Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais
Full text
Identificação automática de termos da educação e da ciência por métodos linguísticos
ERIKA RIMKUTĖ
Vytauto Didžiojo universitetas
PALAVRAS-CHAVE: corpus, termos da educação e da ciência, métodos linguísticos, forma de entrada, forma gramatical
INTRODUÇÃO
A linguística de corpus e a linguística computacional já contam sua segunda década na Lituânia — o início desses ramos científicos pode ser associado à criação do Centro de Linguística Computacional da Universidade Vytautas Magnus (ver http://tekstynas.vdu.lt) em 1994. Foram preparados vários corpora e programas de análise e síntese automática da língua1. Ainda assim, os princípios da linguística de corpus são pouco aplicados à terminologia e à terminografia.
No artigo de 2010, Possibilidades de identificação automática de termos da língua lituana (Rimkutė 2010), analisou-se em que medida os corpora são utilizados na elaboração de diversos trabalhos terminológicos na Lituânia. É possível encontrar termos da língua lituana em vários bancos de dados internacionais e bancos de termos; foram preparados numerosos bancos de termos ou bases de dados eletrônicos2, mas todos os bancos de termos eletrônicos lituanos são, em essência, elaborados com base em dicionários de termos. Muitos dicionários lituanos foram preparados com base em quantidades relativamente pequenas de textos e na intuição linguística; portanto, pode-se afirmar que na Lituânia ainda predomina uma abordagem prescritiva à coleta e à descrição de termos.
O artigo pretende apresentar os resultados do projeto3 dedicado à identificação e descrição de termos da educação e da ciência, relacionados à identificação automática de termos—
1 Um inventário detalhado dos recursos lituanísticos preparados até 2011 pode ser encontrado em http://sruoga.vdu.lt/lituanistiniai-skaitmeniniai-istekliai/lituanistiniu-istekliu-sarasas.
2 As referências são apresentadas no artigo mencionado.
3 Trata-se de um projeto financiado pelo Conselho de Pesquisa da Lituânia Identificação automática de termos da educação e da ciência (ŠIMTAI 2) (n.º do contrato LIT-2-44). Os principais objetivos deste projeto são: 1) criar e testar uma metodologia de reconhecimento automático de termos em corpus da língua lituana como um novo instrumento para a gestão terminológica; 2) criar um corpus especializado de textos da educação e da ciência; 3) com base no corpus especializado, elaborar um dicionário explicativo de termos da educação e da ciência e uma ontologia desse domínio.
54
Erika Rimkutė
Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais
…regulamentação, sua descrição. A ideia de um projeto voltado à identificação automática de termos surgiu quando se observou que as fontes normativas existentes4 são bastante incompletas, concentram-se nos termos mais gerais da política educacional e praticamente não abrangem o campo da política científica; não conseguem incluir novos termos decorrentes do trabalho prático, e os responsáveis pela normalização terminológica não conseguem normalizá-los a tempo. A normalização tradicional, contudo, é bastante subjetiva, por isso o uso e as normas devem ser fundamentados em métodos da linguística de corpus. Assim, este artigo tratará de um método de seleção e análise de termos ainda relativamente novo na Lituânia, que poderia facilitar consideravelmente o trabalho dos terminólogos e conferir-lhe maior objetividade.
IDENTIFICAÇÃO AUTOMÁTICA DE TERMOS
Para identificar e definir automaticamente os termos de determinado domínio, escolheu-se um domínio: ciência e educação. Foi compilado um corpus de textos de educação e ciência (doravante, EC), com 4 milhões de palavras, cuja composição se orientou por dois temas principais: 1) investigação científica e 2) educação. No campo da investigação científica, deu-se maior atenção à política de investigação científica e à política de ensino superior. No campo da educação, incluiu-se a educação pós-secundária, com maior ênfase no ensino superior e na aprendizagem ao longo da vida. A formação profissional também foi incluída como domínio complementar. Na compilação do corpus, procurou-se abranger textos de diversos gêneros e tipos, por exemplo: leis e outros documentos políticos das mais altas instituições governamentais (resoluções, declarações, decisões do Tribunal Constitucional e outros documentos do Parlamento da República da Lituânia, do Governo da República da Lituânia e do Presidente da República da Lituânia); documentos estratégicos; atos de execução das leis; documentos de instituições e projetos que implementam políticas de ciência e educação; documentos de instituições científicas e de ensino superior; publicações informativas, estudos sobre a situação do domínio, avaliações e estudos de viabilidade; comunicados de imprensa e materiais de debates.
