Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

Automatische vaststelling van onderwijs- en wetenschapstermen met linguïstische methoden ERIKA RIMKUTĖ Vytauto Didžiojo universitetas KERNWOORDEN: corpus, onderwijs- en wetenschapstermen, linguïstische methoden, lemma, grammaticale vorm INLEIDING De corpuslinguïstiek en de computationele linguïstiek in Litouwen zijn inmiddels aan hun tweede decennium begonnen – het begin van deze wetenschappelijke disciplines kan worden verbonden met de oprichting van het Centrum voor Computationele Linguïstiek van de Vytautas Magnus Universiteit (zie http://tekstynas.vdu.lt)) in 1994. Er zijn enkele corpora en automatische programma’s voor taalontleding en -synthese ontwikkeld1. Toch worden de principes van de corpuslinguïstiek nog maar weinig toegepast in de terminologie en terminografie. In het artikel uit 2010, Mogelijkheden voor de automatische vaststelling van Litouwse termen (Rimkutė 2010), is besproken in hoeverre corpora worden gebruikt bij het samenstellen van verschillende terminologische werken in Litouwen. Litouwse termen zijn te vinden in verschillende internationale databanken en terminologiebanken; er zijn ook heel wat elektronische terminologielijsten en databanken samengesteld2, maar alle Litouwse elektronische terminologielijsten zijn in wezen gebaseerd op terminologische woordenboeken. Veel Litouwse woordenboeken zijn samengesteld op basis van vrij kleine hoeveelheden teksten en taalkundige intuïtie; daarom kan worden gesteld dat in Litouwen nog steeds de prescriptieve manier van termen verzamelen en beschrijven overheerst. In dit artikel worden de resultaten gepresenteerd van een project3 dat is gericht op het vaststellen en beschrijven van onderwijs- en wetenschapstermen en dat betrekking heeft op de automatische vaststelling van termen- 1 Een uitgebreid overzicht van Litouwse taalkundige bronnen die tot 2011 zijn samengesteld, vindt u op http://sruoga.vdu.lt/lituanistiniai-skaitmeniniai-istekliai/lituanistiniu-istekliu-sarasas. 2 De verwijzingen zijn opgenomen in het genoemde artikel. 3 Dit is een door de Litouwse Onderzoeksraad gefinancierd project Automatische identificatie van onderwijs- en wetenschapstermen (ŠIMTAI 2) (contractnr. LIT-2-44). De belangrijkste doelstellingen van dit project zijn: 1) een methodologie voor automatische termherkenning in een corpus van Litouwse teksten ontwikkelen en testen als een nieuw instrument voor terminologiebeheer, 2) een gespecialiseerd corpus van onderwijs- en wetenschapsteksten samenstellen, 3) op basis van het gespecialiseerde corpus een verklarend woordenboek van onderwijs- en wetenschapstermen en een ontologie voor dit vakgebied opstellen. 54 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais …stelling en hun beschrijving. Het idee voor een project gericht op de automatische identificatie van termen ontstond toen werd opgemerkt dat de bestaande normatieve bronnen4 vrij onvolledig zijn, gericht op de meest algemene termen uit het onderwijsbeleid en vrijwel geen betrekking hebben op het wetenschapsbeleid; ze lopen achter bij het opnemen van nieuwe termen die voortkomen uit de praktijk; terminologen kunnen deze niet snel genoeg normeren. Traditionele normering is echter vrij subjectief, daarom moeten gebruik en normen worden onderbouwd met methoden uit de corpuslinguïstiek. Dit artikel gaat dan ook over een in Litouwen nog vrij nieuwe methode voor de selectie en analyse van termen, die het werk van terminologen aanzienlijk zou kunnen vergemakkelijken en meer objectiviteit zou kunnen bieden. AUTOMATISCHE IDENTIFICATIE VAN TERMEN Om de termen van een bepaald vakgebied automatisch te identificeren en te definiëren, werd één gebied gekozen: wetenschap en onderwijs. Er werd een corpus van 4 miljoen woorden samengesteld over onderwijs en wetenschap (hierna O&W), waarbij de samenstelling was gericht op twee hoofdthema’s: 1) wetenschappelijk onderzoek en 2) onderwijs. Op het gebied van wetenschappelijk onderzoek ging de meeste aandacht uit naar het beleid inzake wetenschappelijk onderzoek en het hogeronderwijsbeleid. Op het gebied van onderwijs werd postsecundair onderwijs opgenomen, met de meeste aandacht voor hoger onderwijs en voortgezette scholing. Ook beroepsonderwijs en -opleiding werd als aanvullend gebied opgenomen. Bij het samenstellen van het corpus werd gestreefd naar een brede dekking van uiteenlopende tekstgenres en -typen, bijvoorbeeld: wetten en andere beleidsdocumenten van de hoogste overheidsinstellingen (besluiten en verklaringen van de Seimas van de Republiek Litouwen, de regering van de Republiek Litouwen en de president van de Republiek Litouwen, uitspraken van het Grondwettelijk Hof enz.); strategische documenten; uitvoeringsbesluiten bij wetten; documenten van instellingen en projecten die het wetenschaps- en onderwijsbeleid uitvoeren; documenten van instellingen voor wetenschap en hoger onderwijs; informatieve publicaties, onderzoeken naar de toestand van het vakgebied, evaluaties en haalbaarheidsstudies; persberichten en discussiemateriaal. Met een representatief, goed uitgebalanceerd corpus van het onderzochte vakgebied5 kunnen termen