Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

Az oktatási és tudományos terminusok automatikus meghatározása nyelvészeti módszerekkel ERIKA RIMKUTĖ Vytauto Didžiojo universitetas KULCSSZAVAK: korpusz, oktatási és tudományos terminusok, nyelvészeti módszerek, címszóalak, nyelvtani alak BEVEZETÉS A korpusznyelvészet és a számítógépes nyelvészet Litvániában már a második évtizedét éli – e tudományágak kezdete a Vytautas Magnus Egyetem Számítógépes Nyelvészeti Központjának 1994-es megalapításához köthető (lásd http://tekstynas.vdu.lt)). Néhány korpusz, valamint automatikus nyelvi elemző- és szintetizáló program készült1. A korpusznyelvészet elveit azonban a terminológiában és a terminográfiában még kevéssé alkalmazzák. A 2010-es A litván nyelvi terminusok automatikus azonosításának lehetőségei című tanulmány (Rimkutė 2010) áttekintette, hogy Litvániában mennyire használják a korpuszokat különféle terminológiai munkák készítéséhez. Litván nyelvi terminusok több nemzetközi adatbázisban és terminológiai bankban is találhatók; számos elektronikus terminológiai gyűjtemény vagy adatbázis készült2, ám valamennyi litván elektronikus terminológiai gyűjtemény alapvetően terminológiai szótárak alapján készült. A legtöbb litván szótár viszonylag kis mennyiségű szöveg, nyelvi intuíció alapján készült, így elmondható, hogy Litvániában továbbra is a terminusok gyűjtésének és leírásának preskriptív módszere az uralkodó. A cikk az oktatási és tudományos terminusok meghatározására és leírására irányuló projekt eredményeit kívánja bemutatni, különös tekintettel a terminusok automatikus meghatározására vo-3 1 Az 2011-ig összeállított litván nyelvészeti erőforrások részletes jegyzékét itt találja: http://sruoga.vdu.lt/lituanistiniai-skaitmeniniai-istekliai/lituanistiniu-istekliu-sarasas. 2 A hivatkozásokat az említett cikk tartalmazza. 3 Ez a Litván Tudományos Tanács által finanszírozott projekt: Az oktatási és tudományos terminusok automatikus azonosítása (ŠIMTAI 2) (szerződésszám: LIT-2-44). A projekt legfontosabb céljai: 1) a terminológiai munka új eszközeként szolgáló, litván nyelvi korpuszon működő automatikus terminusfelismerési módszertan kidolgozása és tesztelése, 2) speciális oktatási és tudományos korpusz létrehozása, 3) a speciális korpusz alapján oktatási és tudományos terminusokat tartalmazó értelmező szótár, valamint a terület ontológiájának elkészítése. 54 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais …előírásukkal és leírásukkal. A terminusok automatikus meghatározására irányuló projekt ötlete annak felismeréséből született, hogy a meglévő normatív források4 meglehetősen hiányosak, az oktatáspolitika legalapvetőbb terminusaira összpontosítanak, és szinte egyáltalán nem terjednek ki a tudománypolitika területére; nem tudnak lépést tartani a gyakorlati munkából születő új terminusok bemutatásával, a terminológiai szabályozók pedig nem tudják őket időben szabványosítani. A hagyományos szabványosítás mindazonáltal meglehetősen szubjektív, ezért a használatot és a normákat korpusznyelvészeti módszerekkel kell alátámasztani. Ezért a cikk egy Litvániában még viszonylag újnak számító terminusgyűjtési és -elemzési módszerről szól, amely jelentősen megkönnyítheti a terminológusok munkáját, és nagyobb objektivitást biztosíthat. TERMINUSOK AUTOMATIKUS MEGHATÁROZÁSA Egy adott szakterület 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, amelyet két fő téma köré szerveztek: 1) tudományos kutatás és 2) nevelés-oktatás. A tudományos kutatás területén főként a kutatáspolitikára és a felsőoktatás-politikára összpontosítottak. A nevelés-oktatás területéről a felső középfokú oktatás került be, a legnagyobb hangsúlyt pedig a felsőoktatásra és a folyamatos tanulásra helyezték. Kiegészítő területként a szakképzés is szerepelt. A korpusz összeállításakor arra törekedtek, hogy különféle műfajú és típusú szövegek szerepeljenek benne, például törvények; a legmagasabb állami intézmények egyéb politikai dokumentumai (a Litván Köztársaság Seimjének, a Litván Köztársaság Kormányának és a Litván Köztársaság elnökének határozatai és nyilatkozatai, az Alkotmánybíróság döntései stb.); stratégiai dokumentumok; a törvények végrehajtási aktusai; a tudomány- és oktatáspolitika végrehajtásáért felelős intézmények és projektek dokumentumai; tudományos és felsőoktatási intézmények dokumentumai; tájékoztató kiadványok, az adott terület helyzetét vizsgáló kutatások, értékelések és megvalósíthatósági tanulmányok; sajtóközlemények és vitaanyagok. Reprezentatív, jól kiegyensúlyozott szakterületi korpusz birtokában5 a terminusok automatikusan meghatározhatók. Erre a célra leggyakrabban a következőket haszná- 4Megemlíthető a Litván Köztársaság Terminológiai Bankja, L. Jovaiša Enciklopedinis