Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

Individuazione automatica dei termini dell’istruzione e della scienza con metodi linguistici ERIKA RIMKUTĖ Vytauto Didžiojo universitetas PAROLE CHIAVE: corpus, termini dell’istruzione e della scienza, metodi linguistici, forma lemma, forma grammaticale INTRODUZIONE La linguistica dei corpora e la linguistica computazionale in Lituania sono ormai entrate nel loro secondo decennio: l’inizio di questi rami della scienza può essere fatto risalire alla fondazione del Centro di linguistica computazionale dell’Università Vytautas Magnus (cfr. http://tekstynas.vdu.lt) nel 1994. Sono stati realizzati diversi corpora e programmi per l’analisi e la sintesi automatica del linguaggio1. Tuttavia, i principi della linguistica dei corpora sono ancora applicati solo marginalmente nella terminologia e nella terminografia. Nell’articolo del 2010 Possibilità di individuazione automatica dei termini della lingua lituana (Rimkutė 2010) si è esaminato quanto vengano utilizzati i corpora nella realizzazione di diversi lavori terminologici in Lituania. I termini della lingua lituana si trovano in diverse banche dati internazionali e banche terminologiche; sono stati inoltre realizzati numerosi repertori terminologici elettronici e banche dati2, ma tutti i repertori terminologici elettronici lituani sono sostanzialmente compilati sulla base di dizionari terminologici. Molti dizionari lituani sono stati realizzati sulla base di raccolte di testi piuttosto ridotte e dell’intuizione linguistica; si può quindi affermare che in Lituania prevale ancora un approccio prescrittivo alla raccolta e alla descrizione dei termini. L’articolo intende presentare i risultati del progetto3 volto a individuare e descrivere i termini dell’istruzione e della scienza, relativi all’individuazione automatica dei termini nu- 1 Un inventario dettagliato delle risorse lituanistiche realizzate fino al 2011 è consultabile all’indirizzo http://sruoga.vdu.lt/lituanistiniai-skaitmeniniai-istekliai/lituanistiniu-istekliu-sarasas. 2 I riferimenti sono riportati nell’articolo citato. 3 Si tratta di un progetto finanziato dal Consiglio lituano della ricerca Identificazione automatica dei termini dell’istruzione e della scienza (ŠIMTAI 2) (contratto n. LIT-2-44). I principali obiettivi del progetto sono: 1) sviluppare e sperimentare una metodologia per il riconoscimento automatico dei termini in un corpus della lingua lituana, quale nuovo strumento di gestione terminologica; 2) creare un corpus specializzato di testi sull’istruzione e sulla scienza; 3) sulla base del corpus specializzato, realizzare un dizionario esplicativo dei termini dell’istruzione e della scienza e un’ontologia di questo ambito. 54 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais della loro codificazione e descrizione. L’idea di un progetto volto all’individuazione automatica dei termini è nata osservando che le fonti normative esistenti4 sono piuttosto incomplete, si concentrano sui termini più generali della politica dell’istruzione e non coprono quasi per nulla il settore della politica scientifica; non riescono a includere i nuovi termini emersi dalla pratica professionale, e i responsabili della normalizzazione terminologica non fanno in tempo a normalizzarli. La normalizzazione tradizionale è tuttavia piuttosto soggettiva; pertanto, l’uso e le norme devono essere fondati sui metodi della linguistica dei corpora. Questo articolo tratta quindi un metodo di selezione e analisi dei termini ancora relativamente nuovo in Lituania, che potrebbe agevolare notevolmente il lavoro dei terminologi e renderlo più obiettivo. INDIVIDUAZIONE AUTOMATICA DEI TERMINI Per individuare e definire automaticamente i termini di un determinato settore, è stato scelto il campo della scienza e dell’istruzione. È stato raccolto un corpus di testi sull’istruzione e la scienza (di seguito, corpus IS) di 4 milioni di parole, la cui compilazione si è concentrata su due temi principali: 1) la ricerca scientifica e 2) l’istruzione. Nell’ambito della ricerca scientifica, l’attenzione si è concentrata soprattutto sulla politica della ricerca scientifica e sulla politica dell’istruzione superiore. Per quanto riguarda l’istruzione, è stata inclusa quella post-secondaria, con particolare attenzione all’istruzione superiore e alla formazione continua. È stata inclusa anche la formazione professionale come settore complementare. Nella compilazione del corpus si è cercato di includere testi di generi e tipologie diverse, ad esempio: leggi e altri documenti politici delle più alte istituzioni statali (risoluzioni e dichiarazioni del Seimas della Repubblica di Lituania, del Governo della Repubblica di Lituania e del Presidente della Repubblica di Lituania, decisioni della Corte costituzionale, ecc.); documenti strategici; atti normativi di attuazione delle leggi; documenti di istituzioni e progetti che attuano le politiche della scienza e dell’istruzione; documenti di istituti scientifici e di istruzione superiore; pubblicazioni informative, studi sulla situazione