Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

54 Erika Rimkutė | Automatinisšvietimoirmoksloterminų      | nustatymaslingvistiniaismetodais Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais ERIKA RIMKUTė VytautoDidžiojouniversitetas ESMINIaI ŽODŽIaI: tekstynas, švietimo ir mokslo terminai, lingvistiniai metodai, antraštinė forma, gramatinė forma ĮVADAS Tekstynų lingvistika ir kompiuterinė lingvistika Lietuvoje jau skaičiuoja antrą dešimtmetį – šios mokslo šakos pradžią galima sieti su Vytauto Didžiojo universiteto Kompiuterinės lingvistikos centro (žr. http://tekstynas.vdu.lt) įsteigimu 1994 m. Parengta keletas tekstynų, automatinių kalbos analizės ir sintezės programų1. Vis dėlto tekstynų lingvistikos principai dar menkai taikomi terminologijoje ir terminografijoje. 2010 m. straipsnyje Lietuviųkalbosterminųautomatinionustatymogalimybės (Rimkutė 2010) apžvelgta, kiek tekstynai naudojami sudarant įvairius terminologijos darbus Lietuvoje. Lietuvių kalbos terminų galima rasti keliose tarptautinėse duomenų bazėse, terminų bankuose; nemažai parengta elektroninių terminynų ar duomenų bazių2, bet visi lietuviški elektroniniai terminynai iš esmės yra sudaryti terminų žodynų pagrindu. Daugelis lietuviškų žodynų parengti remiantis gana nedideliais tekstų kiekiais, kalbine intuicija, taigi galima teigti, kad Lietuvoje vis dar vyrauja preskriptyvusis terminų gavimo ir aprašymo būdas. Straipsnyje norima pristatyti švietimo ir mokslo terminams nustatyti ir aprašyti skirto projekto3 rezultatus, susijusius su automatiniu terminų nu1 Išsamų lituanistinių išteklių, parengtų iki 2011 m., sąvadą galite rasti http://sruoga.vdu.lt/lituanistiniaiskaitmeniai-istekliai/lituanistiniu-istekliu-sarasas. 2 Nuorodos pateiktos minėtame straipsnyje. 3 Tai Lietuvos mokslo tarybos finansuojamas projektas Švietimoirmoksloterminųautomatinisidentifikavimas (ŠIMTAI 2) (sutarties nr. LIT-2-44). Šio projekto svarbiausi tikslai: 1) sukurti ir išbandyti automatinio terminų atpažinimo lietuvių kalbos tekstyne metodologiją kaip naują terminijos tvarkybos instrumentą, 2) sukurti specialųjį švietimo ir mokslo tekstyną, 3) specialiojo tekstyno pagrindu parengti aiškinamąjį švietimo ir mokslo terminų žodyną ir šios srities ontologiją. 55Terminologija | 2012 | 19 statymu, jų aprašymu. Automatiniam terminų nustatymui skirto projekto idėja kilo pastebėjus, kad esami norminamieji šaltiniai4 yra gana neišsamūs, orientuoti į pačius bendriausius švietimo politikos terminus ir beveik nė kiek neapima mokslo politikos srities, juose nespėjama pateikti naujų, iš praktinio darbo kylančių terminų; terminų normintojai nespėja jų sunorminti. Tradicinis norminimas vis dėlto yra gana subjektyvus, todėl vartoseną ir normas reikia pagrįsti tekstynų lingvistikos metodais. Tad šiame straipsnyje bus rašoma apie Lietuvoje dar gana naują terminų atrankos ir analizės būdą, kuris galėtų gerokai palengvinti terminologų darbą, suteikti daugiau objektyvumo. AUTOMATINIS TERMINŲ NUSTATYMAS Norint automatiškai nustatyti ir apibrėžti tam tikros srities