Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

54 Erika Rimkutė | Az oktatási és tudományos terminusok automatikus | nustatymaslingvistiniaismetodais Az oktatási és tudományos terminusok automatikus meghatározása nyelvészeti módszerekkel ERIKA RIMKUTė Vytautas Magnus Egyetem LÉNYEGES SZAVAK: szövegkorpusz, oktatási és tudományos terminusok, nyelvészeti módszerek, címszóforma, grammatikai forma BEVEZETÉS A korpusznyelvészet és a számítógépes nyelvészet Litvániában már a második évtizedét számolja – e tudományágak kezdete a Vytautas Magnus Egyetem Számítógépes Nyelvészeti Központjának (lásd: http://tekstynas.vdu.lt) 1994-es megalapításához köthető. Több korpusz, valamint automatikus nyelvfeldolgozó és -szintetizáló program készült1. Mindazonáltal a korpusznyelvészet elveit a terminológiában és a terminográfiában még kevéssé alkalmazzák. A Lietuvių kalbos terminų automatinio nustatymo galimybės című 2010-es tanulmány (Rimkutė 2010) áttekintette, hogy Litvániában milyen mértékben használnak korpuszokat különféle terminológiai munkák összeállításakor. A litván nyelv terminusai több nemzetközi adatbázisban és terminológiai bankban is megtalálhatók; Számos elektronikus terminológiai szójegyzék vagy adatbázis2 készült, de valamennyi litván elektronikus terminológiai szójegyzék alapvetően terminológiai szótárak alapján készült. A litván szótárak többsége meglehetősen kis szövegmennyiségre és nyelvi intuícióra támaszkodva készült, ezért kijelenthető, hogy Litvániában továbbra is a terminusok megszerzésének és leírásának preskriptív módszere uralkodik. A tanulmány be kívánja mutatni az oktatási és tudományos terminusok meghatározására és leírására irányuló projekt3 eredményeit, amelyek a terminusok automatikus azo1 A 2011-ig elkészített lituanisztikai erőforrások teljes jegyzékét a http://sruoga.vdu.lt/lituanistiniaiskaitmeniai-istekliai/lituanistiniu-istekliu-sarasas címen találhatja meg. 2 A hivatkozások az említett tanulmányban találhatók. 3 Ez a Litván Tudományos Tanács által finanszírozott, Oktatási és tudományos terminusok automatikus azonosítása (ŠIMTAI 2) című projekt (szerződésszám: LIT-2-44). A projekt legfontosabb céljai: 1) a terminusok automatikus felismerésére szolgáló módszertan létrehozása és kipróbálása litván nyelvi korpuszban, mint a terminológiaművelés új eszköze, 2) speciális oktatási és tudományos korpusz létrehozása, 3) a speciális korpusz alapján értelmező oktatási és tudományos terminológiai szótár, valamint e terület ontológiájának elkészítése. 55Terminologija | 2012 | 19 nosításával, leírásukkal kapcsolatosak. A terminusok automatikus meghatározására irányuló projekt ötlete annak felismerése nyomán merült fel, hogy a meglévő normatív források4 orientuoti į pačius bendriausius švietimo politikos terminus ir beveik nė meglehetősen hiányosak, mivel nem fedik le a tudománypolitika területét, és nem sikerül bennük időben közölni a gyakorlati munkából származó új terminusokat; A terminológiai normázók nem győzik szabványosítani őket. A hagyományos normázás mégis meglehetősen szubjektív, ezért a használatot és a normákat korpusznyelvészeti módszerekkel kell megalapozni. Ezért ebben a cikkben egy Litvániában még meglehetősen új terminuskiválasztási és -elemzési módszerről lesz szó, amely jelentősen megkönnyíthetné