del settore, valutazioni e studi di fattibilità; comunicati stampa e materiali di discussione. Disponendo di un corpus rappresentativo e ben bilanciato del settore oggetto di studio5, è possibile individuare automaticamente i termini. A questo scopo si utilizzano più spesso- 4 Si possono citare la Banca dei termini della Repubblica di Lituania, il Dizionario enciclopedico dei termini di scienze dell’educazione di L. Jovaiša (2007) e il thesaurus TESE [consultato il 20-05-2012], disponibile online: http://eacea.ec.europa.eu/education/eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf. 5 La rappresentatività e le dimensioni dei corpora sono tra le questioni più complesse della linguistica dei corpora. Si ritiene che il corpus IS rappresenti abbastanza bene il settore scelto. Le sue dimensioni sono più discutibili: ad esempio, il corpus giuridico inglese-italiano Bononia Legal Corpus (BOLC) conta circa 18 milioni di parole (Rossini Favretti et al. 2001). Terminologija | 2012 | 19 55 no tre tipi di metodi: statistici, linguistici e modelli ibridi che combinano metodi statistici e linguistici. Sono stati condotti diversi esperimenti allo scopo di individuare i metodi più adatti per l’individuazione dei termini. Sono stati testati i seguenti metodi statistici: 1) la funzione WordSmith Tools Keyword Clusters; 2) il metodo di apprendimento automatico KEA; 3) il metodo di estrazione delle collocazioni mediante lo strumento LICE (per maggiori dettagli, cfr. Grigon worth et al. 2011). Sulla base di queste ricerche si è concluso che i metodi linguistici sono i più adatti alla lingua lituana. Di seguito si illustrano brevemente le caratteristiche di questi metodi. Il principale vantaggio dei sistemi statistici di individuazione dei termini è che non richiedono grandi banche dati contenenti esempi di termini forniti da persone. Inoltre, sono indipendenti dalla lingua. Il principio operativo fondamentale dei sistemi statistici si basa sull’idea che le parole usate spesso insieme siano collegate e possano essere trattate come potenziali termini. I metodi linguistici si basano per lo più su etichette morfologiche e sull’ordine delle parole. Per poter applicare metodi linguistici, sono necessari corpora annotati morfologicamente. Nell’impiego di metodi linguistici per l’individuazione dei termini, si determina di norma quali forme grammaticali possono assumere i termini. Per determinare le forme grammaticali occorre tenere conto delle caratteristiche delle lingue. Per esempio, nelle lingue analitiche è importante individuare la parte del discorso dei termini. Anche per i termini lituani la parte del discorso è molto importante, ma occorre sapere quali informazioni relative ad altre categorie grammaticali siano necessarie per individuare automaticamente i termini. Si è osservato che, per il lituano, sono importanti anche le categorie di numero e caso, mentre quella di genere non è particolarmente rilevante nell’individuazione automatica dei termini6. 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. Nel seguito dell’articolo saranno presentati gli esperimenti di individuazione automatica dei termini lituani mediante metodi linguistici. È opportuno osservare 6 Il genere diventa rilevante nei casi in cui si verifica sincretismo dei casi, ad esempio mokslo darbuotojų: il programma di analisi morfologica automatica riconosce la forma darbuotojų sia come genitivo plurale di un sostantivo maschile sia come genitivo plurale di un sostantivo femminile; perciò indica come forme lemma sia mokslo darbuotojas sia mokslo darbuotoja. Come termine dovrebbe essere riportata la forma maschile, cioè mokslo darbuotojas. 56 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais attenzione: per individuare i possibili termini (di seguito GT)7 è stato utilizzato un programma sviluppato presso il Centro di linguistica computazionale della VDU. Nel programma sono state applicate regole linguistiche che specificano quali combinazioni di parti del discorso o forme di parole devono essere analizzate. Come già detto, l’uso di metodi linguistici richiede corpora annotati morfologicamente; pertanto, il corpus di ŠM, raccolto in precedenza, è stato anzitutto annotato morfologicamente utilizzando l’annotatore morfologico8 sviluppato presso il Centro di linguistica computazionale della VDU. Di seguito è riportato un esempio di testo annotato morfologicamente in modo automatico: <parola=”PROJEKTŲ” lemma=”projektas” tipo=”sost. masch. gen. plur. caso”>9 <spazio> <parola=”FINANSAVIMO” lemma=”finansavimas” tipo=”sost. masch. gen. sing. caso”> <spazio> <parola=”SĄLYGŲ” lemma=”sąlyga” tipo=”sost. femm. gen. plur. caso”> <spazio> <parola=”APRAŠAS” lemma=”aprašas” tipo=”sost. masch. gen. sing. caso”> <p> <parola=”I” lemma=”I” tipo=”numero romano”> <sep=”.”