Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

Automatyczne ustalanie terminów z zakresu edukacji i nauki metodami lingwistycznymi ERIKA RIMKUTĖ Uniwersytet Witolda Wielkiego SŁOWA KLUCZOWE: korpus, terminy z zakresu edukacji i nauki, metody lingwistyczne, forma hasłowa, forma gramatyczna WSTĘP Lingwistyka korpusowa i lingwistyka komputerowa na Litwie mają już za sobą drugą dekadę – początki tych dziedzin nauki można wiązać z http://tekstynas.vdu.lt)utworzeniem Centrum Lingwistyki Komputerowej Uniwersytetu Witolda Wielkiego w 1994 r. Opracowano kilka korpusów oraz programów do automatycznej analizy i syntezy języka1. Mimo to zasady lingwistyki korpusowej są nadal w niewielkim stopniu stosowane w terminologii i terminografii. W artykule z 2010 r. Możliwości automatycznego ustalania terminów języka litewskiego (Rimkutė 2010) omówiono, w jakim stopniu korpusy są wykorzystywane przy opracowywaniu różnych prac terminologicznych na Litwie. Terminy języka litewskiego można znaleźć w kilku międzynarodowych bazach danych i bankach terminów; opracowano także liczne elektroniczne słowniki terminologiczne i bazy danych2, jednak wszystkie litewskie elektroniczne słowniki terminologiczne są zasadniczo oparte na słownikach terminów. Wiele litewskich słowników opracowano na podstawie dość niewielkich zbiorów tekstów i intuicji językowej, można więc stwierdzić, że na Litwie nadal dominuje preskryptywny sposób pozyskiwania i opisywania terminów. W artykule przedstawiono wyniki projektu3 poświęconego ustalaniu i opisywaniu terminów z zakresu edukacji i nauki, dotyczące automatycznego ustalania ter- 1 Szczegółowy wykaz zasobów lituanistycznych opracowanych do 2011 r. można znaleźć pod adresem http://sruoga.vdu.lt/lituanistiniai-skaitmeniniai-istekliai/lituanistiniu-istekliu-sarasas. 2 Odsyłacze podano we wspomnianym artykule. 3 Jest to projekt finansowany przez Litewską Radę Nauki Automatyczna identyfikacja terminów z zakresu edukacji i nauki (ŠIMTAI 2) (nr umowy LIT-2-44). Najważniejsze cele projektu to: 1) opracowanie i przetestowanie metodologii automatycznego rozpoznawania terminów w korpusie tekstów w języku litewskim jako nowego narzędzia zarządzania terminologią, 2) utworzenie specjalistycznego korpusu tekstów z zakresu edukacji i nauki, 3) opracowanie na podstawie korpusu specjalistycznego objaśniającego słownika terminów z zakresu edukacji i nauki oraz ontologii tej dziedziny. 54 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais ustaleniem i ich opisem. Pomysł projektu poświęconego automatycznemu wyodrębnianiu terminów powstał po zauważeniu, że istniejące źródła normatywne4 są dość niekompletne, koncentrują się na najbardziej ogólnych terminach polityki oświatowej i niemal wcale nie obejmują dziedziny polityki naukowej; nie nadążają za przedstawianiem nowych terminów wynikających z praktyki, a osoby zajmujące się normalizacją terminologii nie nadążają z ich ujednolicaniem. Tradycyjna normalizacja jest jednak dość subiektywna, dlatego użycie terminów i normy należy uzasadniać metodami lingwistyki korpusowej. W niniejszym artykule omówiony zostanie zatem wciąż dość nowy na Litwie sposób selekcji i analizy terminów, który mógłby znacznie ułatwić pracę terminologów i zapewnić większy obiektywizm. AUTOMATYCZNE WYODRĘBNIANIE TERMINÓW Aby automatycznie wyodrębnić i zdefiniować terminy z określonej dziedziny, wybrano jedną dziedzinę — naukę i oświatę. Zgromadzono korpus tekstów z zakresu oświaty i nauki (dalej: ON) o objętości 4 mln słów, którego budowę ukierunkowano na dwa główne tematy: 1) badania naukowe oraz 2) kształcenie. W dziedzinie badań naukowych najwięcej uwagi poświęcono polityce badań naukowych i polityce szkolnictwa wyższego. Z dziedziny kształcenia uwzględniono kształcenie pośrednie, a największą uwagę poświęcono szkolnictwu wyższemu oraz kształceniu ustawicznemu. Jako dodatkową dziedzinę włączono również kształcenie zawodowe. Przy tworzeniu korpusu dążono do objęcia tekstów różnych gatunków i typów, np.: ustaw, innych dokumentów politycznych najwyższych organów władzy (uchwał, oświadczeń Sejmu Republiki Litewskiej, Rządu Republiki Litewskiej i Prezydenta Republiki Litewskiej, orzeczeń Sądu Konstytucyjnego itd.); dokumentów strategicznych; aktów wykonawczych do ustaw; dokumentów instytucji i projektów wdrażających politykę naukową i oświatową; dokumentów instytucji naukowych i szkolnictwa wyższego; publikacji informacyjnych, badań i ocen stanu danej dziedziny oraz studiów wykonalności; komunikatów prasowych i materiałów z dyskusji. Dysponując reprezentatywnym, dobrze zrównoważonym korpusem badanej dziedziny5, można automatycznie wyodrębniać terminy. W tym celu