edukologijos terminų žodynas című enciklopédikus neveléstudományi terminológiai szótára (2007), valamint a TESE tezaurusz [megtekintve: 2012-05-20], internetes hozzáférés: http://eacea.ec.europa.eu/education/eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf. 5A korpusznyelvészet egyik legösszetettebb kérdése a korpuszok reprezentativitása és mérete. Úgy vélhető, hogy a ŠM-korpusz meglehetősen jól reprezentálja a kiválasztott területet. A mérete már inkább vitatható; például az angol–olasz jogi korpusz, a Bononia Legal Corpus (BOLC) hozzávetőleg 18 millió szóból áll (Rossini Favretti et al. 2001). Terminologija | 2012 | 19 55 …háromféle módszert alkalmaznak: statisztikai, nyelvészeti, illetve a statisztikai és nyelvészeti módszereket ötvöző hibrid modelleket. Több kísérletet végeztek a legmegfelelőbb terminusmeghatározási módszerek kiválasztására. A következő statisztikai módszereket próbálták ki: 1) a WordSmith Tools program Keyword Clusters funkciója; 2) a KEA gépi tanulási módszer; 3) a kollokációk kinyerésére szolgáló módszer, a LICE eszköz használatával (bővebben lásd: Grigon worth et al. 2011). A vizsgálatok elvégzése után arra a következtetésre jutottak, hogy a litván nyelv esetében a nyelvészeti módszerek a legmegfelelőbbek. A továbbiakban röviden ismertetjük e módszerek sajátosságait. A statisztikai terminusmeghatározó rendszerek fő előnye, hogy nincs szükségük nagy, emberek által terminuspéldákkal ellátott adatbázisokra. Emellett nyelvfüggetlenek. A statisztikai rendszerek működési alapelve az a feltevés, hogy a gyakran együtt előforduló szavak összefüggnek, és lehetséges terminusokként kezelhetők. A nyelvészeti módszerek többnyire morfológiai jegyekre és a szórendre támaszkodnak. A nyelvészeti módszerek alkalmazásához morfológiailag annotált korpuszokra van szükség. A nyelvészeti terminusmeghatározó módszerek alkalmazásakor általában azt határozzák meg, hogy a terminusok milyen nyelvtani alakokban fordulhatnak elő. A nyelvtani alakok meghatározásakor figyelembe kell venni a nyelvek sajátosságait. Az analitikus nyelvek esetében például fontos meghatározni a terminusok szófaját. A litván terminusok szófaja szintén nagyon fontos, de azt is tudni kell, hogy az automatikus terminusmeghatározáshoz mely egyéb nyelvtani kategóriákra vonatkozó információ szükséges. Megfigyelték, hogy a litván nyelv esetében a szám és az eset kategóriája is fontos, a nem kategóriája viszont az automatikus terminusmeghatározásban nem különösebben jelentős6. 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. A cikk további részében a litván terminusok nyelvészeti módszerekkel történő automatikus meghatározására irányuló kísérleteket mutatjuk be. Figyelemre méltó, hogy 6A nyelvtani nem akkor válik fontossá, amikor esetbeli szinkretizmus lép fel, például mokslo darbuotojų esetében: az automatikus morfológiai elemzőprogram a darbuotojų alakot mind a hímnemű, mind a nőnemű főnév többes számú birtokos eseteként felismeri, ezért címszóként a mokslo darbuotojas és a mokslo darbuotoja alakot is megadja. Terminusként a hímnemű alakot kell megadni, vagyis: mokslo darbuotojas. 56 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais a lehetséges terminusok (a továbbiakban GT)7 meghatározására használt programot a VDU Számítógépes Nyelvészeti Központjában fejlesztették ki. A programban olyan nyelvészeti szabályokat alkalmaztak, amelyek meghatározzák, hogy milyen szófaji kapcsolatok vagy szóalakok elemezhetők. Amint említettük, a nyelvészeti módszerek alkalmazásához morfológiailag annotált szövegkorpuszokra van szükség, ezért az elsőként összeállított oktatási és tudományos szövegkorpuszt morfológiailag annotálták a VDU Számítógépes Nyelvészeti Központjában kifejlesztett morfológiai annotátorral8. Az alábbiakban egy automatikusan morfológiailag annotált szövegre látható példa: <szó=”PROJEKTŲ” lemma=”projektas” típus=”főnév hímnem birtokos többes szám”>9 <szóköz> <szó=”FINANSAVIMO” lemma=”finansavimas” típus=”főnév hímnem birtokos egyes szám”> <szóköz> <szó=”SĄLYGŲ” lemma=”sąlyga” típus=”főnév nőnem birtokos többes szám”> <szóköz> <szó=”APRAŠAS” lemma=”aprašas” típus=”főnév hímnem birtokos egyes szám alanyeset”> <bekezdés> <szó=”I” lemma=”I” típus=”római szám”> <elválasztó=”.”> <szóköz> <szó=”BENDROSIOS” lemma=”bendras” típus=”melléknév, pozitív fok, nőnem, egyes szám, alanyeset”> <szóköz> <szó=”NUOSTATOS” lemma=”nuostata” típus=”főnév nőnem egyes szám alanyeset”>10 <bekezdés> <szám=”1”> <elválasztó=””> <szóköz> <szám=”2007”> <elválasztó=”–”> 7 A különféle módszereket alkalmazó, terminusokat automatikusan meghatározó programok többnyire lehetséges terminusokat, terminusjelölteket ismernek fel (lásd Zeller 2005), bár az automatikusan meghatározott szavak vagy szókapcsolatok között gyakran akadnak teljesen értelmetlen szóegyüttesek vagy értelmes, nem terminológiai szókapcsolatok, például kollokációk. E szavak és szókapcsolatok közül a valódi terminusokat rendszerint az adott szakterület szakértője határozza meg. 8 Részletesebben lásd http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use. 9 Word a szövegben előforduló konkrét szóalakot jelöli, lemma – a szótári alakot (lemmát), type – a részletes morfológiai információt. 