> <spazio> <parola=”BENDROSIOS” lemma=”bendras” tipo=”agg. pos. invariabile pronome femm. sing. caso”> <spazio> <parola=”NUOSTATOS” lemma=”nuostata” tipo=”sost. femm. gen. sing. caso”>10 <p> <numero=”1”> <sep=””> <spazio> <numero=”2007”> <sep=”–”> 7 I programmi che individuano automaticamente i termini utilizzando metodi diversi riconoscono di norma possibili termini, ossia candidati termini (cfr. Zeller 2005), anche se tra le parole o le combinazioni individuate automaticamente si trovano spesso sequenze di parole del tutto prive di senso o combinazioni significative che non sono termini, per esempio collocazioni. Di norma, i termini effettivi vengono individuati all’interno di queste parole e combinazioni da un esperto del settore. 8 Per maggiori dettagli, cfr. http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use. 9 Word indica una forma specifica della parola usata nel testo, lemma indica la forma di citazione (lemma), type indica le informazioni morfologiche dettagliate. 10 Va rilevato che l’annotazione morfologica viene eseguita automaticamente e che, di conseguenza, si verificano anche errori; per esempio, in questo esempio, a causa del sincretismo dei casi è stata indicata una forma errata: al posto del nominativo plurale femminile è stato indicato il genitivo singolare femminile. Per maggiori dettagli sulle imprecisioni dovute alle caratteristiche specifiche dell’annotatore morfologico, si veda la sezione Problemi nell’individuazione automatica dei termini. Terminologija | 2012 | 19 57 <number=”2013”> <space> <parola=”m” lemma=”m” tipo=”sntrmp” <sep=”.”> <space> Il principio di funzionamento dei programmi che individuano automaticamente i GT può essere descritto in modo breve e semplice come segue: si analizza un testo annotato morfologicamente e si cercano sequenze di parole correlate. Il primo criterio consiste nel selezionare combinazioni di parole contigue in base alle delimitazioni annotate del testo e delle frasi. Alcune delimitazioni del testo sono contrassegnate come segni di punteggiatura, altre possono essere contrassegnate come tag HTML, per esempio il tag di paragrafo <p>, il tag di spazio tra le parole <space> e così via. In seguito occorre elaborare determinate regole linguistiche da applicare nel programma. Per individuare i termini dell’istruzione e della scienza sono state elaborate e applicate le seguenti regole di base11: 1. Analizzare soltanto le combinazioni che contengono almeno un sostantivo. Se il GT è formato da due o più parole, le altre parti del discorso presenti nella combinazione possono essere aggettivi e participi. 2. Analizzare soltanto le combinazioni la cui ultima parola deve essere necessariamente un sostantivo12. 3. Nei GT composti da due parole non analizzare i nomi propri, poiché spesso fanno parte di denominazioni di persone, aziende, istituzioni ecc., che non sono considerate termini di settore (nell’individuazione di termini più lunghi, includere anche i nomi propri negli elenchi di GT). 4. Eliminare dai sintagmi i numeri scritti in cifre. 5. Non analizzare le parole o i sintagmi composti da almeno una parola non riconosciuta dall’annotatore morfologico. Si tratta per lo più di inserti in lingua straniera, parole scritte con errori o forme abbreviate di parole13. Applicando tali regole, sono stati individuati i GT, dai quali l’esperto14 ha selezionato i termini di istruzione e scienza. Questi termini sono stati analizzati più approfonditamente e la loro struttura è descritta nella sezione Struttura dei termini di istruzione e scienza. 11 Le regole sono universali e, in linea di principio, adatte a individuare automaticamente i termini di qualsiasi settore. 12 È possibile anche un’altra struttura terminologica, per esempio un sostantivo con un infinito preceduto da un prefisso, oppure un sostantivo con la costruzione preposizionale ne. I termini di questo tipo sono pochi, perciò non sono stati analizzati. In futuro, proseguendo la ricerca, sarebbe opportuno esaminare anche le strutture terminologiche non incluse nel presente articolo. 13 Applicando determinati vincoli di selezione dei GT, si può perdere informazione preziosa. In questo studio non è stato calcolato quanti termini effettivi siano rimasti non riconosciuti. Quando si utilizzano programmi di riconoscimento automatico dei termini, occorre accettare che una parte dell’informazione andrà perduta, ma l’informazione individuata automaticamente sarà più facile da elaborare e i sintagmi ottenuti saranno grammaticalmente più corretti. 14 L’esperto di questo progetto è il lituanista Giedrius Viliūnas, con una vasta esperienza pedagogica, amministrativa e gestionale nel settore dell’istruzione e della scienza. 