a terminológusok munkáját, és nagyobb objektivitást biztosíthatna. A TERMINUSOK AUTOMATIKUS MEGHATÁROZÁSA Egy adott terület terminusainak automatikus meghatározásához és definiálásához egy területet választottak ki – a tudományt és az oktatást. Összegyűjtöttek egy 4 millió szavas oktatási és tudományos (a továbbiakban ŠM) korpuszt, amelynek összeállításakor két fő témára összpontosítottak: 1) a tudományos kutatásokra és 2) a nevelésre. A tudományos kutatások területén főként a tudományos kutatáspolitikára és a felsőoktatás-politikára fordítottak figyelmet. A nevelés területéről a középfokú oktatást vették, a legnagyobb figyelmet pedig a felsőoktatásnak és a továbbképzésnek (tanulásnak) szentelték. Kiegészítő területként a szakképzést is bevonták. A szöveggyűjtemény összeállításakor arra törekedtek, hogy különböző műfajú és típusú szövegeket foglaljanak magukban, például: törvényeket, a legmagasabb szintű állami intézmények egyéb politikai dokumentumait (a Litván Köztársaság Szejmjének, a Litván Köztársaság Kormányának, a Litván Köztársaság elnökének határozatait és nyilatkozatait, az Alkotmánybíróság határozatait stb.); stratégiai dokumentumokat; a törvények végrehajtási aktusait; a tudományés oktatáspolitika megvalósításával foglalkozó intézmények és projektek dokumentumait; a tudományos és felsőoktatási intézmények dokumentumait; tájékoztató kiadványokat, a terület helyzetének vizsgálatait, értékeléseit, megvalósíthatósági tanulmányait; sajtóközleményeket, vitanyagokat. Reprezentatív, jól kiegyensúlyozott, a vizsgált területet reprezentáló korpusz5 birtokában automatikusan meghatározhatók a terminusok. E célból leggyakrabban a következőket használják4: Megemlíthető a Litván Köztársaság terminológiai bankja, L. Jovaiša Enciklopedinis edukologijos terminų žodynas (2007) című enciklopédikus neveléstudományi terminológiai szótára, valamint a TESE tezaurusz [megtekintve: 2012-05-20], internetes hozzáférés: http://eacea.ec.europa.eu/education/ eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf. 5 A korpuszok reprezentativitása és mérete – a korpusznyelvészet legösszetettebb kérdései közé tartoznak. Feltételezhető, hogy az oktatási és tudományos szövegkorpusz meglehetősen jól reprezentálja a kiválasztott területet. Méretét illetően azonban több vita merülhet fel; például az angol–olasz jogi korpusz, a Bononia Legal Corpus (BOLC), megközelítőleg 18 millió szóból áll (Rossini Favretti et al. 2001). 56 Erika Rimkutė | Az oktatási és tudományos terminusok automatikus | nustatymaslingvistiniaismetodais meghatározása: a statisztikai, nyelvészeti, valamint a statisztikai és nyelvészeti módszerek hibrid modelljei. Több kísérletet végeztek annak megállapítására, hogy mely terminusmeghatározási módszerek a legmegfelelőbbek. A következő statisztikai módszereket próbálták ki: 1) a WordSmith Tools program Keyword Clusters funkciója; 2) a KEA gépi tanulási módszer; 3) kollokációk kinyerésének módszere a LICE eszköz használatával (bővebben lásd: Grigonytė et al. 2011). E kutatások elvégzése után arra a következtetésre jutottak, hogy a litván nyelv számára a lingvisztikai módszerek a legmegfelelőbbek. Az alábbiakban röviden ismertetjük e módszerek sajátosságait. A statisztikai terminusmeghatározó rendszerek fő előnye, hogy nincs szükségük