terminus, pasirinkta viena sritis – mokslas ir švietimas. Sukauptas 4 mln. žodžių apimties švietimo ir mokslo (toliau ŠM) tekstynas, kurį sudarant orientuotasi į dvi pagrindines temas: 1) mokslinius tyrimus ir 2) ugdymą. Iš mokslinių tyrimų srities daugiausia dėmesio skirta mokslinių tyrimų politikai ir aukštojo mokslo politikai. Iš ugdymo srities imtas povidurinis ugdymas, o didžiausias dėmesys skirtas aukštajam mokslui ir tęstiniam mokymui(si). Kaip papildoma sritis įtrauktas ir profesinis rengimas. Sudarant tekstyną siekta aprėpti įvairių žanrų ir tipų tekstus, pvz.: įstatymus, kitus aukščiausių valdžios institucijų politinius dokumentus (Lietuvos Respublikos Seimo, Lietuvos Respublikos Vyriausybės, Lietuvos Respublikos Prezidento nutarimus, pareiškimus, Konstitucinio Teismo sprendimus ir kt.); strateginius dokumentus; įstatymų įgyvendinamuosius aktus; mokslo ir ugdymo politikos įgyvendinimo institucijų ir projektų dokumentus; mokslo ir studijų institucijų dokumentus; informacinius leidinius, srities būklės tyrimus, vertinimus, galimybių studijas; spaudos pranešimus, diskusijų medžiagą. Turint reprezentatyvų, gerai subalansuotą tiriamosios srities tekstyną5, galima automatiškai nustatyti terminus. Šiam tikslui dažniausiai naudoja4 Galima paminėti Lietuvos Respublikos terminų banką, L. Jovaišos Enciklopedinįedukologijosterminųžodyną (2007), TESE tezaurą [žiūrėta 2012-05-20], prieiga per internetą: http://eacea.ec.europa.eu/education/ eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf. 5 Tekstynų reprezentatyvumas, dydis – vieni iš sudėtingiausių tekstynų lingvistikos klausimų. Manytina, kad ŠM tekstynas gana gerai reprezentuoja pasirinktą sritį. Labiau diskutuotina dėl jo dydžio, pvz., anglų–italų kalbų teisės tekstynas BononiaLegalCorpus (BOLC) yra maždaug 18 mln. žodžių dydžio (Rossini Favretti et al. 2001). 56 Erika Rimkutė | Automatinisšvietimoirmoksloterminų      | nustatymaslingvistiniaismetodais mi trejopi metodai: statistiniai, lingvistiniai ir hibridiniai statistinių bei lingvistinių metodų modeliai. Atlikti keli eksperimentai, kuriais siekta nustatyti tinkamiausius terminų nustatymo metodus. Išbandyti šie statistiniai metodai: 1) WordSmithTools programos funkcija KeywordClusters; 2) automatinio mokymosi metodas KEA; 3) kolokacijų išgavimo metodas naudojant įrankį LICE (plačiau žr. Grigonytė et al. 2011). Atlikus šiuos tyrimus, padaryta išvada, kad tinkamiausi lietuvių kalbai yra lingvistiniai metodai. Toliau trumpai paaiškinti šių metodų ypatumai. Pagrindinis statistinių terminų nustatymo sistemų privalumas yra tas, kad joms nereikia didelių duomenų bazių su žmonių nurodytais terminų pavyzdžiais. Be to, jos yra nepriklausomos nuo kalbos. Statistinių sistemų pagrindinis veiklos principas remiasi tuo, kad dažnai kartu vartojami žodžiai yra susiję ir traktuotini kaip galimi terminai. Lingvistiniai metodai dažniausiai remiasi morfologinėmis pažymomis, žodžių tvarka. Kad būtų galima pritaikyti lingvistinius metodus, reikalingi morfologiškai anotuoti tekstynai. Naudojant lingvistinius