Com um corpus representativo e bem equilibrado do domínio estudado5, é possível identificar termos automaticamente. Para esse fim, utiliza-se com maior frequência—
4 Pode-se mencionar o Banco de Termos da República da Lituânia, o Enciklopedinis edukologijos terminų žodynas de L. Jovaiša (2007), o tesauro TESE [consultado em 2012-05-20], disponível na Internet em: http://eacea.ec.europa.eu/education/eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf.
5 A representatividade e a dimensão dos corpora estão entre as questões mais complexas da linguística de corpus. Considera-se que o corpus de EC representa razoavelmente bem o domínio escolhido. A sua dimensão é mais discutível; por exemplo, o corpus jurídico inglês-italiano Bononia Legal Corpus (BOLC) tem aproximadamente 18 milhões de palavras (Rossini Favretti et al. 2001).
Terminologija | 2012 | 19
55
…três tipos de métodos: estatísticos, linguísticos e modelos híbridos que combinam métodos estatísticos e linguísticos. Foram realizados vários experimentos com o objetivo de determinar os métodos mais adequados para a identificação de termos. Foram testados os seguintes métodos estatísticos: 1) WordSmith Tools, a função do programa Keyword Clusters; 2) o método de aprendizagem automática KEA; 3) o método de extração de colocações usando a ferramenta LICE (ver mais em Grigon worth et al. 2011). Com base nesses estudos, concluiu-se que os métodos linguísticos são os mais adequados para a língua lituana. A seguir, explicam-se brevemente as características desses métodos.
A principal vantagem dos sistemas estatísticos de identificação de termos é que não necessitam de grandes bases de dados com exemplos de termos indicados por pessoas. Além disso, são independentes da língua. O princípio fundamental de funcionamento dos sistemas estatísticos baseia-se na ideia de que palavras usadas frequentemente em conjunto estão relacionadas e podem ser tratadas como possíveis termos.
Os métodos linguísticos baseiam-se, em geral, em etiquetas morfológicas e na ordem das palavras. Para aplicar métodos linguísticos, são necessários corpora anotados morfologicamente. Ao utilizar métodos linguísticos de identificação de termos, determina-se, na maioria das vezes, quais formas gramaticais os termos podem assumir. Ao determinar essas formas, é necessário levar em conta as características das línguas. Por exemplo, nas línguas analíticas, é importante determinar a classe gramatical dos termos. A classe gramatical dos termos também é muito importante em lituano, mas é preciso saber que informações sobre outras categorias gramaticais são necessárias para identificar termos automaticamente. Observou-se que, em lituano, também são importantes as categorias de número e caso, enquanto a categoria de gênero não é particularmente significativa para a identificação automática de termos6.
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.
A seguir, este artigo apresentará experiências de identificação automática de termos da língua lituana utilizando métodos linguísticos. Cabe salientar que
6 O gênero torna-se relevante nos casos em que ocorre sincretismo de casos, por exemplo, mokslo darbuotojų: o programa de análise morfológica automática reconhece a forma darbuotojų tanto como genitivo plural de um substantivo masculino quanto como genitivo plural de um substantivo feminino e, por isso, indica como forma de entrada tanto mokslo darbuotojas como mokslo darbuotoja. Como termo, deveria ser apresentada a forma masculina, isto é, mokslo darbuotojas.
56
Erika Rimkutė
Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais
atenção, que para identificar os possíveis termos (doravante GT)7 foi utilizado um programa desenvolvido no Centro de Linguística Computacional da VDU. Este programa utilizou regras linguísticas que especificavam quais combinações de classes gramaticais ou formas de palavras deveriam ser analisadas.
