Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

54 Erika Rimkutė | Automatyczne ustalanie terminów z zakresu edukacji i nauki | 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 liczą już drugą dekadę – początek tych dziedzin nauki można wiązać z założeniem w 1994 r. Centrum Lingwistyki Komputerowej Uniwersytetu Witolda Wielkiego (zob. http://tekstynas.vdu.lt). Opracowano kilka korpusów oraz automatycznych programów do 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) dokonano przeglądu tego, w jakim stopniu korpusy są wykorzystywane przy opracowywaniu różnego rodzaju prac terminologicznych na Litwie. Terminy języka litewskiego można znaleźć w kilku międzynarodowych bazach danych i bankach terminów; opracowano niemało elektronicznych leksykonów terminologicznych lub baz danych2, jednak wszystkie litewskie elektroniczne leksykony terminologiczne są zasadniczo tworzone na podstawie słowników terminologicznych. Wiele litewskich słowników opracowano na podstawie dość niewielkich ilości tekstów i intuicji językowej, można więc stwierdzić, że na Litwie nadal dominuje preskryptywny sposób pozyskiwania i opisywania terminów. W artykule zamierza się przedstawić wyniki projektu3 poświęconego ustalaniu i opisywaniu terminów z zakresu edukacji i nauki, związane z automatycznym ustalaniem terminów1 Išsamų lituanistinių išteklių, parengtų iki 2011 m., sąvadą galite rasti http://sruoga.vdu.lt/lituanistiniaiskaitmeniai-istekliai/lituanistiniu-istekliu-sarasas. 2 Odsyłacze podano we wspomnianym artykule. 3 Jest to finansowany przez Litewską Radę Nauki projekt Automatyczna identyfikacja terminów edukacji i nauki (ŠIMTAI 2) (nr umowy LIT-2-44). Najważniejsze cele tego projektu to: 1) stworzenie i przetestowanie metodologii automatycznego rozpoznawania terminów w litewskim korpusie tekstów jako nowego instrumentu porządkowania terminologii, 2) stworzenie specjalistycznego korpusu tekstów z zakresu edukacji i nauki, 3) opracowanie na podstawie specjalistycznego korpusu objaśniającego słownika terminów edukacji i nauki oraz ontologii tej dziedziny. 55Terminologia | 2012 | 19 stawym ich opisywaniem. Idea projektu poświęconego automatycznemu ustalaniu terminów powstała po zauważeniu, że istniejące źródła normatywne4 są dość niepełne, ponieważ nie obejmują dziedziny orientuoti į pačius bendriausius švietimo politikos terminus ir beveik nė polityki naukowej, a także nie nadążają z podawaniem nowych terminów wynikających z praktycznej pracy; normujący terminologię nie nadążają z ich normalizacją. Tradycyjna normalizacja jest jednak dość subiektywna, dlatego użycie i normy należy uzasadnić metodami lingwistyki korpusowej. Dlatego w niniejszym artykule będzie mowa o nadal dość nowej na Litwie metodzie selekcji i analizy terminów, która mogłaby znacznie ułatwić pracę terminologów i zapewnić większy obiektywizm. AUTOMATYCZNE USTALANIE TERMINÓW Aby automatycznie ustalić i zdefiniować terminy z określonej dziedziny, wybrano jedną dziedzinę – naukę i edukację. Zgromadzono korpus tekstów dotyczących edukacji i nauki (dalej: EN) o objętości 4 mln słów, którego tworzenie ukierunkowano na dwa główne tematy: 1) badania naukowe i 2) kształcenie. W dziedzinie badań naukowych najwięcej uwagi poświęcono polityce badań naukowych i polityce szkolnictwa wyższego. Z dziedziny kształcenia uwzględniono kształcenie pomaturalne, a największą uwagę poświęcono szkolnictwu wyższemu i kształceniu ustawicznemu. Jako dodatkową dziedzinę uwzględniono również kształcenie zawodowe. Tworząc korpus, dążono do objęcia tekstów różnych gatunków i typów, np.: ustaw, innych dokumentów politycznych najwyższych organów władzy (uchwał, oświadczeń i in. Sejmu Republiki Litewskiej, Rządu Republiki Litewskiej, Prezydenta Republiki Litewskiej, orzeczeń Trybunału Konstytucyjnego); dokumentów strategicznych; aktów wykonawczych do ustaw; dokumentów instytucji i projektów wdrażających politykę naukową i edukacyjną; dokumentów instytucji naukowych i szkolnictwa wyższego; publikacji informacyjnych, badań stanu dziedziny, ocen, studiów wykonalności; komunikatów prasowych, materiałów do dyskusji. Dysponując reprezentatywnym, dobrze zrównoważonym korpusem tekstów z badanej dziedziny5, można automatycznie określać terminy. W tym celu najczęściej wykorzystuje się4. Można wymienić Bank Terminów Republiki Litewskiej, Encyklopedyczny słownik terminów edukologii L. Jovaišy (2007), tezaurus TESE [dostęp: 20.05.2012], dostęp przez internet: http://eacea.ec.europa.eu/education/ eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf. 5 Reprezentatywność korpusów tekstów i ich wielkość – to jedne z najbardziej złożonych zagadnień lingwistyki korpusowej. Można sądzić, że korpus tekstów z zakresu edukacji i nauki dość dobrze reprezentuje wybraną dziedzinę. Bardziej dyskusyjna jest kwestia jego wielkości, np. angielsko-włoski korpus tekstów prawnych Bononia Legal Corpus (BOLC) liczy około 18 mln słów (Rossini Favretti et al. 2001). 56 Erika Rimkutė | Automatyczne metody wyodrębniania terminów edukacji i | nustatymaslingvistiniaismetodais nauki: metody trojakiego rodzaju: statystyczne, lingwistyczne oraz hybrydowe modele metod statystycznych i lingwistycznych. Przeprowadzono kilka eksperymentów, których celem było ustalenie najodpowiedniejszych metod wyodrębniania terminów. Przetestowano następujące metody statystyczne: 1) funkcję Keyword Clusters programu WordSmith Tools; 2) metoda uczenia automatycznego KEA; 3) metoda ekstrakcji kolokacji z wykorzystaniem narzędzia LICE (szerzej zob. Grigonytė et al. 2011). Na podstawie przeprowadzonych badań stwierdzono, że dla języka litewskiego najbardziej odpowiednie są metody lingwistyczne. Poniżej krótko wyjaśniono cechy tych metod. Główną zaletą systemów statystycznego rozpoznawania terminów jest to, że nie potrzebują one dużych baz danych z przykładami terminów wskazanymi przez ludzi. Ponadto są niezależne od języka. Podstawowa zasada działania systemów statystycznych opiera się na tym, że słowa często używane razem są ze sobą powiązane i mogą być traktowane jako potencjalne terminy. Metody lingwistyczne najczęściej opierają się na oznaczeniach morfologicznych i szyku wyrazów. Aby można było zastosować metody lingwistyczne, potrzebne są korpusy tekstów z adnotacją morfologiczną. Stosując lingwistyczne metody wyodrębniania terminów, najczęściej ustala się, jakie formy gramatyczne mogą mieć terminy. Przy ustalaniu form gramatycznych należy uwzględnić właściwości języków. Na przykład w przypadku języków analitycznych ważne jest ustalenie części mowy terminów. Część mowy terminów języka litewskiego również jest bardzo ważna, ale trzeba wiedzieć także, informacje o jakich innych kategoriach gramatycznych są niezbędne do automatycznego ustalania terminów. Zauważono, że w języku litewskim ważne są jeszcze kategorie liczby i przypadka, natomiast kategoria rodzaju przy automatycznym ustalaniu terminów nie ma większego znaczenia6. Badacze (np. Bowker 2002) ustalili, że niemal niemożliwe jest zastosowanie do innych języków narzędzi służących do ustalania terminów, opracowanych dla innych języków, zwłaszcza tych, które wykorzystują metody lingwistyczne. Na przykład typowa struktura terminów języka angielskiego to przym. + rzecz., rzecz. + rzecz., a modelami charakterystycznymi dla języka francuskiego są rzecz. + przym., rzecz. + przysł. + rzecz. Zatem aby stosować lingwistyczne metody rozpoznawania terminów, należy stworzyć program uwzględniający system gramatyczny danego języka. W dalszej części tego artykułu zostaną przedstawione próby automatycznego ustalania terminów języka litewskiego przy użyciu metod lingwistycznych. Należy zwrócić uwagę 6 Rodzaj staje się istotny w przypadkach, gdy pojawia się synkretyzm przypadków, np. mokslo darbuotojų: program automatycznej analizy morfologicznej rozpoznaje formę darbuotojų zarówno jako rodzaju męskiego, jak i żeńskiego gimimokslo darbuotoja. Termin powinien być podany w formie rodzaju męskiego, tj. mokslo darbuotojas. nės daiktavardžio daugiskaitos kilmininką, todėl kaip antraštinę formą nurodo ir mokslodarbuotojas, ir 57Terminologija | 2012 | 19 należy zwrócić uwagę, że do ustalenia potencjalnych terminów (dalej GT)7 wykorzystano program opracowany w Centrum Lingwistyki Komputerowej VDU. W programie tym zastosowano reguły lingwistyczne, w których wskazano, jakie połączenia części mowy lub formy wyrazów należy analizować. Jak wspomniano, do zastosowania metod lingwistycznych potrzebne są morfologicznie anotowane korpusy, dlatego najpierw zgromadzony korpus ŠM został anotowany morfologicznie za pomocą anotatora morfologicznego opracowanego w Centrum Lingwistyki Komputerowej VDU8. Oto przykład tekstu automatycznie anotowanego morfologicznie: <word=”PROJEKTŲ” lemma=”projektas” type=”dktv vyr.gim dgsk K”>9 <space> <word=”FINANSAVIMO” lemma=”finansavimas” type=”dktv vyr.gim vnsk K”> <space> <word=”WARUNKÓW” lemma=”sąlyga” type=”dktv mot.gim dgsk K”> <space> <word=”OPIS” lemma=”aprašas” type=”dktv vyr.gim vnsk V”> <p> <word=”I” lemma=”I” type=”rom skaič”> <sep=”.”> <space> <word=”OGÓLNE” lemma=”ogólny” type=”bdvr teig nelygin.l įvardž mot.gim vnsk K”> <space> <word=”POSTANOWIENIA” lemma=”postanowienie” type=”dktv mot.gim vnsk K”>10 <p> <number=”1”> <sep=”.”> <space> <number=”2007”> <sep=”–”> 7 Programy automatycznie ustalające terminy, wykorzystujące różne metody, najczęściej rozpoznają potencjalne terminy, kandydatów na terminy (zob. Zeller 2005), choć wśród automatycznie ustalonych słów lub połączeń nierzadko pojawiają się całkowicie pozbawione sensu zbitki słów lub sensowne nieterminologiczne połączenia wyrazowe, np. kolokacje. Spośród tych słów i połączeń właściwe terminy zazwyczaj ustala ekspert w danej dziedzinie. 8 Więcej informacji zob. http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use. 9 Word oznacza konkretną formę wyrazu uży­tą w tekście, lemma – formę hasłową (lemę), type – szczegółową informację morfologiczną. 10 Należy zwrócić uwagę, że anotacja morfologiczna odbywa się automatycznie, dlatego zdarzają się również 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 informacji o niedokładnościach powstałych w wyniku specyfiki anotatora morfologicznego zob. w rozdziale Problemy automatycznego ustalania terminów. 58 Erika Rimkutė | Automatyczne ustalanie terminów edukacji i nauki | nustatymaslingvistiniaismetodais <number=”2013”> <space> <word=”m” lemma=”m” type=”sntrmp”> <sep=”.”> <space> Zasadę działania programów automatycznie ustalających GT można krótko i prosto opisać następująco: analizowany jest tekst oznaczony morfologicznie, wyszukiwane są łańcuchy powiązanych słów. Pierwsze kryterium – na podstawie oznaczonych granic tekstu i zdań wyodrębnić nieprzerwane związki wyrazowe. Część granic tekstu jest oznaczona jako znaki interpunkcyjne, inne mogą być oznaczone jako znaczniki HTML, np. znacznik akapitu <p>, znacznik odstępu między słowami <space> itp. Następnie należy opracować określone taisykles, kurios būtų pritaikytos programoje. Nustatant švietimo ir moksterminy lingwistyczne lo, opracowano i zastosowano następujące główne zasady11: 1. Analizować tylko te połączenia, w których występuje co najmniej jeden rzeczownik. Jeśli GT jest dwuwyrazowe lub dłuższe, pozostałymi częściami mowy występującymi w takim połączeniu mogą być przymiotniki i imiesłowy. 2. Analizować tylko te połączenia, których ostatnim słowem musi być rzeczownik12. 3. W dwuwyrazowych GT nie analizować rzeczowników własnych, ponieważ najczęściej wchodzą one w skład nazw osób, przedsiębiorstw, instytucji itp., które nie są uznawane za terminy dziedzinowe (przy ustalaniu dłuższych terminów włączyć także rzeczowniki własne do wykazów terminów GT). 4. Z połączeń usunąć liczby zapisane cyframi. 5. Nie analizować tych słów lub połączeń, które zawierają co najmniej jedno słowo nierozpoznane przez analizator morfologiczny. Są to najczęściej wtręty w językach obcych, słowa zapisane z błędami, skrócone formy wyrazów13. Zastosowując takie reguły, ustalono GT, z których ekspert14 wybrał terminy ŚM. Terminy te przeanalizowano dokładniej, a ich strukturę opisano w rozdziale Struktura terminów edukacji i nauki. 11 Reguły są uniwersalne i zasadniczo nadają się do automatycznego ustalania terminów z dowolnej dziedziny. 12 Możliwa jest także inna struktura terminów, np. rzeczownik z dołączonym bezokolicznikiem, rzeczownik z konstrukcją przyimkową. Terminów tego typu jest niewiele, dlatego ich nie analizowano. W przyszłości, kontynuując badanie, należałoby przeanalizować także struktury terminów nieuwzględnione w niniejszym artykule. 13 Zastosowanie pewnych ograniczeń wyboru GT może prowadzić do utraty cennych informacji. W niniejszym badaniu nie obliczano, ile rzeczywistych terminów nie rozpoznano. Korzystając z programów do automatycznego rozpoznawania terminów, trzeba pogodzić się z tym, że część informacji zostanie utracona, jednak informacje ustalone automatycznie będą łatwiejsze do przetwarzania, a uzyskane połączenia będą poprawniejsze gramatycznie. 14 Ekspertem tego projektu jest lituanista Giedrius Viliūnas, mający bogate doświadczenie pedagogiczne, administracyjne i menedżerskie w dziedzinie oświaty i nauki. 59Terminologia | 2012 | 19 TERMINŲ ATRANKA Po zastosowaniu metody, programu i wykorzystywanych w nim reguł opisanych w poprzednim rozdziale ustalono około 11 tys. GT, utworzonych od jednego iki penkiolikos žodžių15. Susidūrus su tokiu dideliu duomenų kiekiu, zastosowano kilka kryteriów selekcji. Pierwsze – długość terminów: uwzględniając ogólne tendencje w strukturze terminów, postanowiono analizować terminy nie dłuższe niż siedmiowyrazowe. Drugie kryterium – częstotliwość występowania terminów. Wybrano do dalszej szczegółowej analizy jednowyrazowe GT, które w korpusie tekstów ŚM wystąpiły co najmniej 20 razy; dwuwyrazowe GT, które wystąpiły co najmniej 10 razy; trzywyrazowe GT, występujące nie rzadziej niż 8 razy; czterowyrazowe GT, występujące co najmniej 6 razy; pięciowyrazowe GT, których frekwencja wynosi co najmniej 4 wystąpienia; sześciowyrazowe GT, występujące co najmniej 3 razy, oraz siedmiowyrazowe GT, których frekwencja wynosi co najmniej 2 wystąpienia. Przy automatycznym obliczaniu częstotliwości występowania GT opierano się na formach hasłowych (słownikowych) wyrazów, tj. lemmatach. Po zastosowaniu tych kryteriów selekcji ustalone terminy poddano dokładniejszemu badaniu (ich struktura została przedstawiona w następnym rozdziale). Po dokonaniu przez eksperta przeglądu GT ustalonych na podstawie wcześniej wymienionych kryteriów wybrano właściwe terminy ŚM. Ich rozkład według długości przedstawiono w tabeli 1. Tabela 1. Rozkład terminów oświaty i nauki według długości Liczba słów tworzących Liczba terminów, % terminy Liczba terminów, liczba 1155 19,87 2474 60,77 3125 16,03 422 2,82 5 4 0,51 Ogółem 780 100,00 15 Oto kilka najdłuższych znalezionych terminów: w przypadkach wskazanych w punkcie opisu, na mocy decyzji komisji powołanej przez dyrektora funduszu, zwrot pożyczki wspieranej przez państwo pożyczkobiorcy (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); zasady wnoszenia opłat za studia przez studentów uniwersytetu na rok akademicki ustala się zarządzeniem rektora (11 słów). Jest oczywiste, że tych fragmentów tekstu nie można uznać za potencjalne terminy. 60 Erika Rimkutė | Automatyczne terminy z zakresu edukacji i nauki | nustatymaslingvistiniaismetodais Z danych zawartych w tabeli wynika, że około 97 % wszystkich terminów z zakresu edukacji i nauki stanowią terminy złożone z 1–3 słów. Wśród sześcioi siedmiowyrazowych terminów z zakresu edukacji i nauki nie znaleziono terminów GT, dlatego nie analizowano ich dalej. STRUKTURA TERMINÓW Z ZAKRESU EDUKACJI I NAUKI W niniejszym rozdziale szczegółowo opisano strukturę automatycznie ustalonych i wybranych przez eksperta terminów z zakresu edukacji i nauki oraz przedstawiono ich modele gramatyczne. Terminy opisano od najkrótszych, tj. jednowyrazowych, do najdłuższych, tj. pięciowyrazowych. 1. Terminy jednowyrazowe. Łącznie ustalono 7635 jednowyrazowych GT, z których 1311 wystąpiło w korpusie więcej niż 20 razy. Dalej szczegółowo analizowano tylko te słowa. Spośród 1311 słów 155 można uznać za terminy ŠM, tj. około 20%. Najczęściej w korpusie występowały następujące terminy ŠM: studentas (420816), universitetas (3959), studijos (1562), mokslas (1508), sritis (1403). 2. Terminy dwuwyrazowe. W korpusie liczącym 4 mln słów znaleziono 145 468 dwuwyrazowych GT. Jak napisano wcześniej, dalej analizowano tylko te dwuwyrazowe GT, których częstość wynosiła nie mniej niż 10 wystąpień – znaleziono 4889 takich terminów. Po przejrzeniu GT na ostatecznej liście terminów ŠM pozostały tylko 474 terminy dwuwyrazowe i stanowią one większość wszystkich analizowanych terminów – ponad dwie trzecie (zob. tabelę 1.). Terminy dwuwyrazowe można podzielić na trzy typy, uwzględniając ich formy gramatyczne. 1) rzecz. w dopełniaczu + rzecz. Terminów z zakresu szkolnictwa wyższego typu jest 250, tj. 52,7% wszystkich terminów dwuwyrazowych. Najczęściej występującymi w korpusie terminami z zakresu szkolnictwa wyższego o tej strukturze są studijų programa (1432), studijų pakopa (306), studijų kryptis (303), mokslo darbuotojas (289), studijų kokybė (253). 2) przym. + rzecz.17 Połączenia te stanowią 200 terminów z zakresu szkolnictwa wyższego (z czego 42,2% terminów dwuwyrazowych). Najczęściej występującymi terminami z zakresu szkolnictwa wyższego są aukštoji mokykla (2160), moksliniai tyrimai (918), aukštasis mokslas (730), nuotolinis mokymas (453), profesinis mokymas (403). Połączenia typu przym. + rzecz. uznaje się za terminy z zakresu glottodydaktyki w przypadku, gdy przymiotnik jest uzgodniony z rzeczownikiem pod względem rodzaju, liczby i przypadka. W przeciwnym razie gau16 W nawiasach podano częstość występowania tego terminu w tekstowym korpusie ŠM o objętości 4 mln słów. 17 W przypadku modeli terminów dwuwyrazowych nie podaje się przypadków, ponieważ przymiotniki i imiesłowy łączą się z rzeczownikami, a rzeczowniki zazwyczaj występują w liczbie pojedynczej, w mianowniku. 61Terminologia | 2012 | 19 najważniejsze prawo, najważniejsze nauki, najlepszy roku nami gramatiškai netaisyklingi18 junginiai, pvz., glaudesnisuniversitetų, lub połączenie jest poprawne, choć często niepełne, i nie są to terminy ŠM, np. największy na świecie, najbardziej dynamiczny na świecie, korzystny dla studentów. 3) im. + rzecz. połączeń jako terminów ŠM jest tylko 24, tj. 5%. Najczęstsze terminy ŠM: praca dyplomowa (162), przedmiot do wyboru (109), edukacja dorosłych19 (65), informacja zwrotna (63), badania stosowane (45). 3. Terminy trzywyrazowe. Ogółem ustalono 119 881 terminów trzywyrazowych GT. Szczegółowo przeanalizowano 2438 połączeń, których frekwencja w korpusie nie jest mniejsza niż 8 wystąpień. Znaleziono 125 terminów ŚM, tj. 16,03 % wszystkich terminów. Najczęstsze terminy ŚM: instytucja szkolnictwa wyższego (251), placówka kształcenia zawodowego (205), pożyczka wspierana przez państwo (149), szkoła ogólnokształcąca (147), instytucja kształcenia zawodowego (77). Trzywyrazowe terminy ŚM należą do siedmiu modeli gramatycznych. Wśród trzywyrazowych terminów ŚM najczęstsze są połączenia typu przym. D. + rzecz. D. + rzecz.20 (stanowią one 48 % wszystkich terminów trzywyrazowych), np.: instytucja szkolnictwa wyższego (251), placówka kształcenia zawodowego (205), szkoła ogólnokształcąca (147). Drugie pod względem frekwencji wśród trzywyrazowych terminów ŚM są połączenia typu rzecz. D. + rzecz. D. + rzecz. (24,8 %), np.: regulamin kierunku studiów (66), opis kierunków studiów (60), państwowy instytut naukowy (50). Trzecim pod względem frekwencji strukturalnym modelem trzywyrazowych terminów ŚM jest przym. M. + przym. M. + rzecz. (12 %), np.: narodowy program kompleksowy (69), podstawowe badanie naukowe (61), pierwotne kształcenie zawodowe (52). Dalej pod względem częstości można podać zaledwie po kilka przykładów mających strukturalne trójwyrazowe modele terminów ŠM: rzecz. M. + czas. W. + rzecz. (4 %), np.: pożyczka wspierana przez państwo (149), kwalifikacja uznana przez państwo (33), student finansowany przez państwo (21); rzecz. M. + przym. W. + rzecz. (4 %), np.: zagraniczna szkoła wyższa (41), rada akademicka kolegium (32), opiekun naukowy doktoranta (20); czas. W. / M. + rzecz. M. + rzecz. (3,2 %), np.: końcowa ocena kwalifikacji (36), bezpłatne miejsce na studiach (13), badania o charakterze stosowanym (13); przym. W. + 18 Za poprawne gramatycznie połączenia w niniejszej pracy uznaje się takie połączenia, w których wyrazy zależne są uzgodnione z wyrazem głównym, a relacje syntaktyczne między składnikami połączenia wyrazowego są jasne. 19 Do imiesłowów włączono także imiesłowy zleksykalizowane. 20 Przypadek ostatniego rzeczownika nie jest podawany, ponieważ najczęściej jest to mianownik. 62 Erika Rimkutė | Automatyczny słownik terminów edukacji i nauki. M. (lub D., | nustatymaslingvistiniaismetodais jeśli imiesłów jest zleksykalizowany) + rzecz. (2,4 %), np.: konkursowy przedmiot nauczania (15), nieformalne kształcenie dorosłych (13), naukowa praca badawcza (12); imiesł. M. + przym. M. + rzecz. (1,6 %), np.: stosowana działalność naukowa (20), zlecone badania naukowe (8). 4. Terminy czterowyrazowe. Łącznie znaleziono 77 961 czterowyrazowych GT, połączeń użytych więcej niż 7 razy – 760. Spośród nich ekspert wyodrębnił 22 terminy z zakresu ŠM (stanowią one 2,82 % wszystkich terminów). Najczęstszymi połączeniami w tej grupie terminów są mokslo ir studijų institucija (568), mokslo ir technologijų parkas (62), bendroji nacionalinė kompleksinė programa (40), darbo rinkos profesinis mokymas (40). W korpusie ŠM użyto terminów czterowyrazowych należących do dziewięciu różnych modeli gramatycznych. Ponieważ terminów czterowyrazowych użyto niewiele, każdy model ilustruje zaledwie kilka lub tylko jeden przykład. Poniżej przedstawiono pogrupowane według częstości wszystkie strukturalne modele czterowyrazowych terminów ŠM oraz podano po jednym przykładzie ilustrującym dany model: przym. M. + rzecz. D. + rzecz. D. + rzecz. (22,7 % wszystkich terminów czterowyrazowych): międzynarodowa baza danych naukowych (13); przym. M. + przym. D. + rzecz. D. + rzecz. (18,2 %): ogólny przedmiot kształcenia uniwersyteckiego (8); przym. M. + rzecz. M. + czas. N. + rzecz. (13,6 %): uczeń o specjalnych potrzebach (8); rzecz. M. + spój. + rzecz. M. + rzecz. (13,6 %): instytucja nauki i studiów (568); przym. M. + rzecz. M. + przym. N. + rzecz. (9,1 %): badania naukowe na wysokim poziomie (18); imiesł. N. + przym. N. + rzecz. M. + rzecz. (9,1 %): uznana międzynarodowa baza danych (11); przym. M. + przym. M. + przym. M. + rzecz. (4,5 %): ogólnokrajowy kompleksowy program (40); rzecz. D. + przym. D. + rzecz. D. + rzecz. (4,5 %): państwowa instytucja badań naukowych (31); rzecz. D. + rzecz. D. + rzecz. D. + rzecz. (4,5 %): dziedzina studiów w zakresie nauk technologicznych (28); 5. Terminy pięciowyrazowe. Ustalono 49 768 pięciowyrazowe GT, związków występujących ponad 5 razy znaleziono 601, z nich terminów ŚM – 4, tj. 0,51 % wszystkich terminów. Na podstawie tak niewielkiej liczby terminów trudno wyciągać wnioski dotyczące ich struktury, dlatego terminów nie sklasyfikowano strukturalnie. Wszystkie pięciowyrazowe terminy użyte w korpusie ŚM: badania naukowe i rozwój eksperymentalny (124), badania naukowe i rozwój technologiczny (67), badania naukowe i rozwój technologii (13), centrum badań naukowych wysokiego poziomu (7). 69Terminologija | 2012 | 19 aUtOMatIC IDENtIFICatION OF SCIENCE aND EDUCatION tERMS USING LINGUIStIC MEtHODS AUTOMATYCZNA IDENTYFIKACJA TERMINÓW NAUKOWYCH I EDUKACYJNYCH ZA POMOCĄ METOD LINGWISTYCZNYCH Artykuł dotyczy możliwości i problemów związanych z automatycznym wydobywaniem terminów litewskich. W szczególności omówiono metody lingwistyczne w dziedzinie edukacji i Science. Inni badacze wykazali, że posiadanie niezależnych od języka narzędzi do wydobywania terminów jest niemal niemożliwe; dotyczy to zwłaszcza narzędzi opartych na regułach lingwistycznych. Dlatego narzędzie lingwistyczne do wydobywania terminów powinno zawierać metody uwzględniające system gramatyczny danego języka. W artykule przedstawiono narzędzie opracowane w Centrum Lingwistyki Komputerowej that employs linguistic rules for extracting domain-specific terminology. Uniwersytetu Witolda Wielkiego. Aby automatycznie wydobywać terminy specyficzne dla danej dziedziny, należy wykonać pewne prace przygotowawcze: opracowanie korpusu dziedzinowego (na potrzeby tych badań opracowano korpus liczący cztery miliony słów), anotację morfologiczną korpusu, sformułowanie odpowiednich reguł lingwistycznych oraz stworzenie metodologii odfiltrowywania nieistotnych połączeń wyrazowych. W artykule przedstawiono reguły lingwistyczne zastosowane do wydobywania terminów z dziedziny edukacji i nauki oraz wyniki procedury wydobywania. Zidentyfikowane terminy zestawiono z zatwierdzonymi terminami w Banku Terminów Republiki Litwa. W artykule omówiono niektóre szczegółowe problemy automatycznej ekstrakcji terminów, np. uzgadnianie liczby i przypadka terminów w terminie wielowyrazowym. Otrzymano 2012-05-17 Erika Rimkutė Uniwersytet Witolda Wielkiego ul. K. Donelaitisa 52, LT-44248 Kowno E. mail [email protected]