58 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais SELEZIONE DEI TERMINI Applicando il metodo descritto nella sezione precedente, il programma e le regole in esso utilizzate, sono stati individuati circa 11.000 GT, composti da una a quindici parole15. Di fronte a una quantità così elevata di dati, sono stati applicati diversi criteri di selezione. Il primo riguardava la lunghezza dei termini: tenendo conto delle tendenze generali nella struttura dei termini, si è deciso di analizzare termini non più lunghi di sette parole. Il secondo criterio era la frequenza d’uso dei termini. Si è scelto di analizzare ulteriormente i GT monosillabici, attestati almeno 20 volte nel corpus di istruzione e scienza; i GT di due parole, attestati almeno 10 volte; quelli di tre parole, attestati almeno 8 volte; quelli di quattro parole, attestati almeno 6 volte; quelli di cinque parole, con una frequenza di almeno 4 occorrenze; quelli di sei parole, attestati almeno 3 volte; e quelli di sette parole, con una frequenza non inferiore a 2 occorrenze. Nel conteggio automatico della frequenza di occorrenza dei GT, ci si è basati sulle forme di citazione (lessicali) delle parole, vale a dire sui lemmi. I termini individuati applicando questi criteri di selezione sono stati esaminati più approfonditamente (la loro struttura è presentata nella sezione successiva). Dopo che l’esperto ha esaminato i GT individuati secondo i criteri menzionati in precedenza, sono stati selezionati i termini effettivi di istruzione e scienza. La loro distribuzione in base alla lunghezza è riportata nella Tabella 1. Tabella 1. Distribuzione dei termini di istruzione e scienza in base alla lunghezza Numero di parole che compongono i termini Numero di termini Numero di termini,% 1 155 19,87 2 474 60,77 3 125 16,03 4 22 2,82 5 4 0,51 Totale 780 100,00 15 Ecco alcuni dei termini più lunghi individuati: rimborso al beneficiario del prestito, nei casi indicati nel punto della descrizione, di un prestito agevolato dallo Stato, con decisione della commissione istituita dal direttore del fondo (15 parole; qui sono stati omessi i numeri, cioè il numero del punto); all’indirizzo di residenza del beneficiario del prestito indicato nel contratto di prestito agevolato dallo Stato stipulato dall’istituto di credito (13 parole); le modalità di pagamento delle tasse universitarie degli studenti per l’anno accademico sono stabilite con decreto del rettore (11 parole). È evidente che questi frammenti di testo non possono essere considerati termini potenziali. Terminologija | 2012 | 19 59 Dai dati della tabella risulta che circa il 97% di tutti i termini di istruzione e scienza è costituito da termini composti da 1–3 parole. Non sono stati trovati termini di istruzione e scienza GT composti da sei o sette parole, pertanto non sono stati ulteriormente analizzati. STRUTTURA DEI TERMINI DI ISTRUZIONE E SCIENZA In questa sezione è descritta in dettaglio la struttura dei termini di istruzione e scienza individuati automaticamente e selezionati dall’esperto, e sono presentati i loro modelli grammaticali. I termini sono descritti dal più breve, ossia quello costituito da una parola, al più lungo, ossia quello composto da cinque parole. 1. Termini composti da una parola. Sono stati individuati in totale 7635 GT composti da una parola, di cui 1311 sono stati usati nel corpus testuale più di 20 volte. In seguito sono state analizzate in dettaglio soltanto queste parole. Dei 1311 vocaboli, 155 possono essere considerati termini di istruzione e scienza, ossia circa il 20%. I termini di istruzione e scienza più frequenti nel corpus testuale sono: studentas (420816), universitetas (3959), studijos (1562), mokslas (1508), sritis (1403). 2. Termini composti da due parole. Nel corpus testuale di 4 milioni di parole sono stati individuati 145 468 GT composti da due parole. Come già scritto, in seguito sono stati analizzati soltanto i GT composti da due parole con una frequenza non inferiore a 10 occorrenze: sono stati trovati 4889 termini di questo tipo. Dopo la revisione dei GT, nell’elenco finale dei termini di istruzione e scienza sono rimasti soltanto 474 termini composti da due parole, che costituiscono la maggior parte di tutti i termini analizzati, oltre i due terzi (cfr. Tabella 1). I termini composti da due parole possono essere suddivisi in tre tipi in base alla loro forma grammaticale. 1) sost. + sost. I termini di istruzione e scienza di questo tipo sono 250, ossia il 52,7% di tutti i termini composti da due parole. I termini di istruzione e scienza di questa struttura più frequenti nel corpus testuale sono studijų programa (1432), studijų pakopa (306), studijų kryptis (303), mokslo darbuotojas (289), studijų kokybė (253). 2) agg. + sost..17 I sintagmi costituiscono 200 termini di istruzione e scienza (il 42,2% dei termini composti da due parole). I termini di istruzione e scienza più frequenti sono aukštoji mokykla (2160), moksliniai tyrimai (918), aukštasis mokslas (730), nuotolinis mokymas (453), profesinis mokymas (403). Agg. + sost. Le combinazioni di questo tipo sono considerate GT quando l’aggettivo concorda con il sostantivo in genere, numero e caso. In caso contrario, rile- 16 Tra parentesi è indicata la frequenza del termine nel corpus testuale di istruzione e scienza di 4 milioni di parole. 17 Nei modelli dei termini composti da due parole non si indicano i casi, poiché aggettivi e participi concordano con i sostantivi, mentre i sostantivi sono generalmente al nominativo singolare. 60 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais sono combinazioni grammaticalmente scorrette¹⁸, ad es., università più coese, diritto più importante, apprendimento più importante, anni migliori, oppure la combinazione è corretta, anche se spesso incompleta, e non è un termine di istruzione e scienza (ŠM), ad es., il più grande al mondo, il più dinamico al mondo, favorevole agli studenti. 