνται από το μέρος του λόγου που έχει δηλωθεί. Μερικά παραδείγματα που απεικονίζουν αυτόν τον τύπο σφάλματος: metinėms (μπορεί να είναι επίθετο ή ουσιαστικό· ο μορφολογικός επισημειωτής δήλωσε ουσιαστικό) ataskaitoms; keliais (μπορεί να είναι αντωνυμία ή ουσιαστικό· επιλέχθηκε το ουσιαστικό) procentais; bendrais (μπορεί να είναι επίθετο ή ουσιαστικό· επιλέχθηκε το ουσιαστικό) teiginiais; uždarus (μπορεί να είναι επίθετο ή ουσιαστικό· επιλέχθηκε το ουσιαστικό) posėdžius. Λόγω του εσφαλμένου προσδιορισμού του μέρους του λόγου και επειδή οι λέξεις δεν αναλύονται συντακτικά, ο συνδυασμός žemiausias balas που εντοπίζεται σε μορφολογικά επισημειωμένο σώμα κειμένων φαίνεται εκ πρώτης όψεως γραμματικά εσφαλμένος, επειδή Terminologija | 2012 | 19 67 για την πρώτη λέξη δηλώνονται οι εξής ετικέτες: επίθετο, υπερθετικός βαθμός, μη αντωνυμικό, αρσενικό γένος, ενικός αριθμός, ονομαστική· για τη δεύτερη: ουσιαστικό, θηλυκό γένος, πληθυντικός αριθμός, γενική, ενώ ως λήμμα δηλώνεται το bala. Επομένως, φαίνεται ότι στην περίπτωση αυτή έχει προσδιοριστεί εσφαλμένα το λήμμα του ουσιαστικού· πρέπει να είναι balas. Συνεπώς, ο προαναφερθείς συνδυασμός είναι γραμματικά ορθός. Στο κεφάλαιο αυτό παρουσιάστηκαν οι δυσκολίες που συναντώνται συχνότερα κατά τον αυτόματο προσδιορισμό όρων εκπαίδευσης και επιστήμης. Οι προβληματισμοί αυτοί και οι τρόποι αντιμετώπισής τους θα συζητηθούν σε άλλες εργασίες. ΣΥΜΠΕΡΑΣΜΑΤΑ Το πρόγραμμα και η μεθοδολογία αυτόματου προσδιορισμού όρων χρειάζονται περαιτέρω βελτίωση. Ωστόσο, τα πρώτα αποτελέσματα αξιολογούνται αρκετά θετικά. Όπως φαίνεται από τα παραδείγματα που παρατίθενται, η αυτόματη ανάλυση αναδεικνύει όχι μόνο ειδικά και τεχνικά ζητήματα, αλλά και προβλήματα που αντιμετωπίζουν οι ορολόγοι, όπως, για παράδειγμα, η επιλογή της κατηγορίας του αριθμού. Με τη βελτίωση του μορφολογικού επισημειωτή και την εφαρμογή προγράμματος αυτόματης συντακτικής ανάλυσης, ο αυτόματος προσδιορισμός των όρων θα μπορούσε να γίνει ευκολότερα και με μεγαλύτερη αξιοπιστία. Παρά τις δυσκολίες που προκύπτουν, το πρόγραμμα αυτόματου προσδιορισμού όρων επιταχύνει σημαντικά τη διαδικασία προσδιορισμού των GT. Ένα άλλο σημαντικό πλεονέκτημα της διαδικασίας αυτόματου προσδιορισμού όρων είναι η αντικειμενικότητα της ανάλυσης των δεδομένων. Διαπιστώθηκε ότι το 97% των όρων εκπαίδευσης και επιστήμης που επιλέχθηκαν αυτόματα και εξετάστηκαν έχουν μήκος 1–3 λέξεων. Οι δίλεκτοι όροι είναι οι περισσότεροι· αποτελούν σχεδόν το 61% όλων των όρων. Τα συνηθέστερα δομικά πρότυπα των όρων εκπαίδευσης και επιστήμης είναι: ουσιαστικό σε ονομαστική + ουσιαστικό, επίθετο + ουσιαστικό, επίθετο σε ονομαστική + ουσιαστικό σε ονομαστική + ουσιαστικό, ουσιαστικό σε ονομαστική + ουσιαστικό σε ονομαστική + ουσιαστικό (το τελευταίο ουσιαστικό μπορεί να βρίσκεται σε διάφορες πτώσεις). 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