nagy, emberek által megadott terminuspéldákat tartalmazó adatbázisokra. Emellett nyelvfüggetlenek. A statisztikai rendszerek működésének fő elve azon alapul, hogy a gyakran együtt használt szavak kapcsolatban állnak egymással, és lehetséges terminusokként kezelendők. A lingvisztikai módszerek leggyakrabban morfológiai jegyeken és a szórenden alapulnak. A nyelvészeti módszerek alkalmazásához morfológiailag annotált korpuszokra van szükség. A terminusok meghatározására szolgáló nyelvészeti módszerek alkalmazásával leggyakrabban azt állapítják meg, hogy a terminusok milyen nyelvtani formákban fordulhatnak elő. A nyelvtani formák meghatározásakor figyelembe kell venni a nyelvek sajátosságait. Például az analitikus nyelvek esetében fontos meghatározni a terminusok szófaját. A litván nyelv terminusainak szófaja szintén nagyon fontos, de azt is tudni kell, hogy milyen más nyelvtani kategóriákra vonatkozó információ szükséges a terminusok automatikus meghatározásához. Megfigyelték, hogy a litván nyelv esetében még fontosak a számés esetkategóriák, míg a nem kategóriája a terminusok automatikus meghatározásakor nem különösebben jelentős6. A kutatók (pl. Bowker 2002) megállapították, hogy szinte lehetetlen más nyelvekre kifejlesztett terminusmeghatározó eszközöket alkalmazni, különösen azokat, amelyek nyelvészeti módszereket használnak. Például az angol nyelv terminusainak tipikus szerkezete: bdv. + főnév, főnév + főnév, a francia nyelvre jellemző modellek pedig főnevek + melléknév, főnév + elöljárószó + főnév A terminusok felismerésére szolgáló nyelvészeti módszerek alkalmazásához tehát olyan programot kell létrehozni, amely figyelembe veszi az adott nyelv grammatikai rendszerét. A tanulmány további részében a litván nyelv terminusainak nyelvészeti módszerekkel történő automatikus meghatározására irányuló kísérleteket mutatjuk be. Megjegyzendő 6 A nyelvtani nem azokban az esetekben válik relevánssá, amikor a nyelvtani esetek szinkretizmusa jelentkezik, pl. mokslo darbuotojų: az automatikus morfológiai elemzőprogram a darbuotojų alakot hímés nőneműként is felismeri, és a mokslo darbuotoja alakot is. A terminust hímnemű alakban kell megadni, azaz mokslo darbuotojas. nės daiktavardžio daugiskaitos kilmininką, todėl kaip antraštinę formą nurodo ir mokslodarbuotojas, ir 57Terminológia | 2012 | 19 figyelembe véve, hogy a lehetséges terminusok (a továbbiakban GT)7 meghatározására a VDU Számítógépes Nyelvészeti Központjában kifejlesztett programot használták. Ebben a programban olyan nyelvészeti szabályokat alkalmaztak, amelyek meghatározzák, hogy milyen szófaji kapcsolatok vagy szóalakok elemezendők. Amint említettük, a nyelvészeti módszerek alkalmazásához morfológiailag annotált szöveggyűjteményekre van szükség, ezért az elsőként összeállított ŠM-szöveggyűjteményt a VDU Számítógépes Nyelvészeti Központjában kifejlesztett morfológiai annotátor segítségével morfológiailag annotálták8. Itt látható egy automatikusan morfológiailag annotált szöveg példája: <word=”PROJEKTŲ” lemma=”projektas” type=”dktv vyr.gim dgsk K”>9 <space> <word=”FINANSAVIMO” lemma=”finansavimas” type=”dktv vyr.gim vnsk K”> <space> <word=”FELTÉTELEK” lemma=”feltétel” type=”dktv mot.gim dgsk K”> <space> <word=”LEÍRÁSA” lemma=”leírás” type=”dktv vyr.gim vnsk V”> <p> <word=”I” lemma=”I” type=”rom skaič”> <sep=”.”