10 Felhívjuk a figyelmet arra, hogy a morfológiai annotálás automatikusan történik, ezért hibák is előfordulnak; például ebben a példában a ragozási szinkretizmus miatt nem megfelelő alak szerepel: a nőnemű többes számú alanyeset helyett a nőnemű egyes számú birtokos eset van feltüntetve. A morfológiai annotátor sajátosságai miatt keletkező pontatlanságokról részletesebben lásd az Az automatikus terminuskivonás problémái című fejezetet. Terminologija | 2012 | 19 57 <number=”2013”> <space> <word=”m” lemma=”m” type=”sntrmp” <sep=”.”> <space> A GT-ket automatikusan meghatározó programok működésének elvét röviden és egyszerűen a következőképpen lehetne leírni: a morfológiailag címkézett szöveg elemzése során összetartozó szóláncokat keresnek. Az első kritérium a címkézett szöveg- és mondathatárok alapján a folytonos szókapcsolatok kiválasztása. A szöveghatárok egy részét írásjelek jelölik, másokat HTML-címkék, például a bekezdésjelölő <p>, a szavak közötti szóközt jelölő <space> és így tovább. Ezt követően meg kell alkotni azokat a nyelvészeti szabályokat, amelyeket a program alkalmazni fog. Az oktatási és tudományos terminusok meghatározásához a következő alapvető szabályokat dolgozták ki és alkalmazták11: 1. Csak azokat a szókapcsolatokat elemezzük, amelyek legalább egy főnevet tartalmaznak. Ha a GT két vagy több szóból áll, az ilyen szókapcsolatban szereplő többi szófaj melléknév vagy igenév lehet. 2. Csak azokat a szókapcsolatokat elemezzük, amelyek utolsó szavának feltétlenül főnévnek kell lennie12. 3. A kétszavas GT-k esetében a tulajdonneveket nem elemezzük, mivel ezek többnyire személyek, vállalatok, intézmények stb. nevének részei, amelyeket nem tekintünk szakterületi terminusoknak (a hosszabb terminusok meghatározásakor a tulajdonneveket is felvesszük a GT-terminusok listáiba). 4. A szókapcsolatokból el kell távolítani 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 nyelvű betétek, hibásan leírt szavak, illetve rövidült szóalakok13. Ilyen szabályok alkalmazásával GT-ket határoztak meg, amelyek közül a szakértő 14 kiválasztotta az oktatási és tudományos terminusokat. Ezeket a terminusokat részletesebben elemezték, szerkezetüket a Az oktatási és tudományos terminusok szerkezete. című fejezet ismerteti. A szabályok általános érvényűek, és alapvetően bármely szakterület terminusainak automatikus meghatározására alkalmasak.11 A terminusok szerkezete másféle is lehet, például főnév elöljárószóval álló főnévi igenévvel, illetve főnév elöljárószós „ne” szerkezettel. E típusból kevés terminus van, ezért ezeket nem elemeztük. A kutatást folytatva a jövőben az ebben a cikkben nem tárgyalt terminusszerkezeteket is elemezni kellene.12 A GT-k kiválasztására vonatkozó bizonyos korlátozások alkalmazásával értékes információ veszhet el. Ebben a kutatásban nem számoltuk meg, hány valódi terminust nem ismert fel a rendszer. Az automatikus terminusfelismerő programok használatakor számolni kell azzal, hogy az információ egy része elvész, ugyanakkor az automatikusan meghatározott információ könnyebben feldolgozható lesz, a kinyert szókapcsolatok pedig nyelvtanilag helyesebbek.13 A projekt szakértője Giedrius Viliūnas litván nyelvész, aki jelentős pedagógiai, közigazgatási és vezetői tapasztalattal rendelkezik az oktatás és a tudomány területén.14 58 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais TERMINUSOK KIVÁLASZTÁSA Az előző fejezetben ismertetett módszer, program és az abban alkalmazott szabályok segítségével mintegy 11 ezer, egytől tizenöt szóig terjedő GT-t határoztak meg15. Ekkora adatmennyiséggel szembesülve több kiválasztási kritériumot alkalmaztak. Az első a terminusok hossza volt: a terminusszerkezet általános tendenciáit figyelembe véve úgy döntöttek, hogy legfeljebb hétszavas terminusokat elemeznek. A második kritérium a terminusok előfordulási gyakorisága volt. A további részletes elemzéshez azokat az egyszavas GT-ket választották ki, amelyek az oktatási és tudományos korpuszban legalább 20-szor fordultak elő; a kétszavas GT-k közül a legalább 10-szer előfordulókat; a háromszavasak közül a legalább 8-szor előfordulókat; a négyszavasak közül a legalább 6-szor előfordulókat; az ötszavasak közül a legalább 4-szer előfordulókat; a hatszavasak közül a legalább 3-szor előfordulókat; a hétszavasak közül pedig a legalább 2-szer előfordulókat. A GT-k előfordulási gyakoriságának automatikus kiszámításakor a szavak szótári (címszó-) alakjait, vagyis a lemmákat vették alapul. E kiválasztási kritériumok alkalmazása után a meghatározott terminusokat részletesebben megvizsgálták (szerkezetüket a következő fejezet mutatja be). A szakértő áttekintette az említett kritériumok alapján meghatározott GT-ket, majd kiválasztotta a valódi oktatási és tudományos terminusokat. Hossz szerinti megoszlásukat az 1. táblázat mutatja. 