3) avv. + sost. Solo 24 combinazioni sono termini di istruzione e scienza, cioè il 5%. I termini di istruzione e scienza più frequenti sono: tesi finale (162), materia a scelta (109), istruzione degli adulti¹⁹ (65), feedback (63), ricerca applicata (45). 3. Termini composti da tre parole. Sono stati individuati complessivamente 119 881 GT composti da tre parole. Sono state analizzate più dettagliatamente 2438 combinazioni con una frequenza nel corpus non inferiore a 8 occorrenze. Sono stati individuati 125 termini di istruzione e scienza, pari al 16,03% di tutti i termini. I termini di istruzione e scienza più frequenti sono: istituto di istruzione superiore (251), istituto di formazione professionale (205), prestito garantito dallo Stato (149), scuola di istruzione generale (147), istituto di formazione professionale (77). I termini di istruzione e scienza composti da tre parole seguono sette modelli grammaticali. Tra questi, i più frequenti sono le combinazioni del tipo agg. N. + sost. N. + sost.²⁰ (costituiscono il 48% di tutti i termini composti da tre parole), ad es.: istituto di istruzione superiore (251), istituto di formazione professionale (205), scuola di istruzione generale (147). Al secondo posto per frequenza tra i termini di istruzione e scienza composti da tre parole si collocano le combinazioni del tipo sost. N. + sost. N. + sost. (24,8%), ad es.: regolamento dell’indirizzo di studi (66), descrizione degli indirizzi di studio (60), istituto statale di ricerca (50). Il terzo modello strutturale più frequente dei termini di istruzione e scienza composti da tre parole è agg. V. + agg. V. + sost. (12%), ad es.: programma nazionale complesso (69), ricerca scientifica fondamentale (61), formazione professionale iniziale (52). Di seguito si possono riportare solo pochi esempi per ciascuno dei modelli strutturali dei termini di istruzione e scienza composti da tre parole, ordinati per frequenza: sost. N. + part. V. + sost. (4%), ad es.: prestito garantito dallo Stato (149), qualifica riconosciuta dallo Stato (33), studente finanziato dallo Stato (21); sost. N. + agg. V. + sost. (4%), ad es.: istituto di istruzione superiore straniero (41), consiglio accademico del collegio (32), supervisore scientifico del dottorando (20); part. V. / agg. + sost. N. + sost. (3,2%), ad es.: valutazione finale delle qualifiche (36), posto di studio gratuito (13), ricerche di carattere applicativo (13); agg. V. + ¹⁸ In questo lavoro sono considerate grammaticalmente corrette le combinazioni in cui le parole dipendenti concordano con quella principale e i rapporti sintattici tra i componenti della combinazione sono chiari. ¹⁹ Tra i participi sono stati inclusi anche quelli sostantivati. ²⁰ Il caso dell’ultimo sostantivo non è indicato, poiché è per lo più al nominativo. Terminologija | 2012 | 19 61 avv. V. (oppure K., se il participio è sostantivato) + sost. (2,4%), ad es.: materia didattica a concorso (15), formazione non formale degli adulti (13), lavoro di ricerca scientifica (12); avv. V. + avv. V. + sost. (1,6%), ad es.: attività scientifica applicata (20), ricerche scientifiche commissionate (8). 4. Termini di quattro parole. Sono stati individuati in totale 77 961 GT di quattro parole; le combinazioni ricorrenti più di 7 volte sono 760. Tra queste, l’esperto ha identificato 22 termini di scienze e istruzione (SI), che costituiscono il 2,82% di tutti i termini. Le combinazioni più frequenti in questo gruppo di termini sono istituzione di scienza e studi (568), parco di scienza e tecnologia (62), programma nazionale generale complesso (40), formazione professionale per il mercato del lavoro (40). I termini di quattro parole usati nel corpus SI appartengono a nove diversi modelli grammaticali. Poiché i termini di quattro parole sono pochi, ciascun modello è illustrato soltanto da alcuni esempi o da un unico esempio. Di seguito sono presentati, raggruppati in base alla frequenza, tutti i modelli strutturali dei termini SI di quattro parole, con un esempio per ciascun modello: agg. nom. + sost. gen. + sost. gen. + sost. (22,7% di tutti i termini di quattro parole): banca dati internazionale scientifica (13); agg. nom. + agg. gen. + sost. gen. + sost. (18,2%): materia generale di formazione universitaria (8); agg. gen. + sost. gen. + avv. nom. + sost. (13,6%): studente con esigenze speciali (8); sost. gen. + prep. + sost. gen. + sost. (13,6%): istituzione di scienza e studi (568); agg. gen. + sost. gen. + agg. nom. + sost. (9,1%): ricerca scientifica di alto livello (18); avv. nom. + agg. nom. + sost. gen. + sost. (9,1%): banca dati internazionale riconosciuta (11); agg. nom. + agg. nom. + agg. nom. + sost. (4,5%): programma nazionale generale complesso (40); sost. gen. + agg. gen. + sost. gen. + sost. (4,5%): istituto statale di ricerca scientifica (31); sost. gen. + sost. gen. + sost. gen. + sost. (4,5%): settore di studi delle scienze tecnologiche (28); 5. Termini di cinque parole. Sono stati individuati 49 768 GT di cinque parole; sono state trovate 601 combinazioni ricorrenti più di 5 volte, di cui 4 termini SI, ossia lo 0,51% di tutti i termini. Da un numero così esiguo di termini è difficile trarre generalizzazioni sulla loro struttura; pertanto, i termini non sono stati classificati strutturalmente. Tutti i termini di cinque parole usati nel corpus SI sono: ricerca scientifica e sviluppo sperimentale (124), ricerca scientifica e sviluppo tecnologico (67), ricerca scientifica e sviluppo delle tecnologie (13), centro di ricerca scientifica di alto livello (7). 