> <space> <word=”ÁLTALÁNOS” lemma=”általános” type=”bdvr teig nelygin.l įvardž mot.gim vnsk K”> <space> <word=”RENDELKEZÉSEK” lemma=”rendelkezés” type=”dktv mot.gim vnsk K”>10 <p> <number=”1”> <sep=”.”> <space> <number=”2007”> <sep=”–”> 7 Įvairius metodus naudojančios automatiškai terminus nustatančios programos dažniausiai atpažįsta galimus terminus, terminus kandidatus (žr. Zeller 2005), nors tarp automatiškai nustatytų žodžių ar junginių neretai pasitaiko visiškai neprasmingų žodžių samplaikų ar prasmingų netermininių žodžių junginių, pvz., kolokacijų. Iš šių žodžių ir junginių tikruosius terminus paprastai nustato tam tikros srities ekspertas. 8 Išsamiau žr. http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use. 9 Word nurodo konkrečią tekste pavartotą žodžio formą, lemma – antraštinę formą (lemą), type – išsamią morfologinę informaciją. 10 Atkreiptinas dėmesys, kad morfologiškai anotuojama automatiškai, todėl pasitaiko ir klaidų, pvz., šiame pavyzdyje dėl linksnių sinkretizmo nurodyta netinkama forma: vietoj moteriškosios giminės daugiskaitos vardininko nurodytas moteriškosios giminės vienaskaitos kilmininkas. Išsamiau apie netikslumus, atsiradusius dėl morfologinio anotatoriaus specifikos, žr. skyrių Automatinio terminų nustatymo problemos. 58 Erika Rimkutė | Automatinis švietimo ir mokslo terminų | nustatymaslingvistiniaismetodais <number=”2013”> <space> <word=”m” lemma=”m” type=”sntrmp”> <sep=”.”> <space> Az automatikusan GT-t meghatározó program működési elvét röviden és egyszerűen a következőképpen lehetne leírni: morfológiailag megjelölt szöveget elemez, és összefüggő szóláncokat keres. Az első kritérium – a megjelölt szövegés mondathatárok alapján nem megszakított szókapcsolatokat kiválasztani. A szöveghatárok egy része írásjelként van megjelölve, mások HTML-címkékként lehetnek megjelölve, például a bekezdéscímke <p>, a szavak közötti szóköz címkéje <space> stb. A taisykles, kurios būtų pritaikytos programoje. Nustatant švietimo ir mokstovábbiakban bizonyos nyelvészeti lo terminusokat kell kidolgozni, ezért a következő fő szabályokat dolgozták ki és alkalmazták11: 1. Csak azokat a szókapcsolatokat kell elemezni, amelyekben legalább egy főnév található. Ha a GT két vagy több szóból áll, akkor az ilyen szókapcsolatban szereplő egyéb szófajok melléknevek és igenevek lehetnek. 2. Csak azokat a szókapcsolatokat kell elemezni, amelyeknek az utolsó szava feltétlenül főnév12. A kétszavas GT-kben nem kell elemezni a tulajdonneveket, mivel ezek leggyakrabban személyek, vállalatok, intézmények stb. elnevezéseinek részét képezik, amelyek nem tekinthetők a szakterület terminusainak (a hosszabb terminusok meghatározásakor a GT-terminusok jegyzékébe a tulajdonneveket is fel kell venni). 4. A szókapcsolatokból ki kell hagyni a számjegyekkel írt számokat. 5. Nem kell elemezni azokat a szavakat vagy szókapcsolatokat, amelyek legalább egy, a morfológiai annotátor által fel nem ismert szót tartalmaznak. Ezek többnyire idegen nyelvi betétek, hibásan írt szavak, valamint a szavak megrövidült alakjai13. Az ilyen szabályok alkalmazásával meghatározták azokat a GT-ket, amelyekből a szakértő14 kiválasztotta az oktatási és tudományos terminusokat. Ezeket a terminusokat részletesebben elemezték, szerkezetüket Az oktatási és tudományos terminusok szerkezete című fejezetben írták le. 11 A szabályok univerzálisak, és lényegében bármely terület terminusainak automatikus meghatározására alkalmasak. 