1. táblázat. Az oktatási és tudományos szakkifejezések eloszlása hosszúság szerint A terminust alkotó szavak száma A terminusok mennyisége, darab A terminusok mennyisége,% 1 155 19,87 2 474 60,77 3 125 16,03 4 22 2,82 5 4 0,51 Összesen 780 100,00 15Íme néhány megtalált leghosszabb terminus: a pontban megjelölt esetekben az alap igazgatója által létrehozott bizottság döntése alapján az államilag támogatott kölcsön visszafizetése a kölcsönfelvevő számára (15 szó; a számokat, vagyis a pont sorszámát itt kihagytuk); a hitelintézet által kötött államilag támogatott kölcsönszerződésben megadott, a kölcsönfelvevő lakóhelyére vonatkozó cím (13 szó); az egyetemi hallgatók tanulmányi díjainak tanévre vonatkozó fizetési rendjét a rektor utasításban állapítja meg (11 szó). Jól látható, hogy ezek a szövegrészletek nem tekinthetők lehetséges terminusoknak. Terminologija | 2012 | 19 59 A táblázat adataiból látható, hogy az oktatási és tudományos terminusok mintegy 97%-a 1–3 szóból álló terminus. A GT-ben nem találtak hat- és hétszavas oktatási és tudományos terminusokat, ezért ezeket a továbbiakban nem elemezték. AZ OKTATÁSI ÉS TUDOMÁNYOS TERMINUSOK SZERKEZETE Ez a fejezet részletesen bemutatja az automatikusan azonosított és a szakértő által kiválasztott oktatási és tudományos terminusok szerkezetét, valamint megadja azok nyelvtani modelljeit. A terminusok leírása a legrövidebbektől, azaz az egyszavasaktól a leghosszabbakig, azaz az ötszavasakig halad. 1. Egyszavas terminusok. Összesen 7635 egyszavas GT-t azonosítottak, ezek közül 1311 fordult elő 20-nál többször a korpuszban. A továbbiakban csak ezeket a szavakat elemezték részletesebben. Az 1311 szóból 155 tekinthető oktatási és tudományos terminusnak, vagyis körülbelül 20%. A korpuszban leggyakrabban előforduló oktatási és tudományos 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. Ahogyan korábban írták, a továbbiakban csak azokat a kétszavas GT-ket elemezték, amelyek legalább 10 alkalommal fordultak elő – ilyen terminusból 4889-et találtak. A GT-k áttekintése után a végleges oktatási és tudományos terminusjegyzékben mindössze 474 kétszavas terminus maradt; ezek az elemzett terminusok többségét, több mint kétharmadát teszik ki (lásd az 1. táblázatot). A kétszavas terminusok nyelvtani formájuk szerint három típusba sorolhatók. 1) főnév + főnév típusú oktatási és tudományos terminusból 250 van, vagyis az összes kétszavas terminus 52,7%-a. Az ilyen szerkezetű, a korpuszban előforduló leggyakoribb oktatási és tudományos terminusok: studijų programa (1432), studijų pakopa (306), studijų kryptis (303), mokslo darbuotojas (289), studijų kokybė (253). 2) melléknév + főnév.17 Az ilyen szerkezetű kapcsolatok 200 oktatási és tudományos terminust alkotnak (a kétszavas terminusok 42,2%-át). A leggyakoribb oktatási és tudományos terminusok: aukštoji mokykla (2160), moksliniai tyrimai (918), aukštasis mokslas (730), nuotolinis mokymas (453), profesinis mokymas (403). A melléknév + főnév típusú kapcsolatok csak akkor tekinthetők GT-nek, ha a melléknév nemben, számban és esetben egyezik a főnévvel. Ellenkező esetben azonosított- 16 Zárójelben az adott terminus gyakorisága szerepel a 4 millió szavas oktatási és tudományos korpuszban. 17 A kétszavas terminusok modelljeinél nem adják meg az eseteket, mivel a melléknevek és igenevek egyeztetődnek a főnevekkel, a főnevek pedig rendszerint egyes szám alanyesetben állnak. 60 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais grammatikailag hibás¹⁸ szerkezetek, pl. szorosabb egyetemek, legfontosabb jog, legfontosabb tanulás, legjobb évek, vagy a szerkezet nyelvtanilag helyes, bár gyakran hiányos, és nem felsőoktatási és tudományos terminus, pl. a világ legnagyobbja, a világ legdinamikusabbja, kedvező a hallgatók számára. 3) határozószó + főnév típusú szerkezetből mindössze 24, azaz 5% tekinthető felsőoktatási és tudományos terminusnak. A leggyakoribb felsőoktatási és tudományos terminusok: záródolgozat (162), választható tantárgy (109), felnőttoktatás¹⁹ (65), visszajelzés (63), alkalmazott kutatás (45). 3. Háromszavas terminusok. Összesen 119 881 háromszavas GT-t azonosítottak. Részletesebben 2438 olyan szerkezetet elemeztek, amelyek gyakorisága a korpuszban legalább 8 előfordulás. 