terminų nustatymo metodus, dažniausiai nustatoma, kokių gramatinių formų gali būti terminai. Nustatant gramatines formas, reikia atsižvelgti į kalbų ypatybes. Pavyzdžiui, analitinėms kalboms svarbu nustatyti terminų kalbos dalį. Lietuvių kalbos terminų kalbos dalis taip pat labai svarbi, bet reikia žinoti, ir kokių kitų gramatinių kategorijų informacija būtina automatiškai nustatant terminus. Pastebėta, kad lietuvių kalbai dar svarbios skaičiaus, linksnio kategorijos, o giminės kategorija, automatiškai nustatant terminus, nėra itin reikšminga6. 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. Toliau šiame straipsnyje bus pristatyti bandymai automatiškai nustatyti lietuvių kalbos terminus naudojant lingvistinius metodus. Atkreiptinas 6 Giminė tampa aktuali tais atvejais, kai atsiranda linksnių sinkretizmas, pvz., mokslodarbuotojų: automatinės morfologinės analizės programa formą darbuotojų atpažįsta ir kaip vyriškosios, ir kaip moteriškosios giminės daiktavardžio daugiskaitos kilmininką, todėl kaip antraštinę formą nurodo ir mokslodarbuotojas, ir mokslodarbuotoja. Kaip terminas turėtų būti pateikta vyriškosios giminės forma, t. y. mokslodarbuotojas. 57Terminologija | 2012 | 19 dėmesys, kad galimiems terminams (toliau GT)7 nustatyti naudota programa sukurta VDU Kompiuterinės lingvistikos centre. Šioje programoje naudotos lingvistinės taisyklės, kuriose nurodyta, kokių kalbos dalių junginiai ar žodžių formos analizuotini. Kaip minėta, naudojant lingvistinius metodus, reikalingi morfologiškai anotuoti tekstynai, todėl pirmiausia sukauptas ŠM tekstynas buvo morfologiškai anotuotas naudojant VDU Kompiuterinės lingvistikos centre sukurtą morfologinį anotatorių8. Čia pateiktas automatiškai morfologiškai anotuoto teksto pavyzdys: <word=”PROJEKTŲ” lemma=”projektas” type=”dktv vyr.gim dgsk K”>9 <space> <word=”FINANSAVIMO” lemma=”finansavimas” type=”dktv vyr.gim vnsk K”> <space> <word=”SĄLYGŲ” lemma=”sąlyga” type=”dktv mot.gim dgsk K”> <space> <word=”APRAŠAS” lemma=”aprašas” type=”dktv vyr.gim vnsk V”> <p> <word=”I” lemma=”I” type=”rom skaič”> <sep=”.”> <space> <word=”BENDROSIOS” lemma=”bendras” type=”bdvr teig nelygin.l įvardž mot.gim vnsk K”> <space> <word=”NUOSTATOS” lemma=”nuostata” type=”dktv mot.gim vnsk K”>10 <p> <number=”1”> <sep=”.”> <space> <number=”2007”> <sep=”–”> 7 Įvairius metodus naudojančios automatiškai terminus nustatančios programos dažniausiai atpažįsta galimus terminus, terminus kandidatus (žr. Zeller 2005), nors tarp automatiškai nustatytų žodžių ar junginių neretai pasitaiko visiškai neprasmingų žodžių samplaikų ar prasmingų netermininių žodžių junginių, pvz., kolokacijų. Iš šių žodžių ir junginių tikruosius terminus paprastai nustato tam tikros srities ekspertas. 8 Išsamiau žr. http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use. 9 Word nurodo konkrečią tekste pavartotą žodžio formą, lemma – antraštinę formą (lemą), type – išsamią morfologinę informaciją. 