12 Másféle terminusszerkezet is lehetséges, például főnév hozzákapcsolt főnévi igenévvel, illetve főnév elöljárós szerkezettel. Az ilyen típusú terminusok száma csekély, ezért nem elemezték őket. A kutatás folytatásakor a jövőben elemezni kellene az ebben a tanulmányban nem szereplő terminusszerkezeteket is. 13 Bizonyos GT-kiválasztási korlátozások alkalmazásával értékes információ veszhet el. Ebben a kutatásban nem számították ki, hány valódi terminust nem ismertek fel. Az automatikus terminusfelismerő programok használatakor el kell fogadni, hogy az információ egy része elveszik, az automatikusan meghatározott információ azonban könnyebben feldolgozható lesz, a kapott szókapcsolatok pedig nyelvtanilag helyesebbek. 14 A projekt szakértője Giedrius Viliūnas lituanista, aki jelentős pedagógiai, adminisztratív és vezetői tapasztalattal rendelkezik az oktatás és a tudomány területén. 59Terminologija | 2012 | 19 TERMINŲ ATRANKA Az előző fejezetben leírt módszer, program és az abban alkalmazott szabályok segítségével mintegy 11 ezer GT-t határoztak meg, amelyek egyből álltak; több iki penkiolikos žodžių15. Susidūrus su tokiu dideliu duomenų kiekiu, kiválasztási kritériumot alkalmaztak. Az első – a terminusok hossza: a terminusszerkezet általános tendenciáit figyelembe véve úgy döntöttek, hogy legfeljebb hétszavas terminusokat elemeznek. A második kritérium a terminusok előfordulási gyakorisága. A további részletes elemzéshez azokat az egyszavas GT-ket választották, amelyek az ŠM-korpuszban legalább 20 alkalommal fordultak elő; dvi szóból álló GT-ket, amelyek legalább 10 alkalommal fordultak elő; három szóból álló GT-ket, amelyek legalább 8 alkalommal fordultak elő; négy szóból álló GT-ket, amelyek legalább 6 alkalommal fordultak elő; öt szóból álló GT-ket, amelyek gyakorisága legalább 4 előfordulás; hat szóból álló GT-ket, amelyek legalább 3 alkalommal fordultak elő, valamint hét szóból álló GT-ket, amelyek gyakorisága nem kevesebb mint 2 előfordulás. A GT-k előfordulási gyakoriságának automatikus kiszámításakor a szavak címszói (szótári) alakjaira, azaz a lemmákra támaszkodtunk. E kiválasztási kritériumok alkalmazását követően a meghatározott terminusokat részletesebben vizsgáltuk (struktúrájukat a következő fejezet mutatja be). A korábban említett kritériumok alapján meghatározott GT-k szakértői áttekintése után kiválasztottuk a valódi ŠM-terminusokat. Jelentés szerinti megoszlásuk az alábbiakban látható 1. táblázat. 1. táblázat. Az oktatási és tudományos terminusok hossz szerinti megoszlása A terminusokat alkotó szavak mennyisége, darab A terminusok mennyisége, % száma A terminusok 1155 19,87 2474 60,77 3125 16,03 422 2,82 5 4 0,51 Összesen 780 100,00 15 Íme néhány, a leghosszabbak közül talált terminus: a leírás pontjában meghatározott esetekben az alap igazgatója által létrehozott bizottság határozata alapján az állam által támogatott kölcsön visszafizetése a kölcsönfelvevő részére (15 szó; itt a számok, vagyis az adott pont sorszáma elhagyva); a hitelintézmény által megkötött, államilag támogatott kölcsönszerződésben megadott, a kölcsönfelvevő lakóhelyének címe (13 szó); Az egyetemi hallgatók tanulmányi díjainak fizetési rendjét a tanévre a rektor rendelete állapítja meg (11 szó). Nyilvánvalóan látható, hogy ezek a szövegrészletek nem tekinthetők lehetséges terminusoknak. 