Como mencionado, a utilização de métodos linguísticos requer corpora anotados morfologicamente; por isso, o corpus de educação e ciência (ŠM) compilado inicialmente foi anotado morfologicamente com o anotador morfológico8 desenvolvido no Centro de Linguística Computacional da VDU. A seguir, apresenta-se um exemplo de texto anotado morfologicamente de forma automática:
<palavra=”PROJEKTŲ” lema=”projektas” tipo=”substantivo masculino genitivo plural caso”>9 <espaço> <palavra=”FINANSAVIMO” lema=”finansavimas” tipo=”substantivo masculino genitivo singular caso”> <espaço> <palavra=”SĄLYGŲ” lema=”sąlyga” tipo=”substantivo feminino genitivo plural caso”> <espaço> <palavra=”APRAŠAS” lema=”aprašas” tipo=”substantivo masculino genitivo singular acusativo”> <p> <palavra=”I” lema=”I” tipo=”numeral romano”> <separador=”.”> <espaço> <palavra=”BENDROSIOS” lema=”bendras” tipo=”adjetivo afirmativo superlativo pronominal feminino singular genitivo”> <espaço> <palavra=”NUOSTATOS” lema=”nuostata” tipo=”substantivo feminino singular genitivo”>10 <p> <número=”1”> <separador=””> <espaço> <número=”2007”> <separador=”–”>
7 Os programas que identificam termos automaticamente por meio de vários métodos geralmente reconhecem possíveis termos, ou termos candidatos (ver Zeller 2005), embora entre as palavras ou combinações identificadas automaticamente apareçam frequentemente conjuntos de palavras totalmente sem sentido ou combinações significativas de palavras que não são termos, como colocações. Os termos propriamente ditos são normalmente identificados, entre essas palavras e combinações, por um especialista da área.
8 Para mais detalhes, ver http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use.
9 Word indica uma forma específica da palavra utilizada no texto; lemma indica a forma de entrada (lema); type indica informação morfológica detalhada.
10 Convém notar que a anotação morfológica é feita automaticamente e, por isso, também ocorrem erros. Por exemplo, neste caso foi indicada uma forma incorreta devido ao sincretismo dos casos: em vez do nominativo plural feminino, foi indicado o genitivo singular feminino. Para mais informações sobre as imprecisões resultantes das especificidades do anotador morfológico, ver a secção Problemas da identificação automática de termos.
Terminologija | 2012 | 19
57
<number=”2013”>
<space>
<m=”m” lema=”m” tipo=”abreviatura”
<sep=”.”>
<space>
O princípio de funcionamento dos programas que identificam automaticamente possíveis termos (GT) poderia ser descrito de forma breve e simples da seguinte maneira: analisa-se um texto anotado morfologicamente e procuram-se sequências de palavras relacionadas. O primeiro critério é selecionar combinações de palavras ininterruptas com base nas divisões assinaladas no texto e nas frases. Algumas divisões do texto estão assinaladas como sinais de pontuação; outras podem estar assinaladas como etiquetas HTML, por exemplo, a etiqueta de parágrafo <p>, a etiqueta de espaço entre palavras <space>, etc. Em seguida, é necessário preparar determinadas regras linguísticas para aplicação no programa. Para identificar termos da área da educação e da ciência, foram preparadas e aplicadas as seguintes regras principais11:
1. Analisar apenas as combinações que contenham pelo menos um substantivo. Se o GT tiver duas ou mais palavras, as outras classes gramaticais presentes nessa combinação podem ser adjetivos ou particípios.
2. Analisar apenas as combinações cuja última palavra tem necessariamente de ser um substantivo12.
3. Nos GT de duas palavras, não analisar nomes próprios, pois estes são geralmente parte de nomes de pessoas, empresas, instituições, etc., que não são considerados termos da área (na identificação de termos mais longos, os nomes próprios também são incluídos nas listas de termos GT).
4. Excluir das combinações os números escritos em algarismos.
5. Não analisar as palavras ou combinações que contenham pelo menos uma palavra não reconhecida pelo anotador morfológico. Trata-se, na maioria dos casos, de inserções em língua estrangeira, palavras escritas com erros e formas reduzidas de palavras13.
Com a aplicação destas regras, foram identificadas combinações de palavras (CP), a partir das quais o especialista14 selecionou os termos de educação e ciência (EC). Estes termos foram analisados mais detalhadamente e a sua estrutura é descrita na secção Estrutura dos termos de educação e ciência.