62 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais 6. Termini di sei e sette parole. È già stato osservato che tra i termini GT di sei e sette parole non è stato trovato alcun termine ŠM, sebbene siano stati individuati complessivamente 30 298 GT di sei parole (di cui 750 combinazioni attestate più di 3 volte) e 17 815 GT di sette parole (di cui 2608 combinazioni attestate più di 2 volte). CONFRONTO DEI TERMINI DELL’ISTRUZIONE E DELLA SCIENZA CON I TERMINI DELLA BANCA DEI TERMINI DELLA REPUBBLICA DI LITUANIA I termini utilizzati nel corpus ŠM possono essere confrontati con i termini di istruzione e scienza approvati e inclusi nella Banca dei termini della Repubblica di Lituania21, che sono 74. La struttura di questi termini è molto varia: da termini costituiti da una sola parola a combinazioni di 18 parole. Sono stati trovati soltanto un termine ciascuno tra quelli molto lunghi, costituiti da 15 e 18 parole. Il termine più lungo riportato è – programma di formazione professionale continua non formale per agricoltori, proprietari forestali, membri di gruppi di azione locale, altri abitanti delle zone rurali e i loro consulenti. È discutibile se il nome di un programma possa essere considerato un termine. Confrontando la struttura dei termini di istruzione e scienza del corpus ŠM e della Banca dei termini, si osserva che in entrambe le fonti i termini più frequenti sono quelli da una a tre parole. È vero che i termini da una a tre parole costituiscono l’86,5% nella Banca dei termini, mentre nel corpus ŠM i termini della stessa lunghezza costituiscono il 97% (cfr. Tabella 1). Nella Banca dei termini vi sono un po’ più termini di quattro parole che nel corpus qui presentato; non sono stati utilizzati termini di cinque parole; tra i termini costituiti da 6, 7, 8 e 9 parole nella Banca dei termini ve ne sono appena uno o due per ciascuna lunghezza; non vi sono termini di 10 parole, ma sono riportati i termini già menzionati, costituiti da 15 e 18 parole (cfr. Tabella 2). È discutibile l’inclusione tra i termini di istruzione e scienza di alcuni termini riportati nella Banca dei termini, ad esempio lituano, comunità lituana mondiale, rimigrazione, nazionalità. L’elenco dei termini ottenuto mostra che il settore dell’istruzione e della scienza non è coperto completamente: per esempio, come termine relativo alla formazione professionale è riportato trattorista, ma non mietitrebbista, cuoco, falegname e così via; mancano in particolare termini che rispecchino la politica scientifica. Pertanto, i termini individuati durante la ricerca discussa in questo articolo dovrebbero contribuire almeno in parte a colmare la lacuna terminologica nel settore dell’istruzione e della scienza. 21 L’elenco dei termini approvati del settore dell’istruzione e della scienza è stato ricevuto nel 2010 dalla Commissione statale per la lingua lituana. Il confronto tra i dati del corpus e quelli della banca dei termini si basa proprio su questo elenco. Terminologija | 2012 | 19 63 Tabella 2. Distribuzione per lunghezza dei termini di istruzione e scienza riportati nella Banca dei termini della Repubblica di Lituania Numero di parole che costituiscono i termini Quantità di termini, numero Quantità di termini,% 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 Totale 74 100 PROBLEMI DEL RICONOSCIMENTO AUTOMATICO DEI TERMINI Nel riconoscimento dei termini con metodi diversi sorgono due problemi principali: 1) quale forma costituisce un termine grammaticalmente corretto; ciò è particolarmente rilevante nel determinare la forma lemma; 2) come distinguere le espressioni generiche e i termini generali dai termini propri del settore analizzato. Problemi analoghi si presentano anche agli studiosi di altri paesi (cfr. Cabré Castellví et al 2001). Il secondo problema può essere risolto più spesso soltanto manualmente, ossia un esperto del settore deve esaminare il GT e determinare quali termini appartengono al settore analizzato. È inoltre possibile applicare determinati filtri, cioè compilare un elenco di parole da escludere dall’analisi (in inglese stop list) e usarlo per scartare le parole che non possono fungere da termini del settore analizzato. Questo tipo di filtraggio è stato applicato anche in questo studio. Alcuni esempi: non sono stati considerati termini di istruzione e scienze le parole o le locuzioni il cui ultimo elemento è un sostantivo che indica il tempo 64 Erika Rimkutė | Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais come, per esempio: metai, mėnuo, diena, savaitė, rytas, vakaras, sausis, vasaris, pirmadienis, antradienis e così via. Non sono considerate termini le parole che indicano unità di misura, per esempio: milimetras, metras, centimetras, kilometras, mylia, gramas, kilogramas, tona. Si possono escludere le locuzioni contenenti combinazioni di parole caratteristiche dei termini amministrativi generali, per esempio: 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. Nel tentativo di distinguere nel modo più preciso possibile i termini di istruzione e scienze da quelli generali in maniera automatica, sono stati compilati due corpora di confronto, ciascuno della stessa dimensione del corpus di istruzione e scienze, cioè di 4 milioni di parole. Il primo dei corpora di confronto è composto da testi di vari generi e stili; la sua struttura è simile a quella del Dabartinės lietuvių kalbos tekstyną (comprende testi giornalistici, letteratura, testi amministrativi e testi scientifici). Il secondo corpus di confronto è composto da testi amministrativi, ma non appartenenti al settore dell’istruzione e delle scienze. Si è ipotizzato che, quanto più un termine è generale, tanto più spesso ricorre nel corpus generale e/o in quello amministrativo, mentre quanto più è specifico, tanto meno frequentemente ricorre nei corpora generali e/o amministrativi. L’ipotesi è stata confermata in parte: per esempio, i termini caratteristici del settore dell’istruzione e delle scienze judumas, kompetentingumas, nubyrejimas, siekinys non sono stati trovati nei corpora di confronto, mentre termini come studentas, universitetas, vadovėlis sono frequenti sia nel corpus di istruzione e scienze sia nei corpora di confronto. Questo studio dovrebbe proseguire, così da poter fornire dati affidabili su quanto il confronto tra più corpora possa contribuire a distinguere, almeno in parte e automaticamente, i termini generali da quelli del settore analizzato. Di seguito verrà esaminato più nel dettaglio il primo problema, ossia come determinare automaticamente la lemma corretta dei termini (in particolare di quelli composti da più parole) e come ricondurre a un’unica lemma parole e locuzioni usate nel corpus in diverse forme flessive. Lo studio ha mostrato che non è sempre facile determinare la forma citazionale di un termine. La lemmatizzazione automatica della locuzione aukštoji mokykla produce, per esempio, il risultato aukštas mokykla. Ciò è dovuto al fatto che, per gli aggettivi, l’annotatore morfologico indica come lemma la forma del nominativo singolare maschile del grado positivo (per ulteriori dettagli sulle caratteristiche dell’annotatore, cfr. Zinkevičius 2000). Per le lemme dei termini composti da più parole Terminologija | 2012 | 19 65 La determinazione sarebbe notevolmente agevolata da un programma di analisi sintattica. Purtroppo, al momento non esiste un programma di analisi sintattica realmente funzionante22. Pertanto, per determinare i lemmi sono necessarie alcune regole aggiuntive: in questo caso, occorre specificare che, se un lemma è composto da un sostantivo, l’aggettivo o il participio deve concordare con il genere di quel sostantivo; se l’aggettivo o il participio è pronominale, tale categoria deve essere mantenuta anche nel lemma. Molti interrogativi riguardano la categoria del numero, per esempio, il primo elemento del termine studentų atstovybė deve essere al plurale; nel caso dei termini akademiniai įgūdžiai, auditorinės darbo valandos, tutti gli elementi devono essere al plurale; mentre nei termini fakulteto taryba, universiteto autonomija, bendrasis priėmimas, mokslinis leidinys entrambi gli elementi sono al singolare. Naturalmente, per una persona non è difficile stabilire quando sia necessaria la forma plurale e quando quella singolare, ma farlo automaticamente è molto complesso. È vero che nel corpus emerge che alcune parole sono usate quasi sempre soltanto al plurale (ad es.: asignavimai, duomenys, studijos, rūmai, žinios, pinigai, pareigos). È difficile determinare la forma corretta del numero anche perché alcune parole sono omonime, per esempio studija (opera scientifica) e studijos (attività di studio). Per questo motivo, i lemmi dei seguenti termini sono stati determinati automaticamente in modo errato: bakalauro studija, rezidentūros studija, magistro studija, dieninės studija, nuotolinės studija. Come già detto, alcuni sostantivi sono usati per lo più soltanto al plurale, sebbene nel dizionario la forma singolare sia indicata come lemma. Questa discrepanza tra le informazioni lessicografiche e l’uso effettivo ha portato alla determinazione errata dei lemmi dei termini mokinio pasiekimas, švietimo resursas, praktinis gebėjimas, fizinis mokslas, akademinis užsiėmimas (le forme corrette dovrebbero essere: mokinio pasiekimai, švietimo resursai, praktiniai gebėjimai, fiziniai mokslai, akademiniai užsiėmimai). Un altro problema è costituito dai sostantivi substantiva mobilia, ad es.: abiturientas – abiturientė, abonentas – abonentė. Poiché nel corpus erano presenti forme sia maschili sia femminili, sono stati indicati automaticamente i lemmi di entrambi i generi. Per conservare come termine di scienze dell’educazione e della ricerca soltanto il lemma maschile, è stato necessario applicare una regola in base alla quale i sostantivi di tipo substantiva mobilia, maschili e femminili, sono ricondotti al lemma maschile. 