125 felsőoktatási és tudományos terminust találtak, vagyis az összes terminus 16,03%-át. A leggyakoribb felsőoktatási és tudományos terminusok: felsőoktatási intézmény (251), szakképző intézmény (205), államilag támogatott hitel (149), általános iskola (147), szakképzési intézmény (77). A háromszavas felsőoktatási és tudományos terminusok hét grammatikai modellbe sorolhatók. A háromszavas terminusok között a leggyakoribbak a melléknév alanyesetben + főnév alanyesetben + főnév²⁰ típusú szerkezetek (az összes háromszavas terminus 48%-át teszik ki), pl.: felsőoktatási intézmény (251), szakképző intézmény (205), általános iskola (147). A háromszavas felsőoktatási és tudományos terminusok gyakorisági sorrendjében a második helyen a főnév alanyesetben + főnév alanyesetben + főnév típusú szerkezetek állnak (24,8%), pl.: képzési területi szabályzat (66), képzési területek leírása (60), állami tudományos intézet (50). A háromszavas felsőoktatási és tudományos terminusok harmadik leggyakoribb szerkezeti modellje a melléknév egyes szám alanyesetben + melléknév egyes szám alanyesetben + főnév (12%), pl.: nemzeti komplex program (69), alapkutatás (61), alapfokú szakképzés (52). A további gyakorisági sorrendben csupán néhány példa említhető a háromszavas felsőoktatási és tudományos terminusok szerkezeti modelljeire: főnév alanyesetben + melléknévi igenév egyes szám alanyesetben + főnév (4%), pl.: államilag támogatott hitel (149), államilag elismert képesítés (33), államilag finanszírozott hallgató (21); főnév alanyesetben + melléknév egyes szám alanyesetben + főnév (4%), pl.: külföldi felsőoktatási intézmény (41), a főiskola akadémiai tanácsa (32), doktorandusz témavezetője (20); melléknévi igenév egyes szám alanyesetben / tárgyesetben + főnév alanyesetben + főnév (3,2%), pl.: záró képesítésértékelés (36), ingyenes tanulmányi hely (13), alkalmazott jellegű kutatás (13); melléknév egyes szám alanyesetben + ¹⁸ Ebben a tanulmányban nyelvtanilag helyesnek azokat a szerkezeteket tekintjük, amelyekben a függő szavak egyeztetve vannak a fő szóval, és a szókapcsolat elemei közötti szintaktikai viszonyok egyértelműek. ¹⁹ A melléknevek közé a főnevesült melléknévi igenevek is beletartoznak. ²⁰ Az utolsó főnév esete nincs feltüntetve, mivel az többnyire alanyesetben áll. Terminologija | 2012 | 19 61 igei. V. (vagy K., ha a melléknévi igenév főnevesült) + főnév (2,4%), pl.: versenyszerű oktatási tantárgy (15), a felnőttek nem formális oktatása (13), tudományos kutatómunka (12); igei igenév V. + melléknév V. + főnév (1,6%), pl.: alkalmazott tudományos tevékenység (20), megrendelésre végzett tudományos kutatások (8). 4. Négyszavas terminusok. Összesen 77 961 négyszavas GT-t találtak; a több mint 7 alkalommal előforduló szókapcsolatok száma 760. Ezek közül a szakértő 22 oktatási és tudományos terminust azonosított (ezek az összes terminus 2,82%-át teszik ki). A terminuscsoport leggyakoribb szókapcsolatai: a tudomány és tanulmányok intézménye (568), a tudomány és technológia parkja (62), általános nemzeti komplex program (40), munkaerőpiaci szakképzés (40). Az oktatási és tudományos korpuszban használt négyszavas terminusok kilenc különböző nyelvtani modellhez tartoznak. Mivel a négyszavas terminusok előfordulása alacsony, az egyes modelleket mindössze néhány, vagy akár csak egy példa szemlélteti. Az alábbiakban gyakoriság szerint csoportosítva bemutatjuk az oktatási és tudományos négyszavas terminusok összes szerkezeti modelljét, és mindegyik modellre egy-egy példát adunk: melléknév V. + főnév K. + főnév K. + főnév (az összes négyszavas terminus 22,7%-a): nemzetközi tudományos adatbázis (13); melléknév V. + melléknév K. + főnév K. + főnév (18,2%): általános egyetemi képzési tantárgy (8); melléknév K. + főnév K. + igei igenév V. + főnév (13,6%): sajátos nevelési igényű tanuló (8); főnév K. + kötőszó + főnév K. + főnév (13,6%): a tudomány és tanulmányok intézménye (568); melléknév K. + főnév K. + melléknév V. + főnév (9,1%): magas szintű tudományos kutatások (18); igei igenév V. + melléknév V. + főnév K. + főnév (9,1%): elismert nemzetközi adatbázis (11); melléknév V. + melléknév V. + melléknév V. + főnév (4,5%): általános nemzeti komplex program (40); főnév K. + melléknév K. + főnév K. + főnév (4,5%): állami kutatóintézet (31); főnév K. + főnév K. + főnév K. + főnév (4,5%): technológiai tudományok tanulmányi területe (28); 5. Ötszavas terminusok. 49 768 ötszavas GT-t azonosítottak; a több mint 5 alkalommal előforduló szókapcsolatok száma 601, ezek közül 4 oktatási és tudományos terminus, vagyis az összes terminus 0,51%-a. Ilyen kevés terminusból nehéz általános következtetéseket levonni a szerkezetükről, ezért a terminusokat szerkezeti szempontból nem osztályozták. Az oktatási és tudományos korpuszban előforduló összes ötszavas terminus: tudományos kutatás és kísérleti fejlesztés (124), tudományos kutatás és technológiai fejlesztés (67), tudományos kutatás és technológiafejlesztés (13), magas szintű kutatóközpont (7). 