60 Erika Rimkutė | Az oktatási és tudományos terminusok automatikus | nustatymaslingvistiniaismetodais A táblázat adataiból látható, hogy az összes oktatási és tudományos terminus mintegy 97%-át az 1–3 szóból álló terminusok teszik ki. A hatés hétszavas oktatási és tudományos terminusok között GT-t nem találtak, ezért ezeket a továbbiakban nem elemezték. AZ OKTATÁSI ÉS TUDOMÁNYOS TERMINUSOK STRUKTÚRÁJA Ebben a fejezetben részletesen bemutatjuk az automatikusan meghatározott és a szakértő által kiválasztott oktatási és tudományos terminusok struktúráját, valamint megadjuk azok grammatikai modelljeit. A terminusokat a legrövidebbektől, vagyis az egyszavas terminusoktól a leghosszabbakig, vagyis az ötszavas terminusokig írjuk le. 1. Egyszavas terminusok. Összesen 7635 egy szóból álló GT-t azonosítottak, közülük 1311 fordult elő a korpuszban több mint 20 alkalommal. A továbbiakban csak ezeket a szavakat elemezték részletesebben. Az 1311 szóból 155 tekinthető a ŠM terminusának, azaz körülbelül 20 %. A korpuszban leggyakrabban előforduló ŠM terminusok: studentas (420816), universitetas (3959), studijos (1562), mokslas (1508), sritis (1403). 2. Kétszavas terminusok. A 4 millió szavas korpuszban 145 468 kétszavas GT-t találtak. Amint korábban írták, a továbbiakban csak azokat a kétszavas GT-ket elemezték, amelyek gyakorisága nem volt kevesebb mint 10 előfordulás – ilyen terminusból 4889-et találtak. A GT-k áttekintése után a végleges ŠM-terminusjegyzékben csak 474 kétszavas terminus maradt, és ezek alkotják az összes elemzett terminus legnagyobb részét – több mint kétharmadát (lásd az 1. táblázatot). A kétszavas terminusokat grammatikai formáik alapján három típusba lehet sorolni. 1) főnév, birtokos eset + főnév Az ilyen típusú ŠM-terminusok száma 250, vagyis az összes kétszavas terminus 52,7%-a. Ennek a struktúrának a korpuszban előforduló leggyakoribb ŠM-terminusai: studijų programa (1432), studijų pakopa (306), studijų kryptis (303), mokslo darbuotojas (289), studijų kokybė (253). 2) melléknév + főnév17 Az ilyen kapcsolatok 200 ŠM-terminust alkotnak (a kétszavas terminusok 42,2%-át). A leggyakoribb ŠM-terminusok: aukštoji mokykla (2160), moksliniai tyrimai (918), aukštasis mokslas (730), nuotolinis mokymas (453), profesinis mokymas (403). A melléknév + főnév típusú kapcsolatokat abban az esetben tekintik GT-nek, ha a melléknév a főnévvel nemben, számban és esetben egyezik. Ellenkező esetben gau16 A zárójelben az adott terminus gyakorisága szerepel a 4 millió szó terjedelmű ŠM-korpuszban. 17 A kétszavas terminusmodellek esetében a grammatikai eseteket nem jelölik, mivel a melléknevek és melléknévi igenevek egyeztetve vannak a főnevekkel, a főnevek pedig általában egyes számú alanyesetben állnak. 61Terminologija | 2012 | 19 a legfontosabb jog, a legfontosabb tanulás, az év nami gramatiškai netaisyklingi18 junginiai, pvz., glaudesnisuniversitetų, legjobbja, vagy a szókapcsolat helyes, bár gyakran hiányos, és ezek nem ŠM-terminusok, pl. a világ legnagyobbja, a világ legdinamikusabbja, kedvező a diákok számára. 