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 Nel determinare automaticamente i lemmi, talvolta viene indicato un ordine delle parole errato; per esempio, sono state indicate le seguenti forme citazionali: tipų studija (dovrebbe essere studijų tipas), lygmens kvalifikacija (dovrebbe essere kvalifikacijų lygmuo). Poiché nella determinazione dei lemmi non è stata applicata l’analisi sintattica, non sempre gli attributi concordano con il termine a cui si riferiscono, ad es. tarptautinis (= tarptautinio) lygio mokslas, oppure si verificano altre violazioni sintattiche, ad es.: paskolų gyvenimo išlaidos (= paskola gyvenimo išlaidoms). Sorgono difficoltà anche nel determinare i confini dei termini; per esempio, dėstytojų ir mokslininkų kvalifikacijos bei kompetencijos atitiktis costituisce un unico termine, oppure occorre distinguere più termini: 1) corrispondenza delle qualifiche e delle competenze dei docenti, 2) corrispondenza delle qualifiche e delle competenze dei ricercatori, 3) corrispondenza delle qualifiche dei docenti e dei ricercatori, 4) corrispondenza delle competenze dei docenti e dei ricercatori, 5) qualifica dei docenti, 6) qualifica dei ricercatori, 7) competenza dei docenti, 8) competenza degli insegnanti, 9) corrispondenza delle qualifiche, 10) conformità della competenza. Nell’individuazione dei lemmi e, più in generale, nel riconoscimento dei termini, sorgono difficoltà anche a causa delle specificità dell’annotatore morfologico, che tra più parti del discorso o forme grammaticali possibili ne individua una errata. Per esempio, se un aggettivo concorda in genere, caso e numero con il sostantivo che lo accompagna, è molto probabile che tale sintagma sia grammaticalmente corretto. I sintagmi composti da due sostantivi, il cui primo elemento non è al genitivo, non sono sempre grammaticalmente corretti. È necessario esaminarli più attentamente e quindi dedicarvi più tempo. Pertanto, la parte del discorso indicata determina se il sintagma rientrerà tra i GT e se sarà grammaticalmente corretto. Alcuni esempi che illustrano questo tipo di errore: metinėms (può essere agg. o sost., l’annotatore morfologico ha indicato sost.) ataskaitoms; keliais (può essere pron. o sost., è stato selezionato sost.) procentais; bendrais (può essere agg. o sost., è stato selezionato sost.) teiginiais; uždarus (può essere agg. o sost., è stato selezionato sost.) posėdžius. A causa dell’indicazione errata della parte del discorso e del fatto che le parole non vengono analizzate sintatticamente, a prima vista il sintagma žemiausias balas, trovato in un corpus annotato morfologicamente, sembra grammaticalmente scorretto, poiché Terminologija | 2012 | 19 67 al primo vocabolo sono state assegnate le seguenti etichette: agg., superl., non pronominale, masch., sing., nom.; al secondo: sost., femm., plur., gen. e come lemma è indicato bala. Si vede dunque che in questo caso il lemma del sostantivo è stato individuato erroneamente: dovrebbe essere balas. Pertanto, il sintagma menzionato in precedenza è grammaticalmente corretto. In questo capitolo sono state passate in rassegna le difficoltà più frequenti nell’individuazione automatica dei termini dell’istruzione e della scienza. Questi problemi e i relativi metodi di soluzione saranno trattati in altri lavori. CONCLUSIONI Il programma e la metodologia per l’individuazione automatica dei termini devono ancora essere perfezionati. Tuttavia, i primi risultati possono essere valutati piuttosto positivamente. Come mostrano gli esempi presentati, l’analisi automatica mette in luce non solo problemi specifici e tecnici, ma anche quelli che si trovano ad affrontare i terminologi, per esempio la scelta della categoria del numero. Dopo aver perfezionato l’annotatore morfologico e applicato un programma di analisi sintattica automatica, sarebbe possibile individuare i termini automaticamente in modo più semplice e affidabile. Nonostante le difficoltà, il programma che individua automaticamente i termini accelera notevolmente il processo di individuazione dei GT. Un altro importante vantaggio del processo di individuazione automatica dei termini è l’obiettività dell’analisi dei dati. È stato stabilito che il 97% dei termini dell’istruzione e della scienza selezionati automaticamente e sottoposti a revisione è costituito da 1–3 parole. I termini più numerosi sono quelli composti da due parole: rappresentano quasi il 61% di tutti i termini. I modelli strutturali più frequenti dei termini dell’istruzione e della scienza sono sost. nom. + sost., agg. + sost., agg. nom. + sost. nom. + sost., sost. nom. + sost. nom. + sost. (l’ultimo sostantivo può essere in vari casi). 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