11 As regras são universais e, em princípio, adequadas à identificação automática de termos de qualquer área.
12 Também é possível haver outras estruturas terminológicas, por exemplo, um substantivo com um infinitivo precedido de preposição, ou um substantivo com uma construção preposicional. Há poucos termos deste tipo, pelo que não foram analisados. Em trabalhos futuros, a continuação da investigação deverá incluir a análise das estruturas terminológicas não contempladas neste artigo.
13 A aplicação de certas restrições à seleção de CP pode levar à perda de informação valiosa. Neste estudo, não se calculou quantos termos verdadeiros não foram reconhecidos. Ao utilizar programas de reconhecimento automático de termos, é preciso aceitar que parte da informação se perderá; no entanto, a informação identificada automaticamente será mais fácil de processar e as combinações obtidas serão gramaticalmente mais corretas.
14 O especialista deste projeto é o lituanista Giedrius Viliūnas, com vasta experiência pedagógica, administrativa e de gestão nas áreas da educação e da ciência.
58
Erika Rimkutė
Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais
SELEÇÃO DE TERMOS
Com a aplicação do método, do programa e das regras nele utilizadas, descritos no capítulo anterior, foram identificadas cerca de 11 mil combinações de palavras (CP), constituídas por uma a quinze palavras15. Perante um volume de dados tão grande, foram aplicados vários critérios de seleção. O primeiro foi o comprimento dos termos: tendo em conta as tendências gerais da estrutura terminológica, decidiu-se analisar termos com, no máximo, sete palavras. O segundo critério foi a frequência de ocorrência dos termos. Optou-se por analisar mais detalhadamente as CP de uma palavra que ocorressem pelo menos 20 vezes no corpus de educação e ciência; as CP de duas palavras, pelo menos 10 vezes; as CP de três palavras, pelo menos 8 vezes; as CP de quatro palavras, pelo menos 6 vezes; as CP de cinco palavras, pelo menos 4 vezes; as CP de seis palavras, pelo menos 3 vezes; e as CP de sete palavras, pelo menos 2 vezes.
No cálculo automático da frequência de ocorrência das CP, utilizaram-se as formas de citação (formas de dicionário) das palavras, isto é, os lemas. Os termos identificados mediante a aplicação destes critérios de seleção foram analisados mais detalhadamente (a sua estrutura é apresentada no capítulo seguinte).
Após o especialista rever as CP identificadas segundo os critérios anteriormente mencionados, foram selecionados os verdadeiros termos de educação e ciência. A sua distribuição por comprimento é apresentada na Tabela 1.
Tabela 1. Distribuição dos termos de educação e ciência por comprimento
Número de palavras que compõem os termos
Quantidade de termos, número
Quantidade de termos,%
1
155
19,87
2
474
60,77
3
125
16,03
4
22
2,82
5
4
0,51
Total
780
100,00
15 Aqui são apresentados alguns dos termos mais longos encontrados: em casos indicados no ponto, a devolução do empréstimo com garantia estatal ao mutuário, por decisão da comissão constituída pelo diretor do fundo (15 palavras; os números, isto é, a numeração dos pontos, foram omitidos aqui); no endereço de residência do mutuário indicado no contrato de empréstimo com garantia estatal celebrado pela instituição de crédito (13 palavras); o procedimento de pagamento das propinas dos estudantes universitários para o ano letivo é estabelecido por despacho do reitor (11 palavras). É evidente que estes fragmentos de texto não podem ser considerados termos possíveis.
Terminologija | 2012 | 19
59
Os dados da tabela mostram que cerca de 97% de todos os termos de educação e ciência são termos constituídos por 1–3 palavras. Não foram encontrados no GT termos de educação e ciência com seis ou sete palavras, pelo que não foram analisados mais adiante.
ESTRUTURA DOS TERMOS DE EDUCAÇÃO E CIÊNCIA
Este capítulo descreve detalhadamente a estrutura dos termos de educação e ciência identificados automaticamente e selecionados por um especialista, e apresenta os seus modelos gramaticais. Os termos são descritos do mais curto, isto é, os constituídos por uma palavra, ao mais longo, isto é, os constituídos por cinco palavras.