automatisch worden geïdentificeerd. Hiervoor worden meestal ge- 4 Vermeldenswaard zijn de terminologiebank van de Republiek Litouwen, L. Jovaišas Encyclopedisch woordenboek van onderwijskundige termen (2007), en de TESE-thesaurus [geraadpleegd op 2012-05-20], beschikbaar via internet: http://eacea.ec.europa.eu/education/eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf. 5 Representativiteit en omvang van corpora behoren tot de lastigste vraagstukken van de corpuslinguïstiek. Het corpus O&W vertegenwoordigt het gekozen vakgebied vermoedelijk vrij goed. De omvang ervan is een punt waarover meer discussie mogelijk is; zo telt het Engels-Italiaanse juridische corpus Bononia Legal Corpus (BOLC) ongeveer 18 miljoen woorden (Rossini Favretti et al. 2001). Terminologija | 2012 | 19 55 Er zijn drie soorten methoden: statistische, linguïstische en hybride modellen die statistische en linguïstische methoden combineren. Er werden verschillende experimenten uitgevoerd om de geschiktste methoden voor termidentificatie vast te stellen. De volgende statistische methoden werden getest: 1) de functie WordSmith Tools Keyword Clusters; 2) de machinelearningmethode KEA; 3) de methode voor het extraheren van collocaties met behulp van de tool LICE (zie voor meer informatie Grigon worth et al. 2011). Op basis van deze onderzoeken werd geconcludeerd dat linguïstische methoden het geschiktst zijn voor het Litouws. Hieronder worden de kenmerken van deze methoden kort toegelicht. Het belangrijkste voordeel van statistische systemen voor termidentificatie is dat ze geen grote databases nodig hebben met door mensen aangeduide termvoorbeelden. Bovendien zijn ze taalonafhankelijk. Het belangrijkste werkingsprincipe van statistische systemen berust op de gedachte dat woorden die vaak samen voorkomen met elkaar verband houden en als mogelijke termen kunnen worden beschouwd. Linguïstische methoden zijn doorgaans gebaseerd op morfologische labels en woordvolgorde. Om linguïstische methoden te kunnen toepassen, zijn morfologisch geannoteerde corpora nodig. Bij gebruik van linguïstische methoden voor termidentificatie wordt meestal vastgesteld welke grammaticale vormen termen kunnen aannemen. Bij het vaststellen van grammaticale vormen moet rekening worden gehouden met de kenmerken van talen. Voor analytische talen is het bijvoorbeeld belangrijk de woordsoort van termen vast te stellen. De woordsoort is ook voor Litouwse termen van groot belang, maar men moet eveneens weten welke informatie over andere grammaticale categorieën nodig is om termen automatisch te identificeren. Het is gebleken dat voor het Litouws ook de categorieën getal en naamval van belang zijn, terwijl de categorie geslacht bij automatische termidentificatie niet bijzonder relevant is6. 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. Verderop in dit artikel worden experimenten gepresenteerd waarbij Litouwse termen automatisch met behulp van linguïstische methoden werden geïdentificeerd. Er dient op te worden gewezen dat 6 Geslacht wordt relevant wanneer er naamvalsyncretisme optreedt, bijvoorbeeld mokslo darbuotojų: het programma voor automatische morfologische analyse herkent de vorm darbuotojų zowel als de genitief meervoud van een mannelijk als van een vrouwelijk zelfstandig naamwoord, en geeft daarom zowel mokslo darbuotojas als mokslo darbuotoja als lemma op. Als term moet de mannelijke vorm worden vermeld, dat wil zeggen mokslo darbuotojas. 56 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais Om potentiële termen (hierna GT)7 vast te stellen, werd gebruikgemaakt van een programma dat is ontwikkeld in het Centrum voor Computationele Taalkunde van VDU. In dit programma zijn linguïstische regels toegepast die aangeven welke woordsoortcombinaties of woordvormen moeten worden geanalyseerd. Zoals vermeld, zijn bij het gebruik van linguïstische methoden morfologisch geannoteerde corpora nodig. Daarom werd het eerst samengestelde corpus van onderwijs en wetenschap morfologisch geannoteerd met behulp van de morfologische annotator8 die is ontwikkeld in het Centrum voor Computationele Taalkunde van VDU. Hier volgt een voorbeeld van automatisch morfologisch geannoteerde tekst: <word=”PROJEKTŲ” lemma=”projektas” type=”znw mnl gen mv K”>9 <space> <word=”FINANSAVIMO” lemma=”finansavimas” type=”znw mnl gen ev K”> <space> <word=”SĄLYGŲ” lemma=”sąlyga” type=”znw vrl gen mv K”> <space> <word=”APRAŠAS” lemma=”aprašas” type=”znw mnl gen ev V”> <p> <word=”I” lemma=”I” type=”Romeins cijfer”> <sep=”.”> <space> <word=”BENDROSIOS” lemma=”bendras” type=”bijv stell vergtr onverb voornw vrl ev K”> <space> <word=”NUOSTATOS” lemma=”nuostata” type=”znw vrl gen ev K”>10 <p> <number=”1”> <sep=””> <space> <number=”2007”> <sep=”–”> 7 Programma’s die automatisch termen vaststellen met behulp van uiteenlopende methoden herkennen doorgaans potentiële termen, oftewel termkandidaten (zie Zeller 2005), hoewel tussen de automatisch vastgestelde woorden of woordcombinaties geregeld volstrekt betekenisloze woordgroepen of betekenisvolle niet-terminologische woordcombinaties voorkomen, bijvoorbeeld collocaties. De daadwerkelijke termen uit deze woorden en woordcombinaties worden gewoonlijk vastgesteld door een deskundige op het betreffende vakgebied. 