3) igei melléknév + főnév. A ŠM-terminusként szereplő szókapcsolatok száma mindössze 24, azaz 5%. A leggyakoribb ŠM-terminusok: záródolgozat (162), választható tantárgy (109), felnőttoktatás19 (65), visszajelzés (63), alkalmazott kutatások (45). 3. Háromszavas terminusok. Összesen 119 881 háromszavas GT-t határoztak meg. Részletesebben elemezni 2438 olyan szókapcsolatot, amelyek gyakorisága a korpuszban legalább 8 előfordulás. A HM terminusok száma 125, azaz az összes terminus 16,03%-a. A felsőoktatás leggyakoribb terminusai: felsőoktatási intézmény (251), szakképző intézmény (205), államilag támogatott kölcsön (149), általános iskola (147), szakképzési intézmény (77). A háromszavas ŠM-terminusok hét grammatikai modellbe sorolhatók. A háromszavas ŠM-terminusok között a leggyakoribbak a mn. K. + fn. K. + fn.20 típusú kapcsolatok (a háromszavas terminusok összességének 48%-át alkotják), pl.: felsőoktatási intézmény (251), szakképzési intézmény (205), általános oktatási iskola (147). A háromszavas ŠM-kifejezések gyakoriság szerinti rangsorában a második helyen a fn. N. + fn. N. + fn. áll. típusú szókapcsolatok (24,8%), pl.: a tanulmányi terület szabályzata (66), a tanulmányi területek leírása (60), állami tudományos intézet (50). A harmadik leggyakoribb strukturális háromszavas ŠM-terminusmodell a mn. N. + mn. N. + fn. (12 %), pl.: nemzeti integrált program (69), alapkutatás (61), elsődleges szakképzés (52). Gyakoriság szerint ezután csupán néhány, háromszavas oktatási-módszertani terminus strukturális modelljét követő példa említhető: fn. B. + igei B. + fn. (4 %), pl.: államilag támogatott kölcsön (149), államilag elismert képesítés (33), államilag finanszírozott hallgató (21); fn. B. + mn. B. + fn. (4 %), pl.: külföldi felsőoktatási intézmény (41), a főiskola akadémiai tanácsa (32), a doktorandusz témavezetője (20); igei B. / B. + fn. B. + fn. (3,2 %), pl.: záró képesítésértékelés (36), ingyenes tanulmányi hely (13), alkalmazott jellegű kutatások (13); mn. B. + 18 Grammatikailag helyes szókapcsolatoknak e munkában azokat a szókapcsolatokat tekintjük, amelyekben a függő szavak egyeztetve vannak a főszóval, és világosak a szintaktikai kapcsolatok a szókapcsolat tagjai között. 19 A résztvevők közé a főnevesült melléknévi igeneveket is bevontuk. 20 Az utolsó főnév esetét nem adjuk meg, mivel az többnyire alanyesetben áll. 62 Erika Rimkutė | Oktatási és tudományos szakkifejezések automatikus dlv. V. | nustatymaslingvistiniaismetodais (vagy K., ha a melléknévi igenév főnevesült) + fn. (2,4 %), pl.: versenyjellegű oktatási tantárgy (15), nem formális felnőttoktatás (13), tudományos kutatómunka (12); dlv. V. + mn. V. + fn. (1,6 %), pl.: alkalmazott tudományos tevékenység (20), megrendelésre végzett tudományos kutatások (8). 4. Négyszavas szakkifejezések. Összesen 77 961 négytagú GT-t találtak, a több mint 7 alkalommal használt szókapcsolatok száma 760. Ezek közül a szakértő 22 ŠM-terminust azonosított (ezek az összes terminus 2,82%-át alkotják). Ebben a terminuscsoportban a leggyakoribb szókapcsolatok: mokslo ir studijų institucija (568), mokslo ir technologijų parkas (62), bendroji nacionalinė kompleksinė programa (40), darbo rinkos profesinis mokymas (40). A ŠM-korpuszon belül használt négytagú terminusok kilenc különböző grammatikai