najczęściej stosuje się 4 Można wymienić Bank Terminów Republiki Litewskiej, Encyklopedyczny słownik terminów pedagogicznych L. Jovaišy (2007), tezaurus TESE [dostęp: 2012-05-20], dostępny w Internecie: http://eacea.ec.europa.eu/education/eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf. 5 Reprezentatywność i wielkość korpusów należą do najtrudniejszych zagadnień lingwistyki korpusowej. Można sądzić, że korpus ON dość dobrze reprezentuje wybraną dziedzinę. Więcej wątpliwości budzi jego wielkość; na przykład angielsko-włoski korpus tekstów prawnych Bononia Legal Corpus (BOLC) liczy około 18 mln słów (Rossini Favretti et al. 2001). Terminologija | 2012 | 19 55 stosuje się trzy rodzaje metod: statystyczne, lingwistyczne oraz hybrydowe modele łączące metody statystyczne i lingwistyczne. Przeprowadzono kilka eksperymentów, których celem było ustalenie najodpowiedniejszych metod wyodrębniania terminów. Wypróbowano następujące metody statystyczne: 1) funkcję programu WordSmith Tools Keyword Clusters; 2) metodę uczenia maszynowego KEA; 3) metodę ekstrakcji kolokacji z wykorzystaniem narzędzia LICE (więcej zob. Grigon worth et al. 2011). Na podstawie tych badań stwierdzono, że w przypadku języka litewskiego najodpowiedniejsze są metody lingwistyczne. Poniżej krótko objaśniono specyfikę tych metod. Główną zaletą statystycznych systemów wyodrębniania terminów jest to, że nie wymagają dużych baz danych zawierających przykłady terminów wskazane przez ludzi. Ponadto są niezależne od języka. Podstawowa zasada działania systemów statystycznych opiera się na założeniu, że słowa często występujące razem są ze sobą powiązane i należy je traktować jako potencjalne terminy. Metody lingwistyczne opierają się najczęściej na oznaczeniach morfologicznych i szyku wyrazów. Aby można było zastosować metody lingwistyczne, potrzebne są korpusy z anotacją morfologiczną. Przy użyciu lingwistycznych metod wyodrębniania terminów najczęściej ustala się, jakie formy gramatyczne mogą przyjmować terminy. Ustalając formy gramatyczne, należy uwzględnić właściwości poszczególnych języków. Na przykład w językach analitycznych istotne jest określenie części mowy terminów. Część mowy jest również bardzo ważna w przypadku terminów litewskich, ale trzeba wiedzieć, które inne informacje o kategoriach gramatycznych są niezbędne do automatycznego wyodrębniania terminów. Zauważono, że w języku litewskim istotne są również kategorie liczby i przypadka, natomiast kategoria rodzaju nie ma szczególnego znaczenia przy automatycznym wyodrębnianiu terminów6. 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. W dalszej części artykułu przedstawione zostaną próby automatycznego wyodrębniania terminów litewskich przy użyciu metod lingwistycznych. Warto zwrócić uwagę, 6 Rodzaj staje się istotny w przypadkach występowania synkretyzmu przypadków, np. mokslo darbuotojų: program do automatycznej analizy morfologicznej rozpoznaje formę darbuotojų zarówno jako dopełniacz liczby mnogiej rzeczownika rodzaju męskiego, jak i żeńskiego, dlatego jako formę hasłową podaje zarówno mokslo darbuotojas, jak i mokslo darbuotoja. Jako termin należy podać formę rodzaju męskiego, tj. mokslo darbuotojas. 56 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais należy zwrócić uwagę, że do ustalania potencjalnych terminów (dalej GT)7 wykorzystano program opracowany w Centrum Lingwistyki Komputerowej VDU. W programie tym zastosowano reguły lingwistyczne określające, jakie połączenia części mowy lub formy wyrazów należy analizować. Jak wspomniano, stosowanie metod lingwistycznych wymaga tekstów anotowanych morfologicznie, dlatego najpierw zgromadzony korpus tekstów z zakresu edukacji i nauki został anotowany morfologicznie przy użyciu analizatora morfologicznego opracowanego w Centrum Lingwistyki Komputerowej VDU8. Poniżej przedstawiono przykład tekstu automatycznie anotowanego morfologicznie: <słowo=”PROJEKTŲ” lemma=”projektas” type=”dktv vyr.gim dgsk K”>9 <spacja> <słowo=”FINANSAVIMO” lemma=”finansavimas” type=”dktv vyr.gim vnsk K”> <spacja> <słowo=”SĄLYGŲ” lemma=”sąlyga” type=”dktv mot.gim dgsk K”> <spacja> <słowo=”APRAŠAS” lemma=”aprašas” type=”dktv vyr.gim vnsk V”> <p> <słowo=”I” lemma=”I” type=”rom skaič”> <sep=”.”> <spacja> <słowo=”BENDROSIOS” lemma=”bendras” type=”bdvr teig nelygin.l įvardž mot.gim vnsk K”> <spacja> <słowo=”NUOSTATOS” lemma=”nuostata” type=”dktv mot.gim vnsk K”>10 <p> <liczba=”1”> <sep=””> <spacja> <liczba=”2007”> <sep=”–”> 7 Programy automatycznie ustalające terminy, wykorzystujące różne metody, najczęściej rozpoznają terminy potencjalne, kandydatów na terminy (zob. Zeller 2005), choć wśród automatycznie wyodrębnionych słów lub połączeń często pojawiają się zupełnie pozbawione sensu zbitki wyrazów lub znaczące nieterminologiczne połączenia wyrazowe, np. kolokacje. Spośród tych słów i połączeń właściwe terminy zazwyczaj ustala ekspert z danej dziedziny. 