8 Zie voor meer informatie http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use. 9 Word verwijst naar een concrete woordvorm die in de tekst voorkomt, lemma naar de lemma- of basisvorm, en type naar de gedetailleerde morfologische informatie. 10 Er zij op gewezen dat de morfologische annotatie automatisch wordt uitgevoerd en daarom fouten kan bevatten. Zo is in dit voorbeeld vanwege naamvalssyncretisme een onjuiste vorm aangegeven: in plaats van de vrouwelijke meervoudsvorm van de nominatief is de vrouwelijke enkelvoudsvorm van de genitief vermeld. Zie voor meer informatie over onnauwkeurigheden die voortvloeien uit de specifieke kenmerken van de morfologische annotator het hoofdstuk Problemen bij automatische terminologie-extractie. Terminologija | 2012 | 19 57 <number=”2013”> <space> <word=”m” lemma=”m” type=”onvoltooid deelwoord” <sep=”.”> <space> Het werkingsprincipe van programma’s die automatisch GT vaststellen, kan kort en eenvoudig als volgt worden beschreven: de morfologisch gemarkeerde tekst wordt geanalyseerd en er wordt gezocht naar reeksen samenhangende woorden. Het eerste criterium is het selecteren van aaneengesloten woordgroepen op basis van de gemarkeerde tekst- en zinsgrenzen. Sommige tekstgrenzen zijn gemarkeerd als leestekens, andere kunnen gemarkeerd zijn als HTML-tags, bijvoorbeeld de alineatag <p>, de tag voor een spatie tussen woorden <space>, enzovoort. Vervolgens moeten bepaalde linguïstische regels worden opgesteld en in het programma worden toegepast. Voor het vaststellen van onderwijs- en wetenschapstermen zijn de volgende basisregels opgesteld en toegepast11: 1. Alleen woordgroepen met ten minste één zelfstandig naamwoord worden geanalyseerd. Als een GT uit twee of meer woorden bestaat, mogen de andere woordsoorten in die woordgroep bijvoeglijke naamwoorden en deelwoorden zijn. 2. Alleen woordgroepen waarvan het laatste woord noodzakelijkerwijs een zelfstandig naamwoord is, worden geanalyseerd12. 3. Eigennamen worden niet geanalyseerd in GT’s van twee woorden, omdat ze meestal deel uitmaken van namen van personen, bedrijven, instellingen enzovoort, die niet als vaktermen worden beschouwd (bij het vaststellen van langere termen worden eigennamen ook aan de terminologielijsten met GT’s toegevoegd). 4. Verwijder uit de woordcombinaties de getallen die in cijfers zijn geschreven. 5. Analyseer geen woorden of woordcombinaties die ten minste één woord bevatten dat niet door de morfologische annotator is herkend. Dit zijn meestal invoegingen in een vreemde taal, verkeerd gespelde woorden en verkorte woordvormen13. Na toepassing van deze regels werden de woordcombinaties vastgesteld, waaruit de expert14 de onderwijs- en wetenschapstermen selecteerde. Deze termen werden nader geanalyseerd; hun structuur wordt beschreven in het hoofdstuk Structuur van onderwijs- en wetenschapstermen. 11 De regels zijn universeel en in wezen geschikt om termen uit elk vakgebied automatisch vast te stellen. 12 Er zijn ook andere termstructuren mogelijk, bijvoorbeeld een zelfstandig naamwoord met een voorzetselinfinitief, of een zelfstandig naamwoord met een voorzetselconstructie. Er zijn weinig termen van dit type en daarom zijn ze niet geanalyseerd. Bij voortzetting van het onderzoek in de toekomst zouden ook de termstructuren moeten worden geanalyseerd die in dit artikel buiten beschouwing zijn gelaten. 13 Door bepaalde beperkingen toe te passen bij de selectie van woordcombinaties kan waardevolle informatie verloren gaan. In dit onderzoek is niet berekend hoeveel echte termen niet zijn herkend. Bij het gebruik van automatische programma’s voor termherkenning moet men accepteren dat een deel van de informatie verloren gaat, maar de automatisch vastgestelde informatie is gemakkelijker te verwerken en de verkregen woordcombinaties zijn grammaticaal correcter. 14 De expert van dit project is de Litouwse taalkundige Giedrius Viliūnas, die ruime pedagogische, administratieve en managementervaring heeft op het gebied van onderwijs en wetenschap. 58 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais TERMSELECTIE Na toepassing van de in het vorige hoofdstuk beschreven methode, het programma en de daarin gebruikte regels werden ongeveer 11 duizend woordcombinaties vastgesteld, bestaande uit één tot vijftien woorden15. Geconfronteerd met deze grote hoeveelheid gegevens werden verschillende selectiecriteria toegepast. Het eerste criterium was de lengte van de termen: gezien de algemene trends in de termstructuur werd besloten termen van maximaal zeven woorden te analyseren. Het tweede criterium was de gebruiksfrequentie van de termen. Besloten werd om verder in detail de woordcombinaties van één woord te analyseren die minstens 20 keer in het onderwijs- en wetenschapscorpus voorkomen; de woordcombinaties van twee woorden die minstens 10 keer voorkomen; de woordcombinaties van drie woorden die minstens 8 keer voorkomen; de woordcombinaties van vier woorden die minstens 6 keer voorkomen; de woordcombinaties van vijf woorden die minstens 4 keer voorkomen; de woordcombinaties van zes woorden die minstens 3 keer voorkomen; en de woordcombinaties van zeven woorden die minstens 2 keer voorkomen. Bij de automatische telling van de frequentie waarmee woordcombinaties voorkomen, werd uitgegaan van de lemma’s, dat wil zeggen de woordenboekvormen. Na toepassing van deze selectiecriteria werden de vastgestelde termen nader onderzocht (hun structuur wordt in het volgende hoofdstuk uiteengezet). Na beoordeling door de expert van de aan de hand van de eerder genoemde criteria vastgestelde woordcombinaties werden de daadwerkelijke onderwijs- en wetenschapstermen geselecteerd. Hun verdeling naar lengte is weergegeven in tabel 1. Tabel 1. Verdeling van onderwijs- en wetenschapstermen naar lengte Aantal woorden waaruit de termen bestaan Aantal termen, aantal Aantal termen,% 1 155 19,87 2 474 60,77 3 125 16,03 4 22 2,82 5 4 0,51 Totaal 780 100,00 15 Hier worden enkele van de langste gevonden termen weergegeven: in de genoemde gevallen bepaalt de terugbetaling van de door de staat ondersteunde lening aan de leningnemer, bij besluit van de door de fondsdirecteur ingestelde commissie (15 woorden; de cijfers, dat wil zeggen het nummer van het punt, zijn hier weggelaten); op het adres van de woonplaats van de leningnemer, vermeld in de overeenkomst voor een door de staat ondersteunde lening die met de kredietinstelling is gesloten (13 woorden); de betalingsregeling voor de studiebijdragen van universiteitsstudenten voor het academiejaar wordt vastgesteld bij besluit van de rector (11 woorden). Het is duidelijk dat deze tekstfragmenten niet als mogelijke termen kunnen worden beschouwd. Terminologija | 2012 | 19 59 Uit de gegevens in de tabel blijkt dat ongeveer 97% van alle onderwijs- en wetenschapstermen bestaat uit termen van 1–3 woorden. In het GT zijn geen onderwijs- en wetenschapstermen van zes of zeven woorden aangetroffen; daarom zijn deze verder niet geanalyseerd. STRUCTUUR VAN ONDERWIJS- EN WETENSCHAPSTERMINOLOGIE In dit hoofdstuk wordt de structuur van de automatisch vastgestelde en door een expert geselecteerde onderwijs- en wetenschapstermen uitvoerig beschreven en worden hun grammaticale modellen gepresenteerd. De termen worden beschreven van de kortste, dat wil zeggen termen van één woord, tot de langste, dat wil zeggen termen van vijf woorden. 1. Eenwoordstermen. In totaal zijn 7635 eenwoordige GT vastgesteld; daarvan kwamen er 1311 meer dan 20 keer in het corpus voor. Alleen deze woorden zijn hierna nader geanalyseerd. Van de 1311 woorden kunnen er 155 als onderwijs- en wetenschapstermen worden beschouwd, dat wil zeggen ongeveer 20%. De meest voorkomende onderwijs- en wetenschapstermen in het corpus zijn: studentas (420816), universitetas (3959), studijos (1562), mokslas (1508), sritis (1403). 2. Twee-woordtermen. In een corpus van 4 miljoen woorden zijn 145 468 twee-woordige GT gevonden. Zoals eerder vermeld, zijn alleen twee-woordige GT met een frequentie van minstens 10 keer verder geanalyseerd; er zijn 4889 van zulke termen gevonden. Na beoordeling van de GT bleven er in de definitieve lijst van onderwijs- en wetenschapstermen slechts 474 twee-woordtermen over; zij vormen het grootste deel van alle geanalyseerde termen — meer dan twee derde (zie tabel 1). Twee-woordtermen kunnen op basis van hun grammaticale vorm in drie typen worden ingedeeld. 1) znw. + znw. type: er zijn 250 onderwijs- en wetenschapstermen, dat wil zeggen 52,7% van alle twee-woordtermen. De meest voorkomende onderwijs- en wetenschapstermen met deze structuur in het corpus zijn studijų programa (1432), studijų pakopa (306), studijų kryptis (303), mokslo darbuotojas (289), studijų kokybė (253). 2) bnw. + znw.-17combinaties vormen 200 onderwijs- en wetenschapstermen (42,2% van de twee-woordtermen). De meest voorkomende onderwijs- en wetenschapstermen zijn aukštoji mokykla (2160), moksliniai tyrimai (918), aukštasis mokslas (730), nuotolinis mokymas (453), profesinis mokymas (403). Combinaties van het type bnw. + znw. worden als GT beschouwd wanneer het bijvoeglijk naamwoord en het zelfstandig naamwoord overeenkomen in geslacht, getal en naamval. In het tegenovergestelde geval wor- 16 Tussen haakjes staat de frequentie van de betreffende term in het onderwijs- en wetenschapscorpus van 4 miljoen woorden. 17 Bij de modellen van twee-woordtermen worden geen naamvallen vermeld, omdat bijvoeglijke naamwoorden en deelwoorden met zelfstandige naamwoorden congrueren, terwijl zelfstandige naamwoorden doorgaans in de enkelvoudige nominatief staan. 60 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais ook grammaticaal onjuiste¹⁸ verbindingen, bijv. nauwere universiteiten, belangrijkste recht, belangrijkste leren, beste jaar, of de verbinding is correct, maar vaak onvolledig, en het betreft geen onderwijs- en wetenschapstermen, bijv. grootste ter wereld, dynamischste ter wereld, gunstig voor studenten. 3) bijwoord + zelfstandig naamwoord-verbindingen zijn er slechts 24 als onderwijs- en wetenschapstermen, d.w.z. 5%. De meest voorkomende onderwijs- en wetenschapstermen zijn: afstudeerwerk (162), keuzevak (109), volwasseneneducatie¹⁹ (65), feedback (63), toegepast onderzoek (45). 