1. Termos constituídos por uma palavra. Foram identificados, ao todo, 7635 GT constituídos por uma palavra; 1311 deles ocorrem mais de 20 vezes no corpus. Apenas estas palavras foram analisadas mais detalhadamente. Dos 1311 vocábulos, 155 podem ser considerados termos de educação e ciência, ou seja, cerca de 20%. Os termos de educação e ciência mais frequentes no corpus são: studentas (420816), universitetas (3959), studijos (1562), mokslas (1508), sritis (1403).
2. Termos constituídos por duas palavras. No corpus de 4 milhões de palavras, foram encontrados 145 468 GT constituídos por duas palavras. Como mencionado anteriormente, foram analisados mais adiante apenas os GT constituídos por duas palavras cuja frequência era igual ou superior a 10 ocorrências — foram encontrados 4889 termos desse tipo. Após a revisão dos GT, a lista final de termos de educação e ciência continha apenas 474 termos constituídos por duas palavras, os quais representam a maior parte de todos os termos analisados — mais de dois terços (ver Tabela 1). Os termos constituídos por duas palavras podem ser divididos em três tipos, tendo em conta as suas formas gramaticais.
1) substantivo no genitivo + substantivo. Há 250 termos de educação e ciência do tipo, isto é, 52,7% de todos os termos constituídos por duas palavras.
Os termos de educação e ciência mais frequentes desta estrutura no corpus são studijų programa (1432), studijų pakopa (306), studijų kryptis (303), mokslo darbuotojas (289), studijų kokybė (253).
2) adjetivo + substantivo.17 As combinações constituem 200 termos de educação e ciência (42,2% dos termos constituídos por duas palavras). Os termos de educação e ciência mais frequentes são aukštoji mokykla (2160), moksliniai tyrimai (918), aukštasis mokslas (730), nuotolinis mokymas (453), profesinis mokymas (403).
As combinações do tipo adjetivo + substantivo são consideradas GT quando o adjetivo concorda com o substantivo em género, número e caso. Caso contrário, ob
16 Entre parênteses é indicada a frequência do termo no corpus de educação e ciência, com 4 milhões de palavras.
17 Nos modelos de termos constituídos por duas palavras, não são indicados os casos gramaticais, porque os adjetivos e particípios concordam com os substantivos, e os substantivos estão geralmente no nominativo singular.
60
Erika Rimkutė
Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais
... combinações gramaticalmente incorretas¹⁸, por exemplo, mais próximo de universidades, mais importante de direito, mais importante de aprendizagem, melhor do ano, ou a combinação é correta, embora muitas vezes incompleta, e não se trata de termos de educação e ciência, por exemplo, o maior do mundo, o mais dinâmico do mundo, favorável aos estudantes.
3) combinações de advérbio + substantivo, apenas 24 são termos de educação e ciência, isto é, 5%. Os termos de educação e ciência mais frequentes são: trabalho final (162), disciplina optativa (109), educação de adultos¹⁹ (65), feedback (63), investigação aplicada (45).
3. Termos de três palavras. Foram identificados, no total, 119 881 GTs de três palavras. Foram analisadas em maior detalhe 2438 combinações cuja frequência no corpus não é inferior a 8 ocorrências. Foram encontrados 125 termos de educação e ciência, isto é, 16,03% de todos os termos. Os termos de educação e ciência mais frequentes são: instituição de ensino superior (251), estabelecimento de formação profissional (205), empréstimo garantido pelo Estado (149), escola de ensino geral (147), instituição de formação profissional (77).
Os termos de educação e ciência de três palavras seguem sete modelos gramaticais. Entre os termos de três palavras, são mais frequentes as combinações do tipo adjetivo. caso genitivo + substantivo. caso genitivo + substantivo²⁰ (constituem 48% de todos os termos de três palavras), por exemplo: instituição de ensino superior (251), estabelecimento de formação profissional (205), escola de ensino geral (147).
Em segundo lugar, em termos de frequência entre os termos de educação e ciência de três palavras, estão as combinações do tipo substantivo. caso genitivo + substantivo. caso genitivo + substantivo (24,8%), por exemplo: regulamento da área de estudos (66), descrição das áreas de estudo (60), instituto estatal de ciência (50).