8 Więcej szczegółów zob. http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use. 9 Word oznacza konkretną formę wyrazu używaną w tekście, lemma – formę hasłową (lemat), type – szczegółową informację morfologiczną. 10 Należy zwrócić uwagę, że anotacja morfologiczna jest wykonywana automatycznie, dlatego zdarzają się błędy, np. w tym przykładzie z powodu synkretyzmu przypadków wskazano niewłaściwą formę: zamiast mianownika liczby mnogiej rodzaju żeńskiego wskazano dopełniacz liczby pojedynczej rodzaju żeńskiego. Więcej o nieścisłościach wynikających ze specyfiki analizatora morfologicznego zob. rozdział Problemy automatycznego ustalania terminów. Terminologija | 2012 | 19 57 <number=”2013”> <space> <słowo=”m” lemma=”m” typ=”sntrmp” <sep=”.”> <space> Zasadę działania programów automatycznie ustalających GT można krótko i prosto opisać następująco: analizowany jest tekst oznaczony morfologicznie, wyszukiwane są powiązane łańcuchy wyrazów. Pierwszym kryterium jest wyodrębnianie nieprzerwanych połączeń wyrazowych na podstawie oznaczonych granic tekstu i zdań. Część granic tekstu oznaczono jako znaki interpunkcyjne, inne mogą być oznaczone jako znaczniki HTML, np. znacznik akapitu <p>, znacznik odstępu między wyrazami <space> itp. Następnie należy opracować określone reguły lingwistyczne, które zostaną zastosowane w programie. Przy ustalaniu terminów z zakresu edukacji i nauki opracowano i zastosowano następujące podstawowe reguły11: 1. Analizowane są wyłącznie te połączenia, które zawierają co najmniej jeden rzeczownik. Jeśli GT jest dwuwyrazowy lub dłuższy, pozostałymi częściami mowy w takim połączeniu mogą być przymiotniki i imiesłowy. 2. Analizowane są wyłącznie te połączenia, których ostatnim wyrazem musi być rzeczownik12. 3. W dwuwyrazowych GT nie analizuje się rzeczowników własnych, ponieważ najczęściej wchodzą one w skład nazw osób, firm, instytucji itp., których nie uznaje się za terminy dziedzinowe (przy ustalaniu dłuższych terminów rzeczowniki własne włącza się również do list terminów GT). 4. Z połączeń usunięto liczby zapisane cyframi. 5. Nie analizowano tych słów ani połączeń, które zawierają co najmniej jedno słowo nierozpoznane przez anotator morfologiczny. Są to najczęściej wtręty w językach obcych, słowa zapisane z błędami oraz skrócone formy wyrazów13. Po zastosowaniu takich reguł ustalono GT, spośród których ekspert14 wybrał terminy z zakresu edukacji i nauki. Terminy te przeanalizowano dokładniej, a ich strukturę opisano w rozdziale Struktura terminów z zakresu edukacji i nauki. 11 Reguły są uniwersalne i zasadniczo nadają się do automatycznego ustalania terminów z dowolnej dziedziny. 12 Możliwa jest również inna struktura terminów, np. rzeczownik z bezokolicznikiem poprzedzonym przedrostkiem, rzeczownik z konstrukcją przyimkową. Terminów tego typu jest niewiele, dlatego ich nie analizowano. Kontynuując badania w przyszłości, należałoby przeanalizować także struktury terminów nieuwzględnione w niniejszym artykule. 13 Zastosowanie pewnych ograniczeń przy selekcji GT może prowadzić do utraty cennych informacji. W niniejszym badaniu nie obliczono, ile rzeczywistych terminów pozostało nierozpoznanych. Korzystając z programów do automatycznego rozpoznawania terminów, trzeba zaakceptować, że część informacji zostanie utracona, ale informacje ustalone automatycznie będą łatwiejsze do przetworzenia, a uzyskane połączenia będą poprawniejsze gramatycznie. 14 Ekspertem w tym projekcie jest lituanista Giedrius Viliūnas, mający duże doświadczenie pedagogiczne, administracyjne i menedżerskie w dziedzinie edukacji i nauki. 58 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais SELEKCJA TERMINÓW Po zastosowaniu metody opisanej w poprzednim rozdziale, programu oraz użytych w nim reguł ustalono około 11 tys. GT, składających się od jednego do piętnastu słów15. Wobec tak dużej ilości danych zastosowano kilka kryteriów selekcji. Pierwszym była długość terminów: uwzględniając ogólne tendencje dotyczące struktury terminów, zdecydowano analizować terminy nie dłuższe niż siedmiowyrazowe. Drugim kryterium była częstotliwość występowania terminów. Wybrano do dalszej, dokładniejszej analizy jednowyrazowe GT, które wystąpiły w korpusie tekstów z zakresu edukacji i nauki co najmniej 20 razy; dwuwyrazowe GT, które wystąpiły co najmniej 10 razy; trzywyrazowe GT, które wystąpiły co najmniej 8 razy; czterowyrazowe GT, które wystąpiły co najmniej 6 razy; pięciowyrazowe