3. Driewoordige termen. In totaal zijn 119 881 driewoordige GT's vastgesteld. Er zijn 2438 verbindingen nader geanalyseerd, die ten minste 8 keer in het corpus voorkwamen. Er zijn 125 onderwijs- en wetenschapstermen gevonden, d.w.z. 16,03% van alle termen. De meest voorkomende onderwijs- en wetenschapstermen zijn: instelling voor hoger onderwijs (251), instelling voor beroepsonderwijs (205), door de staat gesubsidieerde lening (149), school voor algemeen onderwijs (147), instelling voor beroepsopleiding (77). Driewoordige onderwijs- en wetenschapstermen volgen zeven grammaticale patronen. Onder de driewoordige onderwijs- en wetenschapstermen komen verbindingen van het type bijv. onv. + zelfst. naamw. onv. + zelfst. naamw.²⁰ het vaakst voor (zij vormen 48% van alle driewoordige termen), bijv.: instelling voor hoger onderwijs (251), instelling voor beroepsonderwijs (205), school voor algemeen onderwijs (147). Op de tweede plaats qua frequentie onder de driewoordige onderwijs- en wetenschapstermen staan verbindingen van het type zelfst. naamw. onv. + zelfst. naamw. onv. + zelfst. naamw. (24,8%), bijv.: reglement voor studierichtingen (66), beschrijving van studierichtingen (60), staatsinstituut voor wetenschappelijk onderzoek (50). Het op twee na meest voorkomende structurele patroon van driewoordige onderwijs- en wetenschapstermen is bijv. verl. + bijv. verl. + zelfst. naamw. (12%), bijv.: nationaal complex programma (69), fundamenteel wetenschappelijk onderzoek (61), initiële beroepsopleiding (52). Vervolgens kunnen voor de overige structurele patronen van driewoordige onderwijs- en wetenschapstermen slechts enkele voorbeelden worden gegeven: zelfst. naamw. onv. + deelw. verl. + zelfst. naamw. (4%), bijv.: door de staat gesubsidieerde lening (149), door de staat erkende kwalificatie (33), door de staat gefinancierde student (21); zelfst. naamw. onv. + bijv. verl. + zelfst. naamw. (4%), bijv.: buitenlandse instelling voor hoger onderwijs (41), academische raad van een college (32), wetenschappelijk begeleider van een promovendus (20); deelw. verl. / verkort bijv. + zelfst. naamw. onv. + zelfst. naamw. (3,2%), bijv.: eindbeoordeling van kwalificaties (36), gratis studieplaats (13), onderzoek van toegepaste aard (13); bijv. verl. + ¹⁸ In dit werk worden verbindingen als grammaticaal correct beschouwd wanneer de afhankelijke woorden congrueren met het hoofdwoord en er duidelijke syntactische relaties bestaan tussen de bestanddelen van de woordgroep. ¹⁹ Onder de deelwoorden zijn ook zelfstandige naamwoorden gevormd uit deelwoorden opgenomen. ²⁰ De naamval van het laatste zelfstandig naamwoord wordt niet vermeld, omdat dit meestal de nominatief is. Terminologija | 2012 | 19 61 bijw. V. (of K. als het deelwoord gesubstantiveerd is) + zn. (2,4%), bijv.: competitievak (15), niet-formeel volwassenenonderwijs (13), wetenschappelijk onderzoekswerk (12); bijw. V. + deelw. V. + zn. (1,6%), bijv.: toegepaste wetenschappelijke activiteit (20), opdrachtgerichte wetenschappelijke onderzoeken (8). 4. Vierwoordtermen. In totaal werden 77 961 vierwoordige GT aangetroffen; verbindingen die meer dan 7 keer voorkwamen waren er 760. Daarvan identificeerde de deskundige 22 O&W-termen (2,82% van alle termen). De meest voorkomende verbindingen in deze termengroep zijn instelling voor wetenschap en studies (568), wetenschaps- en technologiepark (62), algemeen nationaal complex programma (40), beroepsopleiding voor de arbeidsmarkt (40). De vierwoordtermen die in het O&W-corpus voorkomen, behoren tot negen verschillende grammaticale modellen. Omdat vierwoordtermen weinig voorkomen, wordt elk model slechts door enkele of zelfs maar één voorbeeld geïllustreerd. Hieronder worden alle structurele modellen van vierwoordige O&W-termen naar frequentie gegroepeerd weergegeven, met telkens één voorbeeld ter illustratie van het model: bijv. V. + zn. K. + zn. K. + zn. (22,7% van alle vierwoordtermen): internationale wetenschappelijke databank (13); bijv. V. + bijv. K. + zn. K. + zn. (18,2%): gemeenschappelijk vak algemeen universitaire vorming (8); bijv. K. + zn. K. + deelw. V. + zn. (13,6%): leerling met speciale behoeften (8); zn. K. + voegw. + zn. K. + zn. (13,6%): instelling voor wetenschap en studies (568); bijv. K. + zn. K. + bijv. V. + zn. (9,1%): wetenschappelijk onderzoek op hoog niveau (18); bijw. V. + bijv. V. + zn. K. + zn. (9,1%): erkende internationale databank (11); bijv. V. + bijv. V. + bijv. V. + zn. (4,5%): algemeen nationaal complex programma (40); zn. K. + bijv. K. + zn. K. + zn. (4,5%): staatsinstelling voor wetenschappelijk onderzoek (31); zn. K. + zn. K. + zn. K. + zn. (4,5%): studiegebied van de technologische wetenschappen (28); 5. Vijfwoordtermen. Er werden 49 768 vijfwoordige GT vastgesteld; er werden 601 verbindingen gevonden die meer dan 5 keer voorkwamen, waarvan 4 O&W-termen, d.w.z. 0,51% van alle termen. Op basis van zo'n klein aantal termen is het moeilijk generalisaties te maken over hun structuur; daarom zijn de termen niet structureel ingedeeld. Alle vijfwoordtermen die in het O&W-corpus voorkomen zijn: wetenschappelijk onderzoek en experimentele ontwikkeling (124), wetenschappelijk onderzoek en technologische ontwikkeling (67), wetenschappelijk onderzoek en ontwikkeling van technologieën (13), centrum voor wetenschappelijk onderzoek op hoog niveau (7). 62 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais 6. Termen bestaande uit zes en zeven woorden. Zoals reeds vermeld, werden er onder de GT-termen van zes en zeven woorden geen enkele ŠM-term aangetroffen, hoewel er in totaal 30 298 GT-termen van zes woorden werden vastgesteld (waarvan 750 woordcombinaties meer dan 3 keer voorkwamen) en 17 815 GT-termen van zeven woorden (waarvan 2608 woordcombinaties meer dan 2 keer voorkwamen). VERGELIJKING VAN ONDERWIJS- EN WETENSCHAPSTERMINEN MET DE TERMINEN IN DE TERMINOLOGIEBANK VAN DE REPUBLIEK LITOUWEN De termen die in het ŠM-tekstcorpus zijn gebruikt, kunnen worden vergeleken met de goedgekeurde onderwijs- en wetenschapstermen in de Terminologiebank van de Republiek Litouwen21; het zijn er 74. De structuur van deze termen is zeer gevarieerd: van termen van één woord tot combinaties van 18 woorden. Van zeer lange termen, bestaande uit 15 en 18 woorden, werd er telkens slechts één aangetroffen. De langste opgenomen term is – het programma voor informeel voortgezet beroepsonderwijs voor landbouwers, boseigenaren, leden van lokale actiegroepen, andere plattelandsbewoners en hun adviseurs. Het is discutabel of de naam van een programma als een term moet worden beschouwd. Een vergelijking van de structuur van onderwijs- en wetenschapstermen in het ŠM-tekstcorpus en de Terminologiebank laat zien dat in beide bronnen termen van één tot drie woorden het vaakst voorkomen. De termen van één tot drie woorden in de Terminologiebank vormen 86,5%, terwijl termen van dezelfde lengte in het ŠM-tekstcorpus 97% uitmaken (zie tabel 1). In de Terminologiebank zijn er iets meer termen van vier woorden dan in het hier gepresenteerde corpus; termen van vijf woorden komen niet voor. Van de termen bestaande uit 6, 7, 8 en 9 woorden bevat de Terminologiebank er slechts één of twee van elk; termen van 10 woorden ontbreken, maar de eerder genoemde termen van 15 en 18 woorden zijn wel opgenomen (zie tabel 2). De indeling van enkele in de Terminologiebank opgenomen termen bij onderwijs en wetenschap is twijfelachtig, bijvoorbeeld Litouwer, wereldgemeenschap van Litouwers, remigratie, nationaliteit. Uit de verkregen termenlijst blijkt dat het domein onderwijs en wetenschap niet volledig is gedekt. Zo is tractorchauffeur opgenomen als term voor beroepsopleiding, maar ontbreken maaidorserbestuurder, kok, timmerman en dergelijke; vooral termen die het wetenschapsbeleid weerspiegelen ontbreken. De termen die in het onderzoek dat in dit artikel wordt besproken zijn vastgesteld, zouden dus de leemte in de terminologie van onderwijs en wetenschap op zijn minst enigszins moeten opvullen. 21 De lijst van goedgekeurde termen op het gebied van onderwijs en wetenschap werd in 2010 verkregen van de Staatscommissie voor de Litouwse taal. Bij de vergelijking van de corpusgegevens met die van de Terminologiebank wordt juist deze lijst gebruikt. Terminologija | 2012 | 19 63 Tabel 2. Verdeling naar lengte van de onderwijs- en wetenschapstermen in de Terminologiebank van de Republiek Litouwen Aantal woorden waaruit de termen bestaan Aantal termen, aantal Aantal termen,% 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 Totaal 74 100 PROBLEMEN BIJ AUTOMATISCHE TERMBEPALING Bij het vaststellen van termen met verschillende methoden doen zich twee hoofdproblemen voor: 1) welke vormen grammaticaal correcte termen zijn; dit is vooral van belang bij het bepalen van de lemma- of citationele vorm; 2) hoe algemene woordgroepen en algemene termen kunnen worden onderscheiden van termen uit het geanalyseerde domein. Wetenschappers in andere landen stuiten op vergelijkbare problemen (vgl. Cabré Castellví et al 2001). Het tweede probleem kan meestal alleen handmatig worden opgelost, dat wil zeggen: een deskundige op het betreffende gebied moet de GT doorlopen en vaststellen welke termen tot het geanalyseerde domein behoren. Ook kunnen bepaalde filters worden toegepast: er kan een lijst met uit te sluiten woorden worden samengesteld (in het Engels stop list) en gebruikt om woorden uit te sluiten die niet als termen uit het geanalyseerde domein kunnen fungeren. Een dergelijke filtering is ook in dit onderzoek toegepast. Enkele voorbeelden: woorden of woordcombinaties waarvan het laatste woord een zelfstandig naamwoord is dat tijd aanduidt, zijn niet als O&W-termen beschouwd. 