62 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais 6. Hat- és hétszavas terminusok. Már említettük, hogy a hat- és hétszavas GT-terminusok között egyetlen ŠM-terminust sem találtunk, noha összesen 30 298 hatszavas GT-t határoztunk meg (közülük 750 olyan kapcsolatot találtunk, amelyet több mint 3 alkalommal használtak), valamint 17 815 hétszavas GT-t (közülük 2608 olyan kapcsolatot találtunk, amelyet több mint 2 alkalommal használtak). AZ OKTATÁSI ÉS TUDOMÁNYOS TERMINUSOK ÖSSZEVETÉSE A LITVÁN KÖZTÁRSASÁG TERMINUSBANKJÁNAK TERMINUSAIVAL Az oktatási és tudományos korpuszban használt terminusok összevethetők a Litván Köztársaság Terminusbankjában szereplő, jóváhagyott oktatási és tudományos terminusokkal21; ezek száma 74. E terminusok szerkezete igen változatos: az egyszavasaktól a 18 szóból álló kapcsolatokig terjed. A 15 és 18 szóból álló, igen hosszú terminusokból mindössze egy-egy található. A leghosszabb megadott terminus: a földművesek, erdőtulajdonosok, helyi akciócsoportok tagjai, más vidéki lakosok és tanácsadóik nem formális, folyamatos szakmai képzési programja. Vitatható, hogy a program elnevezése terminusnak tekinthető-e. Az oktatási és tudományos korpusz, valamint a Terminusbank oktatási és tudományos terminusainak szerkezetét összehasonlítva látható, hogy mindkét forrásban az egy-, két- és háromszavas terminusok a leggyakoribbak. A Terminusbank egy-, két- és háromszavas terminusai ugyanakkor 86,5%-ot tesznek ki, míg az oktatási és tudományos korpuszban az ugyanilyen hosszúságú terminusok aránya 97% (lásd az 1. táblázatot). A Terminusbankban valamivel több négyszavas terminus található, mint a bemutatott korpuszban; ötszavas terminus nem fordul elő. A 6, 7, 8 és 9 szóból álló terminusokból a Terminusbankban mindössze egy vagy kettő van, 10 szóból álló terminus nincs, de szerepelnek a már említett, 15 és 18 szóból álló terminusok (lásd a 2. táblázatot). Kétséges, hogy a Terminusbankban szereplő néhány terminus az oktatás és a tudomány területéhez sorolható-e; ilyen például a litván, a világ litvánjainak közössége, a reemigráció, a nemzetiség. Az összeállított terminusjegyzékből kitűnik, hogy az oktatás és a tudomány területe nincs teljes körűen lefedve: például szakmai képzési terminusként szerepel a traktorvezető, de hiányzik a kombájnkezelő, a szakács, az asztalos és így tovább; különösen a tudománypolitikát tükröző terminusok hiányoznak. Következésképpen a jelen cikkben tárgyalt kutatás során meghatározott terminusoknak legalább részben ki kellene tölteniük az oktatás és a tudomány terminológiájának hiányosságait. 21 A jóváhagyott oktatási és tudományos terminusok jegyzékét 2010-ben a Litván Nyelvi Állami Bizottságtól kaptuk meg. A korpusz és a terminusbank adatainak összehasonlítása során éppen erre a jegyzékre támaszkodunk. Terminologija | 2012 | 19 63 2. táblázat. A Litván Köztársaság Terminusbankjában szereplő oktatási és tudományos terminusok megoszlása hosszúság szerint A terminust alkotó szavak száma A terminusok mennyisége, darab A terminusok mennyisége,% 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 Összesen 74 100 A TERMINUSOK AUTOMATIKUS MEGHATÁROZÁSÁNAK PROBLÉMÁI A terminusok különféle módszerekkel történő meghatározása során két fő probléma merül fel: 1) milyen formájúak a nyelvtanilag helyes terminusok; ez különösen a címszóalak meghatározásakor fontos; 2) hogyan különböztethetők meg az általános kifejezések, az általános terminusok az elemzett szakterület terminusaitól. Hasonló problémákkal más országok kutatói is szembesülnek (vö. Cabré Castellví et al 2001). A második probléma leggyakrabban csak nem automatikusan oldható meg, vagyis az adott szakterület szakértőjének át kell tekintenie a GT-t, és meg kell határoznia, mely terminusok tartoznak az elemzett szakterülethez. Bizonyos szűrők is alkalmazhatók, vagyis összeállítható a nem vizsgálandó szavak (angolul stop list) jegyzéke, amely az elemzett szakterület terminusaiként nem használható szavak kiszűrésére szolgál. Ezt a szűrést ebben a kutatásban is alkalmaztuk. Néhány példa: az oktatás- és tudományügyi terminusok közé nem sorolták azokat a szavakat vagy szókapcsolatokat, amelyek utolsó szava időt jelölő főnév 64 Erika Rimkutė | Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais például: év, hónap, nap, hét, reggel, este, január, február, hétfő, kedd stb. A mértékegységet jelölő szavak sem tekintendők terminusnak, például: milliméter, méter, centiméter, kilométer, mérföld, gramm, kilogramm, tonna. Kiszűrhetők azok a szókapcsolatok, amelyek az általános közigazgatási terminusokra jellemző kifejezéseket tartalmaznak, például: a törvény cikke, a törvény cikkének részében, a törvényekben előírt (rend), a rendelet pontjával jóváhagyott, a jogszabályokban előírt módon, a köztársaság kormánya, a köztársaság állama, a rendelkezések pontja, a határozatok pontja, a miniszteri rendelet, a miniszter által meghatározott módon, a miniszter által jóváhagyott, a miniszter által létrehozott. Annak érdekében, hogy az oktatás- és tudományügyi terminusokat a lehető legpontosabban automatikusan meg lehessen különböztetni az általános terminusoktól, két, az oktatás- és tudományügyi szövegkorpusszal azonos terjedelmű, azaz 4 millió szavas összehasonlító korpuszt állítottak össze. Az első összehasonlító korpusz különféle műfajú és stílusú szövegekből áll; felépítése hasonló a a mai litván nyelv korpuszához (sajtónyelvi, szépirodalmi, közigazgatási és tudományos szövegeket tartalmaz). A második összehasonlító korpusz közigazgatási szövegekből áll, de nem az oktatás- és tudományügy területéről. A feltevés szerint minél általánosabb egy terminus, annál gyakrabban fordul elő az általános és/vagy a közigazgatási korpuszban; minél specifikusabb, annál ritkább ezekben. Ez a hipotézis részben beigazolódott: például az oktatás- és tudományügyre jellemző mobilitás, kompetencia, lemorzsolódás, cél terminusok nem fordultak elő az összehasonlító korpuszokban, míg az olyan terminusok, mint a hallgató, egyetem, tankönyv, az oktatás- és tudományügyi, valamint az összehasonlító korpuszokban is gyakoriak. Ezt a kutatást folytatni kell annak érdekében, hogy megbízható adatokat lehessen szolgáltatni arról, mennyiben segíthet a több korpusz összevetése az általános terminusok és az elemzett szakterület terminusainak legalább részben automatikus megkülönböztetésében. A továbbiakban részletesebben tárgyaljuk az első problémát, vagyis azt, hogyan lehet automatikusan meghatározni a terminusok (különösen a több szóból álló terminusok) helyes lemmáját, és hogyan lehet egyetlen lemmába összevonni a szövegkorpuszban különböző ragozott alakokban előforduló szavakat és szókapcsolatokat. A kutatás során kiderült, hogy nem mindig könnyű meghatározni egy terminus címszóalakját. A lemma automatikus meghatározásakor például a aukštoji mokykla szókapcsolat eredménye aukštas mokykla. Ez az alak azért szerepel így, mert a morfológiai annotátor a melléknevek lemmájaként a középfok nélküli, hímnemű, egyes számú alanyesetű alakot adja meg (az annotátor sajátosságairól részletesebben lásd Zinkevičius 2000). A több szóból álló terminusok lemmái Terminologija | 2012 | 19 65 A meghatározást nagyban segítené egy szintaktikai elemzőprogram. Sajnos jelenleg nincs ténylegesen működő szintaktikai elemzőprogram22. Vagyis a lemmák meghatározásához bizonyos kiegészítő szabályokra van szükség – ebben az esetben meg kell adni, hogy ha a lemmát főnév alkotja, akkor a melléknévnek vagy melléknévi igenévnek egyeznie kell az adott főnév nemével; ha pedig a melléknév vagy melléknévi igenév határozott, akkor ezt a kategóriát a lemmában is meg kell őrizni. A szám kategóriájával kapcsolatban sok kérdés merül fel; például a studentų atstovybė terminus első tagjának többes számban kell állnia, az akademiniai įgūdžiai, auditorinės darbo valandos terminusok minden tagjának többes számban kell lennie, míg a fakulteto taryba, universiteto autonomija, bendrasis priėmimas, mokslinis leidinys terminusok mindkét tagja egyes számban áll. Az ember számára természetesen nem nehéz megállapítani, hol szükséges a többes, és hol az egyes szám, automatikusan azonban nagyon nehéz ezt elvégezni. Igaz, a korpuszban kirajzolódik, hogy egyes szavakat szinte mindig csak többes számban használnak (pl.: asignavimai, duomenys, studijos, rūmai, žinios, pinigai, pareigos). A megfelelő számforma meghatározása azért is nehéz, mert egyes szavak homonimák, például a studija (tudományos mű) és a studijos (tanulás) szó. Emiatt az alábbi terminusok lemmáit automatikusan helytelenül határozták meg: bakalauro studija, rezidentūros studija, magistro studija, dieninės studija, nuotolinės studija. Mint említettük, egyes főneveket többnyire csak többes számban használnak, noha a szótárban a lemma egyes számú alakja szerepel. A szótári információ és a tényleges használat közötti eltérés miatt a következő terminusok lemmáit helytelenül határozták meg: mokinio pasiekimas, švietimo resursas, praktinis gebėjimas, fizinis mokslas, akademinis užsiėmimas (a helyes alakok: mokinio pasiekimai, švietimo resursai, praktiniai gebėjimai, fiziniai mokslai, akademiniai užsiėmimai). További problémát jelentenek a substantiva mobilia főnevek, például: abiturientas – abiturientė, abonentas – abonentė. Mivel a korpuszban mind hímnemű, mind nőnemű alakok előfordultak, automatikusan mindkét nem lemmáit megadták. Ahhoz, hogy oktatási és tudományos terminusként csak a hímnemű lemma maradjon meg, olyan szabályt kellett alkalmazni, amely a hím- és nőnemű substantiva mobilia típusú főneveket a hímnemű lemmába vonja össze. 