10 Atkreiptinas dėmesys, kad morfologiškai anotuojama automatiškai, todėl pasitaiko ir klaidų, pvz., šiame pavyzdyje dėl linksnių sinkretizmo nurodyta netinkama forma: vietoj moteriškosios giminės daugiskaitos vardininko nurodytas moteriškosios giminės vienaskaitos kilmininkas. Išsamiau apie netikslumus, atsiradusius dėl morfologinio anotatoriaus specifikos, žr. skyrių Automatinioterminųnustatymoproblemos. 58 Erika Rimkutė | Automatinisšvietimoirmoksloterminų      | nustatymaslingvistiniaismetodais <number=”2013”> <space> <word=”m” lemma=”m” type=”sntrmp”> <sep=”.”> <space> Automatiškai GT nustatančios programos veikimo principą trumpai ir paprastai būtų galima nusakyti taip: analizuojamas morfologiškai sužymėtas tekstas, ieškoma susijusių žodžių grandinėlių. Pirmasis kriterijus – pagal sužymėtas teksto, sakinių skirtis atrinkti nepertrauktus žodžių junginius. Dalis teksto skirčių yra pažymėtos kaip skyrybos ženklai, kitos gali būti pažymėtos kaip HTML žymos, pvz., pastraipos žyma <p>, tarpo tarp žodžių žyma <space> ir pan. Toliau reikia parengti tam tikras lingvistines taisykles, kurios būtų pritaikytos programoje. Nustatant švietimo ir mokslo terminus, parengtos ir pritaikytos šios pagrindinės taisyklės11: 1. Analizuoti tik tie junginiai, kuriuose yra bent vienas daiktavardis. Jei GT yra dvižodis ar ilgesnis, tai kitos kalbos dalys, esančios tokiame junginyje, gali būti būdvardžiai ir dalyviai. 2. Analizuoti tik tie junginiai, kurių paskutinis žodis būtinai turi būti daiktavardis12. 3. Dvižodžiuose GT neanalizuoti tikriniai daiktavardžiai, nes jie dažniausiai įeina į asmenų, įmonių, institucijų ir kt. pavadinimus, kurie nelaikytini srities terminais (nustatant ilgesnius terminus į GT terminų sąrašus įtraukti ir tikriniai daiktavardžiai). 4. Iš junginių išmesti skaitmenimis užrašyti skaičiai. 5. Neanalizuoti tie žodžiai ar junginiai, kuriuos sudaro bent vienas morfologinio anotatoriaus neatpažintas žodis. Tai dažniausiai užsienio kalbos intarpai, su klaidomis parašyti žodžiai, sutrumpėjusios žodžių formos13. Pritaikius tokias taisykles, buvo nustatyti GT, iš kurių ekspertas14 atrinko ŠM terminus. Šie terminai analizuoti išsamiau, jų struktūra aprašyta skyriuje Švietimoirmoksloterminųstruktūra. 11 Taisyklės yra universalios ir iš esmės tinka bet kurios srities terminams automatiškai nustatyti. 12 Galima ir kitokia terminų struktūra, pvz., daiktavardis su prišlieta bendratimi, daiktavardis su prielinksnine konstrukcija. Šio tipo terminų nedaug, todėl jie neanalizuoti. Ateityje tęsiant tyrimą reikėtų paanalizuoti ir šiame straipsnyje neįtrauktas terminų struktūras. 13 Pritaikius tam tikrus GT atrankos apribojimus, galima prarasti vertingos informacijos. Šiame tyrime neskaičiuota, kiek neatpažinta tikrųjų terminų. Naudojant automatinio terminų atpažinimo programas, reikia susitaikyti su tuo, kad dalis informacijos bus prarasta, bet automatiškai nustatyta informacija bus lengviau apdorojama, gauti junginiai bus gramatiškai taisyklingesni. 14 Šio projekto ekspertas yra lituanistas Giedrius Viliūnas, turintis didelę pedagoginę, administracinę, vadybinę patirtį švietimo ir mokslo srityje. 