O terceiro modelo estrutural de termos de educação e ciência de três palavras mais frequente é adjetivo. caso nominativo + adjetivo. caso nominativo + substantivo (12%), por exemplo: programa nacional integrado (69), investigação científica fundamental (61), formação profissional inicial (52).
A seguir, podem apresentar-se apenas alguns exemplos dos modelos estruturais dos termos de educação e ciência de três palavras, por ordem de frequência: substantivo. caso genitivo + particípio. caso nominativo + substantivo (4%), por exemplo: empréstimo garantido pelo Estado (149), qualificação reconhecida pelo Estado (33), estudante financiado pelo Estado (21); substantivo. caso genitivo + adjetivo. caso nominativo + substantivo (4%), por exemplo: instituição de ensino superior estrangeira (41), conselho académico da faculdade (32), orientador científico do doutorando (20); particípio. caso nominativo / caso genitivo + substantivo. caso genitivo + substantivo (3,2%), por exemplo: avaliação final da qualificação (36), lugar de estudo gratuito (13), investigação de natureza aplicada (13); adjetivo. caso nominativo +
¹⁸ Neste trabalho, consideram-se gramaticalmente corretas as combinações em que as palavras dependentes concordam com a palavra principal e em que as relações sintáticas entre os componentes da combinação de palavras são claras.
¹⁹ Os particípios substantivados também foram incluídos entre os particípios.
²⁰ Não se indica o caso do último substantivo, pois geralmente está no nominativo.
Terminologija | 2012 | 19
61
adv. V. (ou K., se o particípio estiver substantivado) + subst. (2,4%), por exemplo: disciplina de ensino competitiva (15), ensino não formal de adultos (13), trabalho de investigação científica (12); adv. V. + adv. V. + subst. (1,6%), por exemplo: atividade científica aplicada (20), investigação científica encomendada (8).
4. Termos de quatro palavras. No total, foram encontrados 77 961 GT de quatro palavras; as combinações usadas mais de 7 vezes foram 760. Dessas, o especialista identificou 22 termos de educação e ciência (que representam 2,82% do total de termos). As combinações mais frequentes deste grupo terminológico são instituição de ciência e estudos (568), parque de ciência e tecnologia (62), programa nacional geral complexo (40), formação profissional para o mercado de trabalho (40).
Os termos de quatro palavras usados no corpus de educação e ciência pertencem a nove modelos gramaticais diferentes. Como há poucos termos de quatro palavras, cada modelo é ilustrado por apenas alguns exemplos ou por um único exemplo. Apresentam-se aqui, agrupados por frequência, todos os modelos estruturais dos termos de quatro palavras de educação e ciência, indicando-se um exemplo ilustrativo de cada modelo:
adv. V. + subst. K. + subst. K. + subst. (22,7% de todos os termos de quatro palavras): base de dados científica internacional (13);
adv. V. + adv. K. + subst. K. + subst. (18,2%): disciplina de formação universitária geral (8);
adv. K. + subst. K. + adv. V. + subst. (13,6%): aluno com necessidades especiais (8);
subst. K. + prep. + subst. K. + subst. (13,6%): instituição de ciência e estudos (568);
adv. K. + subst. K. + adv. V. + subst. (9,1%): investigação científica de alto nível (18);
adv. V. + adv. V. + subst. K. + subst. (9,1%): base de dados internacional reconhecida (11);
adv. V. + adv. V. + adv. V. + subst. (4,5%): programa nacional geral complexo (40);
subst. K. + adv. K. + subst. K. + subst. (4,5%): instituição estatal de investigação científica (31);
subst. K. + subst. K. + subst. K. + subst. (4,5%): área de estudos das ciências tecnológicas (28);
5. Termos de cinco palavras. Foram identificados 49 768 GT de cinco palavras; encontraram-se 601 combinações usadas mais de 5 vezes, das quais 4 eram termos de educação e ciência, isto é, 0,51% do total de termos. É difícil generalizar sobre a estrutura de um conjunto tão pequeno de termos, pelo que estes não foram classificados estruturalmente. Todos os termos de cinco palavras usados no corpus de educação e ciência são: investigação científica e desenvolvimento experimental (124), investigação científica e desenvolvimento tecnológico (67), investigação científica e desenvolvimento de tecnