Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

Автоматичне визначення термінів освіти й науки лінгвістичними методами ERIKA RIMKUTĖ Університет Вітовта Великого КЛЮЧОВІ СЛОВА: корпус текстів, терміни освіти й науки, лінгвістичні методи, заголовна форма, граматична форма ВСТУП Корпусна лінгвістика та комп’ютерна лінгвістика в Литві вже вступили в друге десятиліття свого розвитку — початок цих галузей науки можна пов’язати із заснуванням Центру комп’ютерної лінгвістики Університету Вітовта Великого (див. http://tekstynas.vdu.lt) 1994 р. Було підготовлено кілька корпусів текстів, програм автоматичного аналізу та синтезу мовлення1. Проте принципи корпусної лінгвістики досі мало застосовуються в термінології та термінографії. У статті 2010 року Можливості автоматичного визначення термінів литовської мови (Rimkutė 2010) розглянуто, якою мірою корпуси текстів використовуються під час укладання різних термінологічних праць у Литві. Терміни литовської мови можна знайти в кількох міжнародних базах даних і термінологічних банках; підготовлено чимало електронних термінологічних словників і баз даних2, але всі литовські електронні термінологічні словники по суті укладено на основі словників термінів. Багато литовських словників підготовлено на основі доволі невеликих обсягів текстів і мовної інтуїції, тож можна стверджувати, що в Литві досі переважає прескриптивний спосіб збирання та опису термінів. У статті представлено результати проєкту3, присвяченого визначенню й опису термінів освіти та науки, пов’язані з автоматичним визначенням термі- 1 Повний перелік лінгвістичних ресурсів, підготовлених до 2011 року, можна знайти http://sruoga.vdu.lt/lituanistiniai-skaitmeniniai-istekliai/lituanistiniu-istekliu-sarasas. 2 Посилання наведено в згаданій статті. 3 Це проєкт, що фінансується Радою з науки Литви Автоматична ідентифікація термінів освіти й науки (ŠIMTAI 2) (номер договору LIT-2-44). Основні цілі цього проєкту: 1) розробити й випробувати методологію автоматичного розпізнавання термінів у корпусі текстів литовської мови як новий інструмент упорядкування термінології; 2) створити спеціалізований корпус текстів з освіти та науки; 3) на основі спеціалізованого корпусу підготувати тлумачний словник термінів освіти й науки та онтологію цієї галузі. 54 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais нормуванням, їх описом. Ідея проєкту, присвяченого автоматичному визначенню термінів, виникла після того, як було помічено, що наявні нормативні джерела4 є досить неповними, орієнтовані на найзагальніші терміни освітньої політики й майже зовсім не охоплюють сферу наукової політики; у них не встигають подавати нові терміни, що виникають у практичній роботі, а фахівці з унормування термінів не встигають їх унормувати. Традиційне унормування, однак, є досить суб’єктивним, тому вживання термінів і норми слід обґрунтовувати методами корпусної лінгвістики. Отже, у цій статті йтиметься про ще досить новий для Литви спосіб добору й аналізу термінів, який міг би значно полегшити роботу термінологів і забезпечити більшу об’єктивність. АВТОМАТИЧНЕ ВИЗНАЧЕННЯ ТЕРМІНІВ Щоб автоматично визначити й описати терміни певної галузі, було обрано одну сферу — науку й освіту. Було укладено корпус текстів з освіти й науки (далі — ШН) обсягом 4 млн слів, під час формування якого орієнтувалися на дві основні теми: 1) наукові дослідження та 2) освіту. У сфері наукових досліджень найбільшу увагу приділено політиці наукових досліджень і політиці вищої освіти. У сфері освіти охоплено післясередню освіту, а основну увагу приділено вищій освіті та безперервному навчанню. Як додаткову сферу включено також професійну підготовку. Під час укладання корпусу прагнули охопити тексти різних жанрів і типів, наприклад: закони, інші політичні документи найвищих органів влади (постанови й заяви Сейму Литовської Республіки, Уряду Литовської Республіки, Президента Литовської Республіки, рішення Конституційного Суду тощо); стратегічні документи; акти, що забезпечують виконання законів; документи установ і проєктів, які реалізують політику науки й освіти; документи наукових установ і закладів вищої освіти; інформаційні видання, дослідження стану галузі, оцінювання, техніко-економічні обґрунтування; пресрелізи, матеріали дискусій. Маючи репрезентативний, добре збалансований корпус текстів досліджуваної галузі5, можна автоматично визначати терміни. Для цього найчастіше використовують- 4 Можна згадати Банк термінів Литовської Республіки, Енциклопедичний словник термінів педагогіки Л. Йовайші (2007), тезаурус TESE [переглянуто 2012-05-20], доступ в інтернеті: http://eacea.ec.europa.eu/education/eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf. 5 Репрезентативність і розмір корпусів — одні з найскладніших питань корпусної лінгвістики. Можна вважати, що корпус ШН досить добре репрезентує обрану сферу. Більш дискусійним є його розмір: наприклад, корпус юридичних текстів англійською та італійською мовами Bononia Legal Corpus (BOLC) має приблизно 18 млн слів (Rossini Favretti et al. 2001). Terminologija | 2012 | 19 55 ють три типи методів: статистичні, лінгвістичні та гібридні моделі, що поєднують статистичні й лінгвістичні методи. Було проведено кілька експериментів, метою яких було визначити найпридатніші методи визначення термінів. Було випробувано такі статистичні методи: 1) функція WordSmith Tools Keyword Clusters; 2) метод машинного навчання KEA; 3) метод вилучення колокацій із використанням інструмента LICE (докладніше див. Grigon worth et al. 2011). За результатами цих досліджень зроблено висновок, що для литовської мови найпридатнішими є лінгвістичні методи. Далі коротко пояснено особливості цих методів. Основна перевага статистичних систем визначення термінів полягає в тому, що їм не потрібні великі бази даних із прикладами термінів, визначеними людьми. Крім того, вони не залежать від мови. Основний принцип роботи статистичних систем ґрунтується на тому, що слова, які часто вживаються разом, пов’язані між собою і можуть розглядатися як терміни. Лінгвістичні методи зазвичай ґрунтуються на морфологічному маркуванні та порядку слів. Щоб застосовувати лінгвістичні методи, потрібні морфологічно анотовані корпуси. За допомогою лінгвістичних методів визначення термінів зазвичай з’ясовують, які граматичні форми можуть мати терміни. Визначаючи граматичні форми, потрібно враховувати особливості мов. Наприклад, для аналітичних мов важливо визначити частину мови термінів. Частина мови термінів литовської мови також дуже важлива, але потрібно знати, інформація про які інші граматичні категорії необхідна для автоматичного визначення термінів. Було помічено, що для литовської мови важливі також категорії числа й відмінка, тоді як категорія роду не має особливого значення для автоматичного визначення термінів6. 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. Далі в цій статті буде представлено спроби автоматично визначати терміни литовської мови за допомогою лінгвістичних методів. Варто зазначити 6 Категорія роду стає актуальною у випадках, коли виникає синкретизм відмінкових форм, наприклад, mokslo darbuotojų: програма автоматичного морфологічного аналізу розпізнає форму darbuotojų і як родовий відмінок множини іменника чоловічого роду, і як родовий відмінок множини іменника жіночого роду, тому як заголовкову форму вказує і mokslo darbuotojas, і mokslo darbuotoja. Як термін слід подавати форму чоловічого роду, тобто mokslo darbuotojas. 56 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais слід зауважити, що для визначення можливих термінів (далі GT)7 використовувалася програма, створена в Центрі комп’ютерної лінгвістики Університету Вітовта Великого (VDU). У цій програмі застосовано лінгвістичні правила, які вказують, сполучення яких частин мови або форми слів підлягають аналізу. Як зазначалося, для використання лінгвістичних методів потрібні морфологічно анотовані корпуси, тому спочатку зібраний корпус освіти та науки було морфологічно анотовано за допомогою морфологічного анотатора8, створеного в Центрі комп’ютерної лінгвістики Університету Вітовта Великого. Нижче наведено приклад автоматично морфологічно анотованого тексту: <word=”ПРОЄКТІВ” lemma=”проєкт” type=”іменник чол.р. род.в. мн. K”>9 <простір> <word=”ФІНАНСУВАННЯ” lemma=”фінансування” type=”іменник чол.р. род.в. одн. K”> <простір> <word=”УМОВ” lemma=”умова” type=”іменник жін.р. род.в. мн. K”> <простір> <word=”ОПИС” lemma=”опис” type=”іменник чол.р. род.в. одн. V”> <п> <word=”I” lemma=”I” type=”римська цифра”> <sep=”.”> <простір> <word=”ЗАГАЛЬНИХ” lemma=”загальний” type=”прикметник ствердж. найвищ. ступ. займ. жін.р. одн. род.в.”> <простір> <word=”ПОЛОЖЕНЬ” lemma=”положення” type=”іменник жін.р. род.в. одн. K”>10 <п> <number=”1”> <sep=””> <простір> <number=”2007”> <sep=”–”> 7Програми, що автоматично визначають терміни за допомогою різних методів, зазвичай розпізнають можливі терміни — терміни-кандидати (див. Zeller 2005), хоча серед автоматично визначених слів або сполучень нерідко трапляються цілком беззмістовні словосполучення або змістовні нетермінологічні сполучення слів, наприклад колокації. Серед цих слів і сполучень власне терміни зазвичай визначає фахівець у відповідній галузі. 8Докладніше див. http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use. 9 Word указує на конкретну словоформу, вжиту в тексті, lemma — на початкову форму (лему), type — на докладну морфологічну інформацію. 10Слід зауважити, що морфологічне анотування виконується автоматично, тому трапляються й помилки: наприклад, у цьому зразку через синкретизм відмінкових форм зазначено неправильну форму — замість називного відмінка множини жіночого роду вказано родовий відмінок однини жіночого роду. Докладніше про неточності, зумовлені особливостями морфологічного анотатора, див. розділ Проблеми автоматичного визначення термінів. Terminologija | 2012 | 19 57 <number=”2013”> <space> <word=”м” lemma=”м” type=”скорочення” <sep=”.”> <space> Принцип роботи програм, які автоматично визначають GT, коротко й просто можна описати так: аналізується морфологічно розмічений текст, у якому шукають ланцюжки пов’язаних слів. Перший критерій — відбирати неперервні словосполучення відповідно до розмітки тексту та меж речень. Частину меж тексту позначено як розділові знаки, інші можуть бути позначені як HTML-теги, наприклад тег абзацу <p>, тег пробілу між словами <space> тощо. Далі потрібно підготувати певні лінгвістичні правила, які буде застосовано в програмі. Для визначення термінів освіти та науки було підготовлено й застосовано такі основні правила11: 1. Аналізуються лише ті сполучення, які містять принаймні один іменник. Якщо GT є двослівним або довшим, іншими частинами мови в такому сполученні можуть бути прикметники та дієприкметники. 2. Аналізуються лише ті сполучення, останнє слово яких обов’язково має бути іменником12. 3. У двослівних GT не аналізуються власні іменники, оскільки вони зазвичай входять до складу назв осіб, компаній, установ тощо, які не вважаються галузевими термінами (під час визначення довших термінів власні іменники також включаються до списків GT). 4. Із словосполучень вилучити числа, записані цифрами. 5. Не аналізувати слова чи словосполучення, до складу яких входить хоча б одне слово, не розпізнане морфологічним анотатором. Це переважно іншомовні вставки, слова, написані з помилками, усічені форми слів13. Після застосування таких правил було визначено GT, з яких експерт14 відібрав терміни сфери освіти й науки. Ці терміни проаналізовано докладніше, їхню структуру описано в розділі Структура термінів сфери освіти й науки. Правила є універсальними й загалом придатні для автоматичного визначення термінів у будь-якій галузі.11 Можлива й інша структура термінів, наприклад, іменник із прийменниковою інфінітивною конструкцією, іменник із прийменниково-відмінковою конструкцією. Таких термінів небагато, тому їх не аналізували. У подальших дослідженнях слід проаналізувати й структури термінів, не включені до цієї статті.12 Застосовуючи певні обмеження під час відбору GT, можна втратити цінну інформацію. У цьому дослідженні не підраховували, скільки справжніх термінів залишилося нерозпізнаними. Використовуючи програми автоматичного розпізнавання термінів, слід змиритися з тим, що частину інформації буде втрачено, однак автоматично визначену інформацію буде легше обробляти, а отримані словосполучення будуть граматично правильнішими.13 Експертом цього проєкту є литуаніст Ґедрюс Вілюнас, який має значний педагогічний, адміністративний та управлінський досвід у сфері освіти й науки.14 58 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais ВІДБІР ТЕРМІНІВ Застосувавши метод, описаний у попередньому розділі, програму та використані в ній правила, було визначено близько 11 тис. GT, що складалися від одного до п’ятнадцяти слів15. Зіткнувшись із таким великим обсягом даних, застосували кілька критеріїв відбору. Перший — довжина термінів: з огляду на загальні тенденції у структурі термінів вирішили аналізувати терміни не довші за сім слів. Другий критерій — частота вживання термінів. Для подальшого докладного аналізу обрали однословні GT, ужиті в корпусі текстів сфери освіти й науки не менше ніж 20 разів; двослівні GT, ужиті не менше ніж 10 разів; трислівні GT, ужиті не рідше ніж 8 разів; чотирислівні GT, ужиті щонайменше 6 разів; п’ятислівні GT, частота яких становить щонайменше 4 рази; шестислівні GT, ужиті щонайменше 3 рази, та семислівні GT, частота яких становить не менше ніж 2 рази. Під час автоматичного підрахунку частоти появи GT спиралися на заголовні (словникові) форми слів, тобто леми. Після застосування цих критеріїв відбору визначені терміни дослідили докладніше (їхню структуру представлено в наступному розділі). Після перегляду експертом GT, визначених за згаданими вище критеріями, було відібрано справжні терміни сфери освіти й науки. Їхній розподіл за довжиною наведено в таблиці 1. Таблиця 1. Розподіл термінів освіти й науки за довжиною Кількість слів, що утворюють термін Кількість термінів, число Кількість термінів,% 1 155 19,87 2 474 60,77 3 125 16,03 4 22 2,82 5 4 0,51 Усього 780 100,00 15 Тут наведено кілька найдовших знайдених термінів: повернення державою підтримуваної позики позичальникові за рішенням комісії, утвореної директором фонду, у випадках, зазначених у пункті (15 слів; тут пропущено числа, тобто номер пункту); за адресою місця проживання позичальника, зазначеною в договорі про державою підтримувану позику, укладеному кредитною установою (13 слів); порядок сплати студентами університету плати за навчання на навчальний рік установлюється наказом ректора (11 слів). Очевидно, що ці фрагменти тексту не можна вважати можливими термінами. Terminologija | 2012 | 19 59 З даних таблиці видно, що близько 97% усіх термінів освіти й науки становлять терміни з 1–3 слів. У корпусі GT не знайдено термінів освіти й науки з шести та семи слів, тому надалі їх не аналізували. СТРУКТУРА ТЕРМІНІВ ОСВІТИ Й НАУКИ У цьому розділі докладно описано структуру термінів освіти й науки, автоматично визначених і відібраних експертом, а також наведено їхні граматичні моделі. Терміни описано від найкоротших, тобто однослівних, до найдовших, тобто п’ятислівних. 1. Однослівні терміни. Загалом визначено 7635 однослівних GT, з них 1311 ужито в корпусі понад 20 разів. Надалі докладніше аналізували лише ці слова. Із 1311 слів 155 можна вважати термінами освіти й науки, тобто близько 20%. Найчастіше в корпусі вживалися такі терміни освіти й науки: studentas (420816), universitetas (3959), studijos (1562), mokslas (1508), sritis (1403). 2. Двослівні терміни. У корпусі обсягом 4 млн слів знайдено 145 468 двослівних GT. Як зазначалося раніше, надалі аналізували лише ті двослівні GT, частотність яких становила не менше ніж 10 разів, — таких термінів знайдено 4889. Після перегляду GT в остаточному списку термінів освіти й науки залишилося лише 474 двослівні терміни, і вони становлять більшість усіх аналізованих термінів — понад дві третини (див. таблицю 1). Двослівні терміни можна поділити на три типи з огляду на їхні граматичні форми. 1) ім. + ім. термінів освіти й науки такого типу налічується 250, тобто 52,7% усіх двослівних термінів. Найчастотнішими термінами освіти й науки цієї структури, ужитими в корпусі, є studijų programa (1432), studijų pakopa (306), studijų kryptis (303), mokslo darbuotojas (289), studijų kokybė (253). 2) прикм. + ім..17 сполуки утворюють 200 термінів освіти й науки (42,2% двослівних термінів). Найчастотніші терміни освіти й науки: aukštoji mokykla (2160), moksliniai tyrimai (918), aukštasis mokslas (730), nuotolinis mokymas (453), profesinis mokymas (403). Сполуки типу прикм. + ім. вважаються GT у тому разі, коли прикметник узгоджений з іменником за родом, числом і відмінком. В іншому разі отриму- 16 У дужках зазначено частотність цього терміна в корпусі текстів освіти й науки обсягом 4 млн слів. 17 У моделях двослівних термінів відмінки не зазначаються, оскільки прикметники й дієприкметники узгоджуються з іменниками, а іменники зазвичай уживаються в однині називного відмінка. 60 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais Також граматично неправильні¹⁸ словосполучення, наприклад, тісніший університетів, найважливіший права, найважливіших навчання, найкращого року, або словосполучення є правильним, хоча часто неповним, і це не терміни освіти й науки, наприклад, найбільший у світі, найдинамічніший у світі, сприятливий для студентів. 3) присл. + ім. словосполучень як термінів освіти й науки лише 24, тобто 5%. Найчастотніші терміни освіти й науки: випускна робота (162), вибіркова дисципліна (109), освіта дорослих¹⁹ (65), зворотний зв’язок (63), прикладні дослідження (45). 3. Трислівні терміни. Загалом визначено 119 881 трислівне GT. Детально проаналізовано 2438 словосполучень, частотність яких у корпусі становить не менше ніж 8 разів. Виявлено 125 термінів освіти й науки, тобто 16,03% від усіх термінів. Найчастотніші терміни освіти й науки: заклад вищої освіти (251), заклад професійної освіти (205), кредит, гарантований державою (149), загальноосвітня школа (147), заклад професійної освіти (77). Трислівні терміни освіти й науки належать до семи граматичних моделей. Серед трислівних термінів освіти й науки найчастотнішими є словосполучення типу прикм. Р. + ім. Р. + ім.²⁰ (вони становлять 48% усіх трислівних термінів), наприклад: заклад вищої освіти (251), заклад професійної освіти (205), загальноосвітня школа (147). Другими за частотністю серед трислівних термінів освіти й науки є словосполучення типу ім. Р. + ім. Р. + ім. (24,8%), наприклад: регламент напряму навчання (66), опис напрямів навчання (60), державний науковий інститут (50). Третя за частотністю структурна модель трислівних термінів освіти й науки — прикм. Н. + прикм. Н. + ім. (12%), наприклад: національна комплексна програма (69), фундаментальне наукове дослідження (61), початкова професійна освіта (52). Далі наведемо лише по кілька прикладів зі структурними моделями трислівних термінів освіти й науки, упорядкованими за частотністю: ім. Р. + дієприкм. Н. + ім. (4%), наприклад: кредит, гарантований державою (149), кваліфікація, визнана державою (33), студент, який навчається за кошти держави (21); ім. Р. + прикм. Н. + ім. (4%), наприклад: іноземний заклад вищої освіти (41), академічна рада коледжу (32), науковий керівник докторанта (20); дієприкм. Н. / Р. + ім. Р. + ім. (3,2%), наприклад: підсумкове оцінювання кваліфікації (36), безоплатне місце навчання (13), дослідження прикладного характеру (13); прикм. Н. + ¹⁸ У цій праці граматично правильними вважаються словосполучення, у яких залежні слова узгоджуються з головним, а синтаксичні зв’язки між компонентами словосполучення є чіткими. ¹⁹ До дієприкметників зараховано також субстантивовані дієприкметники. ²⁰ Відмінок останнього іменника не вказується, оскільки найчастіше це називний відмінок. Terminologija | 2012 | 19 61 присл. В. (або Я., якщо дієприкметник субстантивований) + ім. (2,4%), напр.: конкурсний навчальний предмет (15), неформальне навчання дорослих (13), науково-дослідна робота (12); присл. В. + прикм. В. + ім. (1,6%), напр.: прикладна наукова діяльність (20), замовні наукові дослідження (8). 4. Чотирислівні терміни. Загалом виявлено 77 961 чотирислівний GT, словосполучень, ужитих понад 7 разів, — 760. Із них експерт визначив 22 терміни у сфері освіти й науки (вони становлять 2,82% усіх термінів). Найчастотнішими сполученнями в цій групі термінів є установа науки та навчання (568), парк науки і технологій (62), загальна національна комплексна програма (40), професійне навчання для ринку праці (40). Чотирислівні терміни, ужиті в корпусі текстів освіти й науки, належать до дев’яти різних граматичних моделей. Оскільки чотирислівних термінів ужито небагато, кожну модель ілюструють лише кілька або навіть один приклад. Нижче за частотністю згруповано всі структурні моделі чотирислівних термінів освіти й науки та наведено по одному прикладу, що ілюструє кожну модель: прикм. В. + ім. Р. + ім. Р. + ім. (22,7% усіх чотирислівних термінів): міжнародна наукова база даних (13); прикм. В. + прикм. Р. + ім. Р. + ім. (18,2%): предмет загальної університетської підготовки (8); прикм. Р. + ім. Р. + дієприкм. В. + ім. (13,6%): учень з особливими освітніми потребами (8); ім. Р. + спол. + ім. Р. + ім. (13,6%): установа науки та навчання (568); прикм. Р. + ім. Р. + прикм. В. + ім. (9,1%): наукові дослідження високого рівня (18); дієприкм. В. + прикм. В. + ім. Р. + ім. (9,1%): визнана міжнародна база даних (11); прикм. В. + прикм. В. + прикм. В. + ім. (4,5%): загальна національна комплексна програма (40); ім. Р. + прикм. Р. + ім. Р. + ім. (4,5%): державна науково-дослідна установа (31); ім. Р. + ім. Р. + ім. Р. + ім. (4,5%): галузь навчання технологічних наук (28); 5. П’ятислівні терміни. Виявлено 49 768 п’ятислівних GT, словосполучень, ужитих понад 5 разів, знайдено 601, із них термінів освіти й науки — 4, тобто 0,51% усіх термінів. За такої невеликої кількості термінів важко робити узагальнення щодо їхньої структури, тому терміни структурно не класифікували. Усі п’ятислівні терміни, ужиті в корпусі текстів освіти й науки: наукові дослідження та експериментальні розробки (124), наукові дослідження та технологічні розробки (67), наукові дослідження та розвиток технологій (13), центр наукових досліджень високого рівня (7). 62 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais 6. Шести- та семислівні терміни. Як уже зазначалося, серед шестислівних і семислівних термінів GT не виявлено жодного терміна ШМ, хоча загалом визначено 30 298 шестислівних GT (серед них сполучень, ужитих понад 3 рази, знайдено 750) і 17 815 семислівних GT (серед них сполучень, ужитих понад 2 рази, знайдено 2608). ПОРІВНЯННЯ ТЕРМІНІВ ОСВІТИ Й НАУКИ З ТЕРМІНАМИ БАНКУ ТЕРМІНІВ ЛИТОВСЬКОЇ РЕСПУБЛІКИ Терміни, ужиті в корпусі текстів ШМ, можна порівняти з апробованими термінами освіти й науки, наведеними в Банку термінів Литовської Республіки21; їх 74. Структура цих термінів дуже різноманітна: від однослівних до сполучень із 18 слів. Дуже довгих термінів, що складаються з 15 і 18 слів, знайдено лише по одному. Найдовший наведений термін — програма неформального безперервного професійного навчання фермерів, власників лісів, членів місцевих груп діяльності, інших мешканців села та їхніх консультантів. Дискусійним є питання, чи вважати назву програми терміном. Порівняння структури термінів освіти й науки в корпусі текстів ШМ і Банку термінів показує, що в обох джерелах найчастіше трапляються одно-, дво- та трислівні терміни. Щоправда, в Банку термінів одно-, дво- та трислівні терміни становлять 86,5%, тоді як у корпусі текстів ШМ терміни такої самої довжини — 97% (див. таблицю 1). У Банку термінів дещо більше чотирислівних термінів, п’ятислівних не вжито; серед термінів із 6, 7, 8 і 9 слів у Банку термінів є лише по одному або два, термінів із 10 слів немає, проте наведено вже згадані терміни з 15 і 18 слів (див. таблицю 2). Викликає сумнів віднесення кількох термінів, наведених у Банку термінів, до сфери освіти й науки, наприклад, литовець, світова литовська громада, рееміграція, національність. З отриманого переліку термінів видно, що сфера освіти й науки охоплена не повністю: наприклад, як термін професійної освіти наведено тракторист, але немає комбайнера, кухаря, столяра тощо; особливо бракує термінів, що відображають політику в галузі науки. Отже, терміни, визначені в ході дослідження, розглянутого в цій статті, мають принаймні частково заповнити прогалину в термінології сфери освіти й науки. 21 Перелік апробованих термінів сфери освіти й науки було отримано у 2010 році від Державної комісії литовської мови. Порівняння даних корпусу текстів і Банку термінів ґрунтується саме на цьому переліку. Terminologija | 2012 | 19 63 Таблиця 2. Розподіл термінів освіти й науки, наведених у Банку термінів Литовської Республіки, за довжиною Кількість слів, що утворюють термін Кількість термінів, число Кількість термінів,% 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 Усього 74 100 ПРОБЛЕМИ АВТОМАТИЧНОГО ВИЗНАЧЕННЯ ТЕРМІНІВ Під час визначення термінів різними методами виникають дві основні проблеми: 1) які форми термінів є граматично правильними; це особливо важливо під час визначення заголовкової форми; 2) як відрізнити загальні фрази й загальні терміни від термінів аналізованої галузі. З подібними проблемами стикаються й науковці інших країн (пор. Cabré Castellví et al 2001). Найчастіше другу проблему можна розв’язати лише неавтоматично, тобто фахівець відповідної галузі має переглянути GT і визначити, які терміни належать до аналізованої галузі. Можна також застосувати певні фільтри, тобто скласти список слів, що не підлягають аналізу (англ. stop list), і використовувати його для відхилення слів, які не можуть виступати термінами аналізованої галузі. Таку фільтрацію було застосовано й у цьому дослідженні. Кілька прикладів: термінами освіти й науки не вважали слова чи словосполучення, останнім словом у яких є іменник, що позначає час 64 Erika Rimkutė | Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais наприклад: рік, місяць, день, тиждень, ранок, вечір, січень, лютий, понеділок, вівторок тощо. Слова, що позначають одиниці вимірювання, також не вважали термінами, наприклад: міліметр, метр, сантиметр, кілометр, миля, грам, кілограм, тонна. Можна відхиляти словосполучення, що містять характерні для загальних адміністративних термінів слова й вирази, наприклад: стаття закону, у частині статті закону, встановлено законами (порядок), затвердженим пунктом наказу, у порядку, встановленому нормативно-правовими актами, уряд республіки, держава республіки, пункт положення, пункт постанови, наказ міністра, у порядку, встановленому міністром, затверджений міністром, утворений міністром. Щоб якомога точніше автоматично відрізнити терміни освіти й науки від загальних, було укладено два порівняльні корпуси такого самого обсягу, як і корпус текстів освіти й науки, тобто по 4 млн слів. Перший із порівняльних корпусів укладено з текстів різних жанрів і стилів; його структура подібна до Dabartinės lietuvių kalbos tekstyną (до нього входять публіцистика, художня література, адміністративна література, наукова література). Другий порівняльний корпус укладено з адміністративних текстів, що не належать до галузі освіти й науки. Було висунуто припущення, що чим загальніший термін, тим частіше він уживається в загальному та/або адміністративному корпусі, а чим специфічніший термін, тим рідше він трапляється в загальному та/або адміністративному корпусі. Ця гіпотеза частково підтвердилася: наприклад, характерні для галузі освіти й науки терміни judumas, kompetentingumas, nubyrejimas, siekinys не знайдено в порівняльних корпусах, тоді як такі терміни, як studentas, universitetas, vadovėlis, часто трапляються і в корпусі освіти й науки, і в порівняльних корпусах. Це дослідження варто продовжити, щоб отримати надійні дані про те, наскільки зіставлення кількох корпусів може допомогти хоча б частково автоматично відрізнити загальні терміни від термінів аналізованої галузі. Далі докладніше розглядатиметься перша проблема, тобто як автоматично визначити правильну лему термінів (особливо багатослівних), як звести до однієї леми слова й словосполучення, вжиті в корпусі в різних відмінюваних формах. Дослідження показало, що визначити заголовкову форму терміна не завжди легко. Під час автоматичного визначення леми, наприклад, для словосполучення aukštoji mokykla отримуємо результат aukštas mokykla. Така форма вказана тому, що морфологічний анотатор подає як лему прикметників форму називного відмінка однини чоловічого роду найвищого ступеня порівняння (докладніше про особливості анотатора див. Zinkevičius 2000). Для лем багатослівних термінів Terminologija | 2012 | 19 65 визначити дуже допомогла б програма синтаксичного аналізу. На жаль, наразі немає реально дієвої програми синтаксичного аналізу22. Отже, для визначення лем потрібні певні додаткові правила — у цьому разі слід указати, що якщо лема складається з іменника, то прикметник або дієприкметник має узгоджуватися з родом цього іменника; якщо прикметник або дієприкметник має займенникову форму, цю категорію потрібно зберегти і в лемі. Чимало запитань виникає щодо категорії числа, наприклад, перший компонент терміна studentų atstovybė має бути у формі множини, у термінах akademiniai įgūdžiai, auditorinės darbo valandos усі компоненти мають бути у формі множини, тоді як у термінах fakulteto taryba, universiteto autonomija, bendrasis priėmimas, mokslinis leidinys обидва компоненти мають бути у формі однини. Звісно, людині нескладно визначити, де потрібна форма множини, а де однини, але автоматично це зробити дуже складно. Щоправда, у корпусі помітно, що деякі слова майже завжди вживаються лише у формі множини (наприклад: asignavimai, duomenys, studijos, rūmai, žinios, pinigai, pareigos). Визначити належну форму числа складно також через те, що деякі слова є омонімами, наприклад, studija (наукова праця) і studijos (навчання). З цієї причини для таких термінів автоматично було неправильно визначено леми: bakalauro studija, rezidentūros studija, magistro studija, dieninės studija, nuotolinės studija. Як уже зазначалося, деякі іменники зазвичай уживаються лише у формі множини, хоча в словнику як лему наведено форму однини. Ця невідповідність між словниковою інформацією та реальним уживанням призвела до неправильного визначення лем термінів mokinio pasiekimas, švietimo resursas, praktinis gebėjimas, fizinis mokslas, akademinis užsiėmimas (має бути: mokinio pasiekimai, švietimo resursai, praktiniai gebėjimai, fiziniai mokslai, akademiniai užsiėmimai). Ще одна проблема — іменники substantiva mobilia, наприклад: abiturientas – abiturientė, abonentas – abonentė. Оскільки в корпусі траплялися форми як чоловічого, так і жіночого роду, автоматично було вказано леми обох родів. Щоб як термін у сфері освіти та науки залишити лише лему чоловічого роду, потрібно було застосувати правило, за яким іменники типу substantiva mobilia чоловічого та жіночого роду зводяться до леми чоловічого роду. 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 Під час автоматичного визначення лем іноді вказується неправильний порядок слів, наприклад, наведено такі заголовні форми: tipų studija (має бути studijų tipas), lygmens kvalifikacija (має бути kvalifikacijų lygmuo). Оскільки під час визначення лем не застосовується синтаксичний аналіз, означення не завжди узгоджуються з означуваним словом, наприклад, tarptautinis (= tarptautinio) lygio mokslas, або виникають інші порушення синтаксису, наприклад: paskolų gyvenimo išlaidos (= paskola gyvenimo išlaidoms). Труднощі виникають також під час визначення меж термінів: наприклад, чи є dėstytojų ir mokslininkų kvalifikacijos bei kompetencijos atitiktis одним терміном, чи тут слід розрізняти кілька термінів: 1) відповідність кваліфікації та компетентності викладачів, 2) відповідність кваліфікації та компетентності науковців, 3) відповідність кваліфікації викладачів і науковців, 4) відповідність компетентності викладачів і науковців, 5) кваліфікація викладачів, 6) кваліфікація науковців, 7) компетентність викладачів, 8) компетентність учителів, 9) відповідність кваліфікації, 10) відповідність компетенцій. Під час визначення лем і загалом розпізнавання термінів труднощі виникають також через специфіку морфологічного анотатора, коли з кількох можливих частин мови або граматичних форм обирається неправильна. Наприклад, якщо прикметник узгоджений із сусіднім іменником у роді, відмінку та числі, то дуже ймовірно, що таке словосполучення буде граматично правильним. Сполучення, утворені з двох іменників, перший компонент яких не стоїть у родовому відмінку, не завжди граматично правильні. Їх потрібно уважніше перевіряти, а отже, витрачати більше часу. Отже, від того, яку частину мови зазначено, залежить, чи потрапить словосполучення до термінів, чи буде воно граматично правильним. Кілька прикладів, що ілюструють цей тип помилки: metinėms (може бути прикметником і іменником, морфологічний анотатор указав іменник) ataskaitoms; keliais (може бути займенником і іменником, обрано іменник) procentais; bendrais (може бути прикметником і іменником, обрано іменник) teiginiais; uždarus (може бути прикметником і іменником, обрано іменник) posėdžius. Через неправильно визначену частину мови та через те, що слова синтаксично не аналізуються, на перший погляд граматично неправильним здається словосполучення žemiausias balas, знайдене в морфологічно анотованому корпусі, оскільки Terminologija | 2012 | 19 67 для першого слова зазначено такі мітки: прикм., найвищий ступінь, невідмінюваний, чол. р., одн., наз. відм.; для другого: ім., жін. р., мн., род. відм., а лемою вказано bala. Отже, бачимо, що в цьому випадку неправильно визначено лему іменника — має бути balas. Отже, згадане раніше словосполучення є граматично правильним. У цьому розділі розглянуто труднощі, з якими найчастіше стикаються під час автоматичного визначення термінів освіти й науки. Про ці проблеми та способи їх розв’язання йтиметься в інших працях. ВИСНОВКИ Програму й методику автоматичного визначення термінів ще потрібно вдосконалювати. Проте перші результати можна оцінити досить високо. Як видно з наведених прикладів, автоматичний аналіз виявляє не лише специфічні, технічні проблеми, а й проблеми, з якими стикаються термінологи, наприклад вибір категорії числа. Після вдосконалення морфологічного анотатора та застосування програми автоматичного синтаксичного аналізу терміни можна буде визначати автоматично легше й надійніше. Попри труднощі, програма автоматичного визначення термінів значно пришвидшує процес визначення термінологічних словосполучень. Ще одна важлива перевага автоматичного визначення термінів — об’єктивність аналізу даних. Встановлено, що 97% автоматично відібраних і перевірених термінів освіти й науки складаються з 1–3 слів. Найбільше двослівних термінів — вони становлять майже 61% усіх термінів. Найпоширеніші структурні моделі термінів освіти й науки: ім. у наз. відм. + ім., прикм. + ім., прикм. у наз. відм. + ім. у наз. відм. + ім., ім. у наз. відм. + ім. у наз. відм. + ім. (останній іменник може стояти в різних відмінках). 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