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 A lemmák automatikus meghatározásakor néha helytelen szórendet adnak meg; például a következő címszóalakokat rögzítették: tipų studija (helyesen: studijų tipas), lygmens kvalifikacija (helyesen: kvalifikacijų lygmuo). Mivel a lemmák meghatározásakor nem alkalmaztak szintaktikai elemzést, a jelzők nem mindig egyeznek a jelzett szóval, például: tarptautinis (= tarptautinio) lygio mokslas, vagy más szintaktikai szabálytalanságok fordulnak elő, például: paskolų gyvenimo išlaidos (= paskola gyvenimo išlaidoms). Nehézségek merülnek fel a terminusok határainak meghatározásakor is; például vajon a dėstytojų ir mokslininkų kvalifikacijos bei kompetencijos atitiktis egyetlen terminus-e, vagy több terminust kell megkülönböztetni: 1) az oktatók képesítésének és kompetenciájának megfelelése, 2) a kutatók képesítésének és kompetenciájának megfelelése, 3) az oktatók és kutatók képesítésének megfelelése, 4) az oktatók és kutatók kompetenciájának megfelelése, 5) az oktatók képesítése, 6) a kutatók képesítése, 7) az oktatók kompetenciája, 8) a tanárok kompetenciája, 9) a képesítés megfelelése, 10) a kompetencia megfelelése. A lemmák meghatározásakor, illetve általában a terminusok felismerésekor nehézséget okoz a morfológiai annotátor sajátossága is: a lehetséges szófajok vagy nyelvtani alakok közül nem a megfelelő kerül kiválasztásra. Például ha egy melléknév nemben, esetben és számban egyezik a mellette álló főnévvel, nagy a valószínűsége annak, hogy az ilyen szókapcsolat nyelvtanilag helyes. Azok a két főnévből álló szókapcsolatok, amelyek első tagja nem birtokos esetben áll, nem mindig nyelvtanilag helyesek. Ezeket alaposabban át kell vizsgálni, ami több időt vesz igénybe. Vagyis attól, hogy milyen szófaj van megadva, függ, hogy a szókapcsolat bekerül-e a terminusjelöltek közé, illetve nyelvtanilag helyes-e. Néhány példa e hibafajta szemléltetésére: metinėms (lehet melléknév és főnév is, a morfológiai annotátor főnévként jelölte) ataskaitoms; keliais (lehet névmás és főnév is, a főnévi értelmezést választotta) procentais; bendrais (lehet melléknév és főnév is, a főnévi értelmezést választotta) teiginiais; uždarus (lehet melléknév és főnév is, a főnévi értelmezést választotta) posėdžius. A helytelenül megadott szófaj, valamint az miatt, hogy a szavakat szintaktikailag nem elemzik, a morfológiailag annotált korpuszban talált žemiausias balas szókapcsolat első pillantásra nyelvtanilag helytelennek tűnik, mert Terminologija | 2012 | 19 67 az első szó jelölései a következők: melléknév, felsőfok, nem névmási, hímnem, egyes szám, alanyeset; a másodiké: főnév, nőnem, többes szám, tárgyeset, lemmaként pedig a bala van megadva. Tehát látható, hogy ebben az esetben a főnév lemmáját hibásan állapították meg – balas kell lennie. Vagyis a korábban említett szókapcsolat nyelvtanilag helyes. Ez a fejezet áttekintette azokat a nehézségeket, amelyekkel a neveléstudományi és tudományos terminusok automatikus meghatározása során a leggyakrabban találkozunk. Ezekről a problémákról és megoldásuk módjairól más munkákban lesz szó. KÖVETKEZTETÉSEK Az automatikus terminuskivonó programot és módszertant még tovább kell fejleszteni. Az első eredmények azonban meglehetősen jónak mondhatók. Amint a bemutatott példákból látható, az automatikus elemzés nemcsak sajátos, technikai problémákat tár fel, hanem olyanokat is, amelyekkel a terminológusok szintén szembesülnek, például a számkategória kiválasztását. A morfológiai annotátor fejlesztésével és az automatikus szintaktikai elemző program alkalmazásával a terminusok automatikus meghatározása könnyebbé és megbízhatóbbá válhat. A felmerülő nehézségek ellenére a terminusokat automatikusan meghatározó program jelentősen felgyorsítja a terminusjelöltek meghatározásának folyamatát. Az automatikus terminuskivonás további fontos előnye az adatelemzés objektivitása. Megállapítást nyert, hogy az automatikusan kiválasztott és áttekintett neveléstudományi és tudományos terminusok 97%-a 1–3 szóból áll. Legnagyobb arányban a kétszavas terminusok fordulnak elő: az összes terminus közel 61%-át teszik ki. A neveléstudományi és tudományos terminusok leggyakoribb szerkezeti modelljei: főnév birtokos esetben + főnév, melléknév + főnév, melléknév birtokos esetben + főnév birtokos esetben + főnév, főnév birtokos esetben + főnév birtokos esetben + főnév (az utolsó főnév különböző esetekben állhat). 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