59Terminologija | 2012 | 19 TERMINŲ ATRANKA Pritaikius ankstesniame skyriuje aprašytą metodą, programą ir joje naudojamas taisykles, buvo nustatyta apie 11 tūkst. GT, sudarytų nuo vieno iki penkiolikos žodžių15. Susidūrus su tokiu dideliu duomenų kiekiu, buvo pritaikyti keli atrankos kriterijai. Pirmas – terminų ilgis: atsižvelgus į bendrąsias terminų struktūros tendencijas, nuspręsta analizuoti ne ilgesnius nei septyniažodžius terminus. Antras kriterijus – terminų pavartojimo dažnumas. Pasirinkta toliau išsamiau analizuoti vienažodžius GT, kurie ŠM tekstyne pavartoti ne mažiau kaip 20 kartų; dvižodžius GT, kurie pavartoti ne mažiau kaip 10 kartų; trižodžius GT, pavartotus ne rečiau nei 8 kartus; keturžodžius GT, pavartotus bent 6 kartus; penkiažodžius GT, kurių dažnumas bent 4 kartai; šešiažodžius GT, pavartotus bent 3 kartus, ir septyniažodžius GT, kurių dažnumas ne mažesnis nei 2 kartai. Automatiškai skaičiuojant GT pasirodymo dažnumą, remtasi žodžių antraštinėmis (žodyninėmis) formomis, t. y. lemomis. Pritaikius šiuos atrankos kriterijus nustatyti terminai tirti išsamiau (jų struktūra pristatyta kitame skyriuje). Ekspertui peržiūrėjus pagal anksčiau minėtus kriterijus nustatytus GT, atrinkti tikrieji ŠM terminai. Jų pasiskirstymas pagal ilgį pateiktas 1 lentelėje. 1 lentelė. Švietimo ir mokslo terminų pasiskirstymas pagal ilgį Terminus sudarančių žodžių skaičius Terminų kiekis, skaičius Terminų kiekis, % 1155 19,87 2474 60,77 3125 16,03 422 2,82 5 4 0,51 Iš viso 780 100,00 15 Čia pateikti keli ilgiausi rasti terminai: aprašopunktenurodytaisatvejaisfondodirektoriaussudarytoskomisijossprendimuvalstybėsremiamospaskolosgrąžinimaspaskolosgavėjui (15 žodžių; čia praleisti skaičiai, t. y. kelintas punktas); kreditoįstaigossudarytojevalstybėsremiamospaskolossutartyjenurodytupaskolos gavėjogyvenamosiosvietosadresu (13 žodžių); universitetostudentųstudijųįmokųmokėjimotvarkamokslo metamsnustatomarektoriausįsakymu (11 žodžių). Akivaizdžiai matyti, kad šie teksto fragmentai negali būti laikomi galimais terminais. 60 Erika Rimkutė | Automatinisšvietimoirmoksloterminų      | nustatymaslingvistiniaismetodais Iš lentelės duomenų matyti, kad apie 97 % visų ŠM terminų sudaro iš 1–3 žodžių sudaryti terminai. Tarp šešiažodžių ir septyniažodžių GT švietimo ir mokslo terminų nerasta, todėl jie toliau neanalizuoti. ŠVIETIMO IR MOKSLO TERMINŲ STRUKTŪRA Šiame skyriuje išsamiai aprašyta automatiškai nustatytų ir eksperto atrinktų ŠM terminų struktūra, pateikti jų gramatiniai modeliai. Terminai aprašyti nuo trumpiausių, t. y. vienažodžių, iki ilgiausių, t. y. penkiažodžių. 1. Vienažodžiai terminai. Iš viso nustatyti 7635 vienažodžiai GT, iš jų 1311 tekstyne pavartota daugiau nei 20 kartų. Toliau išsamiau analizuoti tik šie žodžiai. Iš 1311 žodžių 155 galima laikyti ŠM terminais, t. y. apie 20 %. Dažniausiai tekstyne pavartoti šie ŠM terminai: studentas (420816), universitetas (3959), studijos (1562), mokslas(1508), sritis(1403). 2. Dvižodžiai terminai. 