GT, których częstotliwość wyniosła co najmniej 4; sześciowyrazowe GT, które wystąpiły co najmniej 3 razy, oraz siedmiowyrazowe GT, których częstotliwość wyniosła co najmniej 2. Przy automatycznym obliczaniu częstotliwości występowania GT opierano się na formach hasłowych (słownikowych) wyrazów, tj. lematach. Po zastosowaniu tych kryteriów selekcji ustalone terminy poddano dokładniejszej analizie (ich strukturę przedstawiono w kolejnym rozdziale). Po przejrzeniu przez eksperta GT ustalonych według wcześniej wymienionych kryteriów wybrano właściwe terminy z zakresu edukacji i nauki. Ich rozkład według długości przedstawiono w tabeli 1. Tabela 1. Rozkład terminów z zakresu edukacji i nauki według długości Liczba słów tworzących termin Liczba terminów Liczba terminów,% 1 155 19,87 2 474 60,77 3 125 16,03 4 22 2,82 5 4 0,51 Łącznie 780 100,00 15 Oto kilka najdłuższych znalezionych terminów: w przypadkach wskazanych w punkcie zwrot pożyczki wspieranej przez państwo pożyczkobiorcy na podstawie decyzji komisji powołanej przez dyrektora funduszu (15 słów; pominięto tu liczby, tj. numer punktu); na adres miejsca zamieszkania pożyczkobiorcy wskazany w umowie pożyczki wspieranej przez państwo zawartej przez instytucję kredytową (13 słów); tryb wnoszenia opłat za studia przez studentów uniwersytetu na dany rok akademicki ustala się zarządzeniem rektora (11 słów). Wyraźnie widać, że tych fragmentów tekstu nie można uznać za potencjalne terminy. Terminologija | 2012 | 19 59 Z danych w tabeli wynika, że około 97% wszystkich terminów edukacji i nauki (EN) stanowią terminy składające się z 1–3 wyrazów. Wśród sześcio- i siedmiowyrazowych terminów edukacji i nauki nie znaleziono GT, dlatego nie poddano ich dalszej analizie. STRUKTURA TERMINÓW EDUKACJI I NAUKI W tym rozdziale szczegółowo opisano strukturę terminów edukacji i nauki (EN), wyodrębnionych automatycznie i wybranych przez eksperta, oraz przedstawiono ich modele gramatyczne. Terminy opisano od najkrótszych, czyli jednowyrazowych, do najdłuższych, czyli pięciowyrazowych. 1. Terminy jednowyrazowe. Łącznie zidentyfikowano 7635 jednowyrazowych GT, z których 1311 wystąpiło w korpusie tekstów ponad 20 razy. W dalszej analizie szczegółowej uwzględniono tylko te wyrazy. Spośród 1311 wyrazów 155 można uznać za terminy EN, czyli około 20%. Najczęściej występującymi w korpusie tekstów terminami EN są: studentas (420816), universitetas (3959), studijos (1562), mokslas (1508), sritis (1403). 2. Terminy dwuwyrazowe. W korpusie tekstów liczącym 4 mln wyrazów znaleziono 145 468 dwuwyrazowych GT. Jak wspomniano wcześniej, dalej analizowano tylko te dwuwyrazowe GT, których częstotliwość wynosiła co najmniej 10 wystąpień — znaleziono 4889 takich terminów. Po przejrzeniu GT na ostatecznej liście terminów EN pozostały tylko 474 terminy dwuwyrazowe, które stanowią większość wszystkich analizowanych terminów — ponad dwie trzecie (zob. tabela 1). Terminy dwuwyrazowe można podzielić na trzy typy ze względu na ich formy gramatyczne. 1) rzeczownik w mianowniku + rzeczownik — terminów EN tego typu jest 250, tj. 52,7% wszystkich terminów dwuwyrazowych. Najczęściej występującymi w korpusie tekstów terminami EN o tej strukturze są studijų programa (1432), studijų pakopa (306), studijų kryptis (303), mokslo darbuotojas (289), studijų kokybė (253). 2) przymiotnik + rzeczownik.17 Związki tego typu stanowią 200 terminów EN (42,2% terminów dwuwyrazowych). Najczęstsze terminy EN to aukštoji mokykla (2160), moksliniai tyrimai (918), aukštasis mokslas (730), nuotolinis mokymas (453), profesinis mokymas (403). Związki typu przymiotnik + rzeczownik uznaje się za GT, gdy przymiotnik jest zgodny z rzeczownikiem pod względem rodzaju, liczby i przypadka. W przeciwnym razie otrzy- 16 W nawiasach podano częstotliwość danego terminu w korpusie tekstów EN liczącym 4 mln wyrazów. 17 W modelach terminów dwuwyrazowych nie podaje się przypadków, ponieważ przymiotniki i imiesłowy są uzgadniane z rzeczownikami, a rzeczowniki występują zazwyczaj w mianowniku liczby pojedynczej. 60 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais stwierdzono gramatycznie niepoprawne¹⁸ połączenia, np., ściślejszy uniwersytetów, najważniejszy prawa, najważniejszych nauki, najlepszego roku, albo połączenie jest poprawne, choć często niepełne, i nie są to terminy z zakresu edukacji i nauki, np. największy na świecie, najbardziej dynamiczny na świecie, sprzyjający studentom. 3) przysł. + rzecz. połączeń jako terminów z zakresu edukacji i nauki jest zaledwie 24, tj. 5%. Najczęstsze terminy z zakresu edukacji i nauki: praca dyplomowa (162), przedmiot do wyboru (109), kształcenie dorosłych¹⁹ (65), informacja zwrotna (63), badania stosowane (45). 