64 Erika Rimkutė | Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais bijvoorbeeld: jaar, maand, dag, week, ochtend, avond, januari, februari, maandag, dinsdag enzovoort. Woorden die een maateenheid aanduiden, worden niet als termen beschouwd, bijvoorbeeld: millimeter, meter, centimeter, kilometer, mijl, gram, kilogram, ton. Woordcombinaties met voor algemene administratieve termen kenmerkende woordgroepen kunnen worden uitgesloten, bijvoorbeeld: artikel van een wet, in een artikelonderdeel van een wet, zoals bepaald bij wet (volgens de procedure), goedgekeurd bij een punt van een besluit, volgens de bij wet vastgestelde procedure, de regering van de republiek, de staat van de republiek, een punt van de bepalingen, een punt van de besluiten, een ministerieel besluit, volgens de door de minister vastgestelde procedure, goedgekeurd door de minister, ingesteld door de minister. Om O&W-termen zo nauwkeurig mogelijk automatisch van algemene termen te onderscheiden, zijn twee vergelijkingscorpora samengesteld, elk even groot als het O&W-corpus, dat wil zeggen 4 miljoen woorden. Het eerste vergelijkingscorpus bestaat uit teksten van uiteenlopende genres en stijlen; de samenstelling ervan lijkt op die van het Corpus hedendaags Litouws (met journalistieke, literaire, administratieve en wetenschappelijke teksten). Het tweede vergelijkingscorpus bestaat uit administratieve teksten die niet tot het O&W-domein behoren. De hypothese was dat hoe algemener een term is, des te vaker deze in het algemene en/of administratieve corpus voorkomt, terwijl specifiekere termen daar juist minder vaak voorkomen. Deze hypothese werd gedeeltelijk bevestigd: termen die kenmerkend zijn voor het O&W-domein, zoals mobiliteit, competentie, uitval, leerdoel, werden niet aangetroffen in de vergelijkingscorpora, terwijl termen als student, universiteit, leerboek vaak voorkomen in zowel het O&W-corpus als de vergelijkingscorpora. Dit onderzoek moet worden voortgezet om betrouwbare gegevens te kunnen presenteren over de mate waarin het vergelijken van meerdere corpora kan helpen om algemene termen ten minste gedeeltelijk automatisch te onderscheiden van termen uit het geanalyseerde domein. Hierna wordt het eerste probleem nader besproken, namelijk hoe de correcte lemma’s van termen (vooral meerwoordtermen) automatisch kunnen worden vastgesteld en hoe woorden en woordcombinaties die in het corpus in verschillende verbuigings- en vervoegingsvormen voorkomen, tot één lemma kunnen worden herleid. Uit het onderzoek bleek dat het niet altijd eenvoudig is de lemma- of citationele vorm van een term vast te stellen. Bij automatische lemmatisering levert bijvoorbeeld de woordcombinatie aukštoji mokykla het resultaat aukštas mokykla. Deze vorm wordt aangegeven omdat de morfologische annotator bijvoeglijke naamwoorden als lemma de onverbogen mannelijke vorm in het enkelvoud en de nominatief geeft (voor meer informatie over de bijzonderheden van de annotator, zie Zinkevičius 2000). De lemma’s van meerwoordtermen Terminologija | 2012 | 19 65 Een syntactisch analyseprogramma zou de vaststelling zeer vergemakkelijken. Helaas is er vooralsnog geen daadwerkelijk werkend syntactisch analyseprogramma22. Dat betekent dat voor het bepalen van lemma’s bepaalde aanvullende regels nodig zijn: in dit geval moet worden aangegeven dat als een lemma uit een zelfstandig naamwoord bestaat, het bijvoeglijk naamwoord of deelwoord met het geslacht van dat zelfstandig naamwoord moet overeenkomen; als het bijvoeglijk naamwoord of deelwoord een bepaalde vorm heeft, moet die categorie ook in het lemma behouden blijven. Er rijzen veel vragen over de getalscategorie. Zo moet het eerste bestanddeel van de term studentų atstovybė in het meervoud staan; in de termen akademiniai įgūdžiai, auditorinės darbo valandos moeten alle bestanddelen in het meervoud staan, terwijl in de termen fakulteto taryba, universiteto autonomija, bendrasis priėmimas, mokslinis leidinys beide bestanddelen in het enkelvoud staan. Voor een mens is het natuurlijk eenvoudig te bepalen waar de meervouds- en waar de enkelvoudsvorm nodig is, maar dat automatisch doen is zeer ingewikkeld. In het corpus blijkt overigens dat sommige woorden bijna altijd alleen in het meervoud worden gebruikt (bijv.: asignavimai, duomenys, studijos, rūmai, žinios, pinigai, pareigos). Het is ook moeilijk de juiste getalsvorm vast te stellen doordat sommige woorden homoniemen zijn, bijvoorbeeld studija (wetenschappelijk werk) en studijos (studeren). Om die reden zijn de lemma’s van de volgende termen automatisch onjuist vastgesteld: bakalauro studija, rezidentūros studija, magistro studija, dieninės studija, nuotolinės studija. Zoals vermeld worden sommige zelfstandige naamwoorden doorgaans alleen in het meervoud gebruikt, hoewel het woordenboek de enkelvoudsvorm als lemma vermeldt. Deze discrepantie tussen woordenboekinformatie en daadwerkelijk gebruik leidde tot onjuist vastgestelde lemma’s van de termen mokinio pasiekimas, švietimo resursas, praktinis gebėjimas, fizinis mokslas, akademinis užsiėmimas (dit zouden moeten zijn: mokinio pasiekimai, švietimo resursai, praktiniai gebėjimai, fiziniai mokslai, akademiniai užsiėmimai). Een ander probleem betreft substantiva mobilia, zelfstandige naamwoorden zoals abiturientas – abiturientė, abonentas – abonentė. Omdat in het corpus zowel mannelijke als vrouwelijke vormen voorkwamen, werden automatisch lemma’s van beide geslachten opgegeven. Om als term op het gebied van onderwijs en wetenschap alleen het mannelijke lemma te behouden, moest een regel worden toegepast op grond waarvan zelfstandige naamwoorden van het type substantiva mobilia, zowel mannelijk als vrouwelijk, werden teruggebracht tot het mannelijke lemma. 