4 mln. žodžių tekstyne rasti 145 468 dvižodžiai GT. Kaip rašyta anksčiau, toliau analizuoti tik tie dvižodžiai GT, kurių dažnumas ne mažesnis nei 10 kartų – tokių terminų rasta 4889. Peržiūrėjus GT, galutiniame ŠM terminų sąraše liko tik 474 dvižodžiai terminai ir jie sudaro didžiąją visų analizuojamų terminų dalį – daugiau nei du trečdalius (žr. 1 lentelę.). Dvižodžius terminus galima suskirstyti į tris tipus, atsižvelgiant į jų gramatines formas. 1) dkt.K.+dkt. tipo ŠM terminų yra 250, t. y. 52,7 % visų dvižodžių terminų. Dažniausi šios struktūros ŠM terminai, pavartoti tekstyne, yra studijų programa (1432), studijųpakopa (306), studijųkryptis (303), mokslodarbuotojas (289), studijųkokybė (253). 2) bdv.+dkt.17 junginiai sudaro 200 ŠM terminų (iš jų 42,2 % dvižodžių terminų). Dažniausi ŠM terminai yra aukštojimokykla(2160), moksliniaityrimai(918), aukštasismokslas (730), nuotolinismokymas (453), profesinismokymas (403). Bdv.+dkt. tipo junginiai laikomi GT tuo atveju, kai būdvardis su daiktavardžiu suderintas gimine, skaičiumi ir linksniu. Priešingu atveju gau16 Skliaustuose nurodomas to termino dažnumas 4 mln. žodžių apimties ŠM tekstyne. 17 Prie dvižodžių terminų modelių linksniai nenurodomi, nes būdvardžiai ir dalyviai derinami su daiktavardžiais, o daiktavardžiai paprastai būna vienaskaitos vardininko linksnio. 61Terminologija | 2012 | 19 nami gramatiškai netaisyklingi18 junginiai, pvz., glaudesnisuniversitetų, svarbiausiasteisės,svarbiausiųmokymosi,geriausiometų,arba junginys yra taisyklingas, nors dažnai nepilnas, ir tai nėra ŠM terminai, pvz., didžiausiaspasaulyje,dinamiškiausiapasaulyje,palankustudentams. 3) dlv.+dkt. junginių kaip ŠM terminų yra tik 24, t. y. 5 %. Dažniausi ŠM terminai: baigiamasisdarbas(162), pasirenkamasisdalykas(109), suaugusiųjų19švietimas (65), grįžtamasisryšys (63), taikomiejityrimai (45). 3. Trižodžiai terminai. Iš viso nustatytas 119 881 trižodis GT. Išsamiau analizuoti 2438 junginiai, kurių dažnumas tekstyne ne mažesnis kaip 8 kartai. ŠM terminų rasta 125, t. y. 16,03 % visų terminų. Dažniausi ŠM terminai: aukštojomoksloinstitucija(251), profesiniomokymoįstaiga (205), valstybėsremiamapaskola (149), bendrojolavinimomokykla (147), profesiniomokymoinstitucija (77). Trižodžiai ŠM terminai yra septynių gramatinių modelių. Tarp trižodžių ŠM terminų dažniausi bdv.K.+dkt.K.+dkt.20 tipo junginiai (jie sudaro 48 % visų trižodžių terminų), pvz.: aukštojomoksloinstitucija (251), profesiniomokymoįstaiga (205), bendrojolavinimomokykla (147). Antri tarp trižodžių ŠM terminų pagal dažnumą yra dkt.K.+dkt.K.+ dkt. tipo junginiai (24,8 %), pvz.: studijųkryptiesreglamentas (66), studijųkrypčiųaprašas (60), valstybėsmoksloinstitutas(50). Trečias pagal dažnumą struktūrinis trižodžių ŠM terminų modelis yra bdv.V.+bdv.V.+dkt. (12 %), pvz.: nacionalinėkompleksinėprograma (69), fundamentinismokslinistyrimas (61), pirminisprofesinismokymas (52). Toliau pagal dažnumą galima pateikti vos po kelis pavyzdžius, turinčius struktūrinius trižodžių ŠM terminų modelius: dkt.K.+dlv.V.+ dkt. (4 %), pvz.: valstybės remiama paskola (149), valstybės pripažinta kvalifikacija (33), valstybės finansuojamas studentas (21); dkt. K. + bdv.V.