3. Terminy trzywyrazowe. Łącznie zidentyfikowano 119 881 trzywyrazowych GT. Szczegółowo przeanalizowano 2438 połączeń, których częstotliwość w korpusie wynosi co najmniej 8 wystąpień. Znaleziono 125 terminów z zakresu edukacji i nauki, tj. 16,03% wszystkich terminów. Najczęstsze terminy z zakresu edukacji i nauki: instytucja szkolnictwa wyższego (251), placówka kształcenia zawodowego (205), pożyczka wspierana przez państwo (149), szkoła kształcenia ogólnego (147), instytucja kształcenia zawodowego (77). Trzywyrazowe terminy z zakresu edukacji i nauki należą do siedmiu modeli gramatycznych. Wśród trzywyrazowych terminów z zakresu edukacji i nauki najczęstsze są połączenia typu przym. M. + rzecz. M. + rzecz.²⁰ (stanowią one 48% wszystkich terminów trzywyrazowych), np.: instytucja szkolnictwa wyższego (251), placówka kształcenia zawodowego (205), szkoła kształcenia ogólnego (147). Drugie pod względem częstości wśród trzywyrazowych terminów z zakresu edukacji i nauki są połączenia typu rzecz. M. + rzecz. M. + rzecz. (24,8%), np.: regulamin kierunku studiów (66), opis kierunków studiów (60), państwowy instytut naukowy (50). Trzecim pod względem częstości modelem strukturalnym trzywyrazowych terminów z zakresu edukacji i nauki jest przym. N. + przym. N. + rzecz. (12%), np.: narodowy program kompleksowy (69), fundamentalne badanie naukowe (61), początkowe kształcenie zawodowe (52). Dalej, według częstości, można podać po kilka przykładów reprezentujących strukturalne modele trzywyrazowych terminów z zakresu edukacji i nauki: rzecz. M. + imiesłów N. + rzecz. (4%), np.: pożyczka wspierana przez państwo (149), kwalifikacja uznana przez państwo (33), student finansowany przez państwo (21); rzecz. M. + przym. N. + rzecz. (4%), np.: zagraniczna szkoła wyższa (41), rada akademicka kolegium (32), promotor naukowy doktoranta (20); imiesłów N. / M. + rzecz. M. + rzecz. (3,2%), np.: końcowa ocena kwalifikacji (36), bezpłatne miejsce na studiach (13), badania o charakterze stosowanym (13); przym. N. + ¹⁸ Za połączenia gramatycznie poprawne w niniejszej pracy uznaje się takie połączenia, w których wyrazy zależne są uzgodnione z wyrazem nadrzędnym, a relacje składniowe między składnikami połączenia wyrazowego są jasne. ¹⁹ Do imiesłowów zaliczono także imiesłowy, które uległy substantywizacji. ²⁰ Nie podaje się przypadku ostatniego rzeczownika, ponieważ najczęściej jest to mianownik. Terminologija | 2012 | 19 61 im. V. (lub K., jeśli imiesłów uległ substantywizacji) + rzecz. (2,4%), np.: konkursowy przedmiot nauczania (15), kształcenie nieformalne dorosłych (13), praca badawcza (12); im. V. + przysł. V. + rzecz. (1,6%), np.: stosowana działalność naukowa (20), badania naukowe na zamówienie (8). 4. Terminy czterowyrazowe. Łącznie znaleziono 77 961 czterowyrazowych GT, a połączeń użytych ponad 7 razy — 760. Spośród nich ekspert wyodrębnił 22 terminy z zakresu oświaty i nauki (stanowią one 2,82% wszystkich terminów). Najczęściej występującymi połączeniami w tej grupie terminów są instytucja nauki i studiów (568), park nauki i technologii (62), ogólny krajowy kompleksowy program (40), kształcenie zawodowe na rynku pracy (40). Czterowyrazowe terminy użyte w korpusie oświaty i nauki należą do dziewięciu różnych modeli gramatycznych. Ponieważ użyto niewielu terminów czterowyrazowych, każdy model ilustruje zaledwie kilka przykładów lub tylko jeden. Poniżej przedstawiono wszystkie modele strukturalne czterowyrazowych terminów z zakresu oświaty i nauki, pogrupowane według częstości, oraz podano po jednym przykładzie ilustrującym dany model: przym. V. + rzecz. K. + rzecz. K. + rzecz. (22,7% wszystkich terminów czterowyrazowych): międzynarodowa naukowa baza danych (13); przym. V. + przym. K. + rzecz. K. + rzecz. (18,2%): ogólny przedmiot kształcenia uniwersyteckiego (8); przym. K. + rzecz. K. + im. V. + rzecz. (13,6%): uczeń ze specjalnymi potrzebami (8); rzecz. K. + przyim. + rzecz. K. + rzecz. (13,6%): instytucja nauki i studiów (568); przym. K. + rzecz. K. + przym. V. + rzecz. (9,1%): badania naukowe wysokiego poziomu (18); im. V. + przym. V. + rzecz. K. + rzecz. (9,1%): uznana międzynarodowa baza danych (11); przym. V. + przym. V. + przym. V. + rzecz. (4,5%): ogólny krajowy kompleksowy program (40); rzecz. K. + przym. K. + rzecz. K. + rzecz. (4,5%): państwowa placówka badań naukowych (31); rzecz. K. + rzecz. K. + rzecz. K. + rzecz. (4,5%): obszar studiów nauk technologicznych (28); 5. Terminy pięciowyrazowe. Zidentyfikowano 49 768 pięciowyrazowych GT; znaleziono 601 połączeń użytych ponad 5 razy, z których 4 to terminy z zakresu oświaty i nauki, tj. 0,51% wszystkich terminów. Na podstawie tak niewielkiej liczby terminów trudno wyciągać wnioski dotyczące ich struktury, dlatego nie podzielono ich pod względem strukturalnym. Wszystkie pięciowyrazowe terminy użyte w korpusie oświaty i nauki: badania naukowe i prace rozwojowe (124), badania naukowe i rozwój technologiczny (67), badania naukowe i rozwój technologii (13), centrum badań naukowych wysokiego poziomu (7). 