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 Bij het automatisch bepalen van lemma’s wordt soms een onjuiste woordvolgorde opgegeven. Zo werden de volgende lemma’s vermeld: tipų studija (dit moet zijn: studijų tipas), lygmens kvalifikacija (dit moet zijn: kvalifikacijų lygmuo). Doordat bij het bepalen van lemma’s geen syntactische analyse is toegepast, komen bepalingen niet altijd overeen met het bepaalde woord, bijvoorbeeld tarptautinis (= tarptautinio) lygio mokslas, of ontstaan er andere syntactische fouten, bijvoorbeeld: paskolų gyvenimo išlaidos (= paskola gyvenimo išlaidoms). Ook het vaststellen van de termgrenzen levert problemen op. Is bijvoorbeeld dėstytojų ir mokslininkų kvalifikacijos bei kompetencijos atitiktis één term, of moeten hier verschillende termen worden onderscheiden: 1) overeenstemming van de kwalificaties en competenties van docenten, 2) overeenstemming van de kwalificaties en competenties van wetenschappers, 3) overeenstemming van de kwalificaties van docenten en wetenschappers, 4) overeenstemming van de competenties van docenten en wetenschappers, 5) kwalificatie van docenten, 6) kwalificatie van wetenschappers, 7) competentie van docenten, 8) competentie van leraren, 9) overeenstemming van kwalificaties, 10) overeenstemming van de competentie. Bij het bepalen van lemma’s en het herkennen van termen in het algemeen ontstaan ook moeilijkheden door de specifieke kenmerken van de morfologische annotator, die uit verschillende mogelijke woordsoorten of grammaticale vormen de verkeerde kiest. Als een bijvoeglijk naamwoord bijvoorbeeld met het aangrenzende zelfstandig naamwoord overeenkomt in geslacht, naamval en getal, is de kans groot dat deze woordgroep grammaticaal correct is. Woordgroepen bestaande uit twee zelfstandige naamwoorden, waarvan het eerste lid niet in de genitief staat, zijn niet altijd grammaticaal correct. Ze moeten zorgvuldiger worden gecontroleerd en dat kost dus meer tijd. Of een woordgroep tot de GT behoort en of deze grammaticaal correct is, hangt dus af van de aangegeven woordsoort. Enkele voorbeelden ter illustratie van dit type fout: metinėms (kan een bijvoeglijk naamwoord of zelfstandig naamwoord zijn; de morfologische annotator koos het zelfstandig naamwoord) ataskaitoms; keliais (kan een voornaamwoord of zelfstandig naamwoord zijn; het zelfstandig naamwoord werd gekozen) procentais; bendrais (kan een bijvoeglijk naamwoord of zelfstandig naamwoord zijn; het zelfstandig naamwoord werd gekozen) teiginiais; uždarus (kan een bijvoeglijk naamwoord of zelfstandig naamwoord zijn; het zelfstandig naamwoord werd gekozen) posėdžius. Door de onjuist aangegeven woordsoort en doordat de woorden syntactisch niet worden geanalyseerd, lijkt de woordgroep žemiausias balas die in het morfologisch geannoteerde corpus is gevonden, op het eerste gezicht grammaticaal incorrect, omdat Terminologija | 2012 | 19 67 voor het eerste woord de volgende tags zijn aangegeven: bijvoeglijk naamwoord, overtreffende trap, onbepaald, mannelijk, enkelvoud, nominatief; voor het tweede: zelfstandig naamwoord, vrouwelijk, meervoud, genitief, en als lemma is bala aangegeven. Hieruit blijkt dus dat het lemma van het zelfstandig naamwoord onjuist is bepaald: het moet balas zijn. De eerder genoemde woordgroep is dus grammaticaal correct. In dit hoofdstuk zijn de moeilijkheden besproken die het vaakst optreden bij het automatisch bepalen van termen op het gebied van onderwijs en wetenschap. Deze problemen en manieren om ze op te lossen zullen in andere publicaties worden behandeld. CONCLUSIES Het programma en de methodologie voor het automatisch bepalen van termen moeten verder worden verbeterd. Toch zijn de eerste resultaten vrij positief te beoordelen. Zoals de gegeven voorbeelden laten zien, brengt automatische analyse niet alleen specifieke, technische problemen aan het licht, maar ook problemen waarmee terminologen te maken krijgen, zoals de keuze van de getalscategorie. Na verbetering van de morfologische annotator en toepassing van een programma voor automatische syntactische analyse zouden termen eenvoudiger en betrouwbaarder automatisch kunnen worden bepaald. Ondanks de moeilijkheden die zich voordoen, versnelt een programma dat termen automatisch bepaalt het proces van GT-bepaling aanzienlijk. Een ander belangrijk voordeel van het automatische proces voor termbepaling is de objectiviteit van de data-analyse. Vastgesteld is dat 97% van de automatisch geselecteerde en gecontroleerde onderwijs- en wetenschapstermen 1–3 woorden lang is. Tweeledige termen komen het vaakst voor: zij vormen bijna 61% van alle termen. De meest voorkomende structurele modellen van onderwijs- en wetenschapstermen zijn zelfstandig naamwoord in de nominatief + zelfstandig naamwoord, bijvoeglijk naamwoord + zelfstandig naamwoord, bijvoeglijk naamwoord in de nominatief + zelfstandig naamwoord in de nominatief + zelfstandig naamwoord, zelfstandig naamwoord in de nominatief + zelfstandig naamwoord in de nominatief + zelfstandig naamwoord (de laatste zelfstandige naamwoorden kunnen in verschillende naamvallen staan). 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