+dkt. (4 %), pvz.: užsienioaukštojimokykla (41), kolegijosakademinė taryba (32), doktoranto mokslinis vadovas (20); dlv. V. / K. + dkt. K. + dkt. (3,2 %), pvz.: baigiamasis kvalifikacijos vertinimas (36), nemokamastudijųvieta (13), taikomojo pobūdžio tyrimai(13); bdv.V.+ 18 Gramatiškai taisyklingais junginiais šiame darbe laikomi tokie junginiai, kuriuose priklausomieji žodžiai suderinti su pagrindiniu, aiškūs sintaksiniai ryšiai tarp žodžių junginio dėmenų. 19 Prie dalyvių įtraukti ir sudaiktavardėję dalyviai. 20 Paskutinio daiktavardžio linksnis nenurodomas, nes jis dažniausiai yra vardininkas. 62 Erika Rimkutė | Automatinisšvietimoirmoksloterminų      | nustatymaslingvistiniaismetodais dlv.V. (arba K., jei dalyvis sudaiktavardėjęs) +dkt. (2,4 %), pvz.: konkursinis mokomasis dalykas (15), neformalus suaugusiųjų mokymas (13), mokslinis tiriamasis darbas (12); dlv.V. + bdv. V.+ dkt. (1,6 %), pvz.: taikomojimokslinėveikla(20), užsakomiejimoksliniaityrimai (8). 4. Keturžodžiai terminai. Iš viso rastas 77 961 keturžodis GT, daugiau nei 7 kartus pavartotų junginių – 760. Iš jų ekspertas nustatė 22 ŠM terminus (jie sudaro 2,82 % visų terminų). Patys dažniausi šioje terminų grupėje junginiai yra moksloirstudijųinstitucija(568), moksloirtechnologijųparkas (62), bendrojinacionalinėkompleksinėprograma (40), darbo rinkosprofesinismokymas (40). ŠM tekstyne pavartoti keturžodžiai terminai yra devynių skirtingų gramatinių modelių. Kadangi keturžodžių terminų pavartota nedaug, todėl ir kiekvieną modelį iliustruoja vos po kelis ar tik po vieną pavyzdį. Čia pateikti pagal dažnumą sugrupuoti visi keturžodžių ŠM terminų struktūriniai modeliai ir nurodoma po vieną tą modelį iliustruojantį pavyzdį: bdv.V.+dkt.K.+dkt.K.+dkt. (22,7 % visų keturžodžių terminų): tarptautinė moksloduomenųbazė(13); bdv.V.+bdv.K.+dkt.K.+dkt. (18,2 %): bendrasisuniversitetiniolavinimodalykas (8); bdv.K.+dkt.K.+dlv.V.+dkt. (13,6 %): specialiųjųporeikiųturintismokinys(8); dkt.K.+jng.+dkt.K.+dkt. (13,6 %): moksloirstudijųinstitucija(568); bdv.K.+dkt.K.+bdv.V.+dkt. (9,1 %): aukštolygiomoksliniaityrimai(18); dlv.V.+bdv.V.+dkt.K.+dkt. (9,1 %): pripažintatarptautinėduomenųbazė(11); bdv.V.+bdv.V.+bdv.V.+dkt. (4,5 %): bendrojinacionalinėkompleksinėprograma (40); dkt.K.+bdv.K.+dkt.K.+dkt. (4,5 %): valstybėsmoksliniųtyrimųįstaiga (31); dkt.K.+dkt.K.+dkt.K.+dkt. (4,5 %): technologijosmokslųstudijųsritis(28); 5. Penkiažodžiai terminai. Nustatyti 49 768 penkiažodžiai GT, daugiau nei 5 kartus pavartotų junginių rasta 601, iš jų ŠM terminų - 4, t. y. 0,51 % visų terminų. Iš tokio nedidelio kiekio terminų sunku daryti apibendrinimus apie jų struktūrą, todėl terminai struktūriškai neskirstyti. Visi ŠM tekstyne pavartoti penkiažodžiai terminai: moksliniaityrimaiir eksperimentinėplėtra(124), moksliniai tyrimaiirtechnologinėplėtra (67), moksliniai tyrimaiirtechnologijųplėtra (13), aukštolygiomoksliniųtyrimų centras (7). 69Terminologija | 2012 | 19 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]