62 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais 6. Terminy sześcio- i siedmiowyrazowe. Jak już wspomniano, wśród sześcio- i siedmiowyrazowych terminów GT nie znaleziono ani jednego terminu ŚM, choć łącznie zidentyfikowano 30 298 terminów GT składających się z sześciu wyrazów (wśród nich znaleziono 750 połączeń występujących więcej niż 3 razy) oraz 17 815 terminów GT składających się z siedmiu wyrazów (wśród nich znaleziono 2608 połączeń występujących więcej niż 2 razy). PORÓWNANIE TERMINÓW Z ZAKRESU OŚWIATY I NAUKI Z TERMINAMI Z BANKU TERMINÓW REPUBLIKI LITEWSKIEJ Terminy użyte w korpusie tekstów z zakresu oświaty i nauki można porównać z zatwierdzonymi terminami z zakresu oświaty i nauki zamieszczonymi w Banku Terminów Republiki Litewskiej21; jest ich 74. Struktura tych terminów jest bardzo zróżnicowana: od terminów jednowyrazowych po połączenia złożone z 18 wyrazów. Bardzo długich terminów, składających się z 15 i 18 wyrazów, znaleziono tylko po jednym. Najdłuższy zamieszczony termin to – program nieformalnego kształcenia ustawicznego zawodowego dla rolników, właścicieli lasów, członków lokalnych grup działania, innych mieszkańców wsi i ich konsultantów. Można dyskutować, czy nazwę programu należy uznać za termin. Porównując strukturę terminów z zakresu oświaty i nauki w korpusie tekstów oraz w Banku Terminów, można zauważyć, że w obu źródłach najczęściej występują terminy jedno-, dwu- i trzywyrazowe. W Banku Terminów terminy jedno-, dwu- i trzywyrazowe stanowią 86,5%, natomiast w korpusie tekstów z zakresu oświaty i nauki terminy o tej samej długości stanowią 97% (zob. tabelę 1). W Banku Terminów jest nieco więcej terminów czterowyrazowych niż w omawianym korpusie, terminów pięciowyrazowych nie ma, a spośród terminów składających się z 6, 7, 8 i 9 wyrazów w Banku Terminów występuje zaledwie po jednym lub dwa; nie ma terminów dziesięciowyrazowych, ale podano wspomniane już terminy złożone z 15 i 18 wyrazów (zob. tabelę 2). Wątpliwe jest zaliczenie kilku terminów zamieszczonych w Banku Terminów do dziedziny oświaty i nauki, np., Litwin, wspólnota Litwinów na świecie, reemigracja, narodowość. Z otrzymanego wykazu terminów wynika, że dziedzina oświaty i nauki nie została w pełni ujęta; na przykład jako termin kształcenia zawodowego podano traktorzysta, ale nie ma kombajnisty, kucharza, stolarza itp.; szczególnie brakuje terminów odzwierciedlających politykę naukową. Zatem terminy zidentyfikowane w ramach badania omawianego w niniejszym artykule powinny przynajmniej w pewnym stopniu wypełnić lukę w terminologii oświaty i nauki. 21 Wykaz zatwierdzonych terminów z zakresu oświaty i nauki otrzymano w 2010 r. od Państwowej Komisji Języka Litewskiego. Porównanie danych korpusu tekstów i banku terminów opiera się właśnie na tym wykazie. Terminologija | 2012 | 19 63 Tabela 2. Rozkład terminów z zakresu oświaty i nauki zamieszczonych w Banku Terminów Republiki Litewskiej według długości Liczba wyrazów tworzących termin Liczba terminów, liczba Liczba terminów,% 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 Ogółem 74 100 PROBLEMY AUTOMATYCZNEGO WYODRĘBNIANIA TERMINÓW Przy wyodrębnianiu terminów różnymi metodami pojawiają się dwa główne problemy: 1) jakie formy terminów są poprawne gramatycznie; jest to szczególnie istotne przy ustalaniu formy hasłowej; 2) jak odróżnić frazy ogólne i terminy ogólne od terminów należących do analizowanej dziedziny. Z podobnymi problemami borykają się również naukowcy z innych krajów (por. Cabré Castellví et al 2001). Najczęściej drugi problem można rozwiązać wyłącznie nieautomatycznie, tzn. ekspert w danej dziedzinie musi przejrzeć GT i ustalić, które terminy należą do analizowanej dziedziny. Można też zastosować pewne filtry, tzn. sporządzić listę słów niepoddawanych analizie (ang. stop list) i używać jej do odrzucania słów, które nie mogą występować jako terminy analizowanej dziedziny. Taki filtr zastosowano również w niniejszym badaniu. Kilka przykładów: za terminy z zakresu oświaty i nauki nie uznano słów ani połączeń wyrazowych, których ostatnim wyrazem jest rzeczownik oznaczający czas, 64 Erika Rimkutė | Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais np.: metai, mėnuo, diena, savaitė, rytas, vakaras, sausis, vasaris, pirmadienis, antradienis