modellbe sorolhatók. Mivel kevés négytagú terminust használtak, ezért az egyes modelleket is csupán néhány vagy akár csak egyetlen példa szemlélteti. Itt gyakoriság szerint csoportosítva szerepel a négytagú ŠM-terminusok összes strukturális modellje, és minden modellhez egy, azt szemléltető példát adunk meg: mn. N. + fn. Birt. + fn. Birt. + fn. (az összes négytagú terminus 22,7%-a): nemzetközi tudományos adatbázis (13); mn. N. + mn. Birt. + fn. Birt. + fn. (18,2 %): általános egyetemi képzési tantárgy (8); mn. B. + fn. B. + igei mn. + fn. (13,6 %): sajátos nevelési igényű tanuló (8); fn. B. + köt. + fn. B. + fn. (13,6 %): tudományos és felsőoktatási intézmény (568); mn. B. + fn. B. + mn. R. + fn. (9,1 %): magas szintű tudományos kutatások (18); igei mn. R. + mn. R. + fn. B. + fn. (9,1 %): elismert nemzetközi adatbázis (11); mn. B. + mn. B. + mn. B. + fn. (4,5 %): általános nemzeti komplex program (40); fn. B. + mn. B. + fn. B. + fn. (4,5 %): állami tudományos kutatóintézet (31); fn. B. + fn. B. + fn. B. + fn. (4,5 %): a technológiai tudományok tanulmányi területe (28); 5. Ötszavas terminusok. 49 768 ötszavas GT-t határoztak meg, az 5-nél többször előforduló szókapcsolatok száma 601, ezek közül 4 ŠM-terminus, azaz az összes terminus 0,51 %-a. Ilyen csekély számú terminusból nehéz általánosításokat megfogalmazni a szerkezetükről, ezért a terminusokat szerkezetük szerint nem osztották fel. Az ŠM-korpuszban előforduló összes ötszavas terminus: tudományos kutatás és kísérleti fejlesztés (124), tudományos kutatás és technológiai fejlesztés (67), tudományos kutatás és technológiai fejlesztés (13), magas szintű tudományos kutatási központ (7). 69Terminologija | 2012 | 19 a TUDOMÁNYÉS OKTATÁSI KIFEJEZÉSEK AUTOMATIKUS AZONOSÍTÁSA NYELVÉSZETI MÓDSZEREKKEL A tanulmány a litván terminusok automatikus kinyerésének lehetőségeivel és problémáival foglalkozik. Konkrétan az oktatás és Tudomány. Más kutatók kimutatták, hogy szinte lehetetlen nyelvfüggetlen terminuskinyerő eszközöket létrehozni; ez különösen igaz a nyelvészeti szabályokon alapuló eszközökre. Ezért egy nyelvészeti terminuskinyerő eszköznek olyan módszereket kell magában foglalnia, amelyek kezelik az adott nyelv grammatikai rendszerét. A tanulmány a Vytautas Magnus Egyetem Számítógépes Nyelvészeti Központjában kifejlesztett that employs linguistic rules for extracting domain-specific terminology. eszközt mutatja be. A szakterületi terminusok automatikus kinyeréséhez bizonyos előkészítő munkálatokat kell elvégezni: szakterületi korpusz összeállítása (a kutatáshoz egy négymillió szavas korpuszt állítottak össze), a korpusz morfológiai annotálása, a megfelelő nyelvészeti szabályok megfogalmazása, valamint módszertan kidolgozása a nem releváns szókapcsolatok kiszűrésére. A tanulmány bemutatja az oktatási és tudományos terminusok kinyeréséhez használt nyelvészeti szabályokat, valamint a kinyerési eljárás eredményeit. Az azonosított terminusokat összevetik a Köztársaság Terminológiai Bankjában jóváhagyott terminusokkal Litvánia. A tanulmány az automatikus terminuskivonás néhány konkrét problémáját tárgyalja, például a többszavas terminusok számés esetbeli egyeztetését. Beérkezett: 2012-05-17 Erika Rimkutė Vytauto Didžiojo Egyetem K. Donelaičio g. 52, LT-44248 Kaunas E-mail: [email protected]