itd. Za terminy nie uznaje się słów oznaczających miary, np.: milimetras, metras, centimetras, kilometras, mylia, gramas, kilogramas, tona. Można odrzucić połączenia zawierające wyrażenia charakterystyczne dla ogólnych terminów administracyjnych, np.: 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. Aby jak najdokładniej automatycznie odróżniać terminy z zakresu oświaty i nauki od terminów ogólnych, utworzono dwa korpusy porównawcze o takiej samej objętości jak korpus tekstów z zakresu oświaty i nauki, tj. zawierające po 4 mln słów. Pierwszy z korpusów porównawczych składa się z tekstów różnych gatunków i stylów; jego struktura jest podobna do Dabartinės lietuvių kalbos tekstyną (obejmuje publicystykę, literaturę piękną, literaturę administracyjną i naukową). Drugi korpus porównawczy składa się z tekstów administracyjnych spoza dziedziny oświaty i nauki. Przyjęto założenie, że im bardziej ogólny jest termin, tym częściej występuje w korpusie ogólnym i/lub administracyjnym, natomiast im bardziej specjalistyczny, tym rzadziej pojawia się w korpusie ogólnym i/lub administracyjnym. Hipoteza ta częściowo się potwierdziła, np. terminy charakterystyczne dla dziedziny oświaty i nauki, takie jak judumas, kompetentingumas, nubyrejimas, siekinys, nie występowały w korpusach porównawczych, natomiast terminy takie jak studentas, universitetas, vadovėlis są częste zarówno w korpusie tekstów z zakresu oświaty i nauki, jak i w korpusach porównawczych. Badania te należy kontynuować, aby można było przedstawić wiarygodne dane dotyczące tego, w jakim stopniu porównywanie kilku korpusów może pomóc w przynajmniej częściowym automatycznym odróżnianiu terminów ogólnych od terminów należących do analizowanej dziedziny. Poniżej omówiony zostanie szerzej pierwszy problem, tj. jak automatycznie ustalić poprawną lemmę terminów (zwłaszcza wielowyrazowych) oraz jak sprowadzić do jednej lemmy wyrazy i połączenia wyrazowe występujące w korpusie w różnych formach fleksyjnych. Badanie wykazało, że nie zawsze łatwo ustalić formę hasłową terminu. Automatyczne ustalenie lemmy połączenia aukštoji mokykla daje na przykład wynik aukštas mokykla. Forma ta została wskazana dlatego, że anotator morfologiczny podaje jako lemmę przymiotników formę mianownika liczby pojedynczej rodzaju męskiego w stopniu równym (więcej o specyfice anotatora zob. Zinkevičius 2000). Lemmy terminów wielowyrazowych Terminologija | 2012 | 19 65 Ustalenie tego bardzo ułatwiłby program do analizy składniowej. Niestety, obecnie nie ma działającego programu do analizy składniowej22. Zatem przy ustalaniu lematów potrzebne są pewne dodatkowe reguły – w tym przypadku należy wskazać, że jeśli lema składa się z rzeczownika, to przymiotnik lub imiesłów muszą być uzgodnione z rodzajem tego rzeczownika; jeśli przymiotnik lub imiesłów mają formę określoną, kategoria ta musi zostać zachowana również w lemie. Wiele pytań dotyczy kategorii liczby, np. pierwszy człon terminu studentų atstovybė musi mieć formę liczby mnogiej, w terminach akademiniai įgūdžiai, auditorinės darbo valandos wszystkie człony muszą mieć formę liczby mnogiej, natomiast w terminach fakulteto taryba, universiteto autonomija, bendrasis priėmimas, mokslinis leidinys oba człony występują w liczbie pojedynczej. Oczywiście człowiekowi nietrudno ustalić, gdzie potrzebna jest liczba mnoga, a gdzie pojedyncza, ale wykonanie tego automatycznie jest bardzo trudne. Warto zauważyć, że w korpusie widać, iż niektóre wyrazy niemal zawsze występują tylko w liczbie mnogiej (np.: asignavimai, duomenys, studijos, rūmai, žinios, pinigai, pareigos). Ustalenie właściwej formy liczby jest trudne również dlatego, że niektóre wyrazy są homonimami, np. studija (dzieło naukowe) i studijos (studiowanie). Z tego powodu automatycznie błędnie ustalono lematy następujących terminów: bakalauro studija, rezidentūros studija, magistro studija, dieninės studija, nuotolinės studija. Jak wspomniano, niektóre rzeczowniki najczęściej występują wyłącznie w liczbie mnogiej, choć w słowniku jako lema podana jest forma liczby pojedynczej. Ta rozbieżność między informacją słownikową a rzeczywistym użyciem spowodowała błędne ustalenie lematów terminów mokinio pasiekimas, švietimo resursas, praktinis gebėjimas, fizinis mokslas, akademinis užsiėmimas (powinno być: mokinio pasiekimai, švietimo resursai, praktiniai gebėjimai, fiziniai mokslai, akademiniai užsiėmimai). Kolejny problem stanowią rzeczowniki substantiva mobilia, np.: abiturientas – abiturientė, abonentas – abonentė. Ponieważ w korpusie występowały formy zarówno rodzaju męskiego, jak i żeńskiego, automatycznie wskazano lematy obu rodzajów. Aby jako termin z zakresu edukacji i nauki pozostawić tylko lemat rodzaju męskiego, należało zastosować regułę, na mocy której rzeczowniki typu substantiva mobilia rodzaju męskiego i żeńskiego sprowadza się do lematu rodzaju męskiego. 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 Przy automatycznym ustalaniu lematów czasem wskazywany jest niewłaściwy szyk wyrazów, np. podano następujące formy hasłowe: tipų studija (powinno być studijų tipas), lygmens kvalifikacija (powinno być kvalifikacijų lygmuo). Ponieważ przy ustalaniu lematów nie zastosowano analizy składniowej, określenia nie zawsze są uzgodnione z określanym wyrazem, np. tarptautinis (= tarptautinio) lygio mokslas, albo pojawiają się inne naruszenia składni, np.: paskolų gyvenimo išlaidos (= paskola gyvenimo išlaidoms). Trudności pojawiają się również przy ustalaniu granic terminów, np. czy dėstytojų ir mokslininkų kvalifikacijos bei kompetencijos atitiktis stanowi jeden termin, czy należy tu wyróżnić kilka terminów: 1) zgodność kwalifikacji i kompetencji wykładowców, 2) zgodność kwalifikacji i kompetencji naukowców, 3) zgodność kwalifikacji wykładowców i naukowców, 4) zgodność kompetencji wykładowców i naukowców, 5) kwalifikacje wykładowców, 6) kwalifikacje naukowców, 7) kompetencje wykładowców, 8) kompetencje nauczycieli, 9) zgodność kwalifikacji, 10) zgodność kompetencji. Przy ustalaniu lem i ogólnie rozpoznawaniu terminów trudności wynikają również ze specyfiki anotatora morfologicznego, który spośród kilku możliwych części mowy lub form gramatycznych wybiera niewłaściwą. Na przykład jeśli przymiotnik jest uzgodniony z sąsiadującym rzeczownikiem pod względem rodzaju, przypadka i liczby, istnieje duże prawdopodobieństwo, że takie połączenie będzie poprawne gramatycznie. Połączenia utworzone z dwóch rzeczowników, których pierwszy człon nie występuje w dopełniaczu, nie zawsze są poprawne gramatycznie. Należy je dokładniej sprawdzić, a więc poświęcić na to więcej czasu. Oznacza to, że od wskazanej części mowy zależy, czy połączenie zostanie zaliczone do GT i czy będzie poprawne gramatycznie. Oto kilka przykładów ilustrujących ten typ błędu: metinėms (może być przymiotnikiem i rzeczownikiem, anotator morfologiczny wskazał rzeczownik) ataskaitoms; keliais (może być zaimkiem i rzeczownikiem, wybrano rzeczownik) procentais; bendrais (może być przymiotnikiem i rzeczownikiem, wybrano rzeczownik) teiginiais; uždarus (może być przymiotnikiem i rzeczownikiem, wybrano rzeczownik) posėdžius. Z powodu niewłaściwego wskazania części mowy oraz braku analizy składniowej słów, na pierwszy rzut oka jako niepoprawne gramatycznie wygląda połączenie znalezione w korpusie anotowanym morfologicznie žemiausias balas, ponieważ Terminologija | 2012 | 19 67 pierwszemu wyrazowi przypisano następujące oznaczenia: przymiotnik, stopień najwyższy, niezaimkowy, rodzaj męski, liczba pojedyncza, mianownik; drugiemu: rzeczownik, rodzaj żeński, liczba mnoga, dopełniacz, a jako lemę wskazano bala. Widać zatem, że w tym przypadku niepoprawnie ustalono lemę rzeczownika – powinno być balas. Oznacza to, że wspomniane wcześniej połączenie jest poprawne gramatycznie. W tym rozdziale omówiono trudności, z którymi najczęściej spotykamy się przy automatycznym ustalaniu terminów z zakresu edukacji i nauki. Problemy te oraz sposoby ich rozwiązywania zostaną omówione w kolejnych pracach. WNIOSKI Program i metodyka automatycznego ustalania terminów wymagają dalszego doskonalenia. Mimo to pierwsze wyniki można ocenić dość pozytywnie. Jak pokazują przedstawione przykłady, analiza automatyczna uwidacznia nie tylko problemy specyficzne i techniczne, lecz także te, z którymi zmagają się również terminolodzy, np. wybór kategorii liczby. Po udoskonaleniu anotatora morfologicznego i zastosowaniu programu do automatycznej analizy składniowej można by łatwiej i bardziej wiarygodnie ustalać terminy automatycznie. Mimo napotykanych trudności program automatycznie ustalający terminy znacznie przyspiesza proces ustalania GT. Kolejną istotną zaletą automatycznego ustalania terminów jest obiektywizm analizy danych. Ustalono, że 97% automatycznie wyselekcjonowanych i sprawdzonych terminów z zakresu edukacji i nauki ma długość 1–3 wyrazów. Najwięcej jest terminów dwuwyrazowych – stanowią one niemal 61% wszystkich terminów. Najczęstsze modele strukturalne terminów z zakresu edukacji i nauki to rzeczownik w mianowniku + rzeczownik, przymiotnik + rzeczownik, przymiotnik w mianowniku + rzeczownik w mianowniku + rzeczownik, rzeczownik w mianowniku + rzeczownik w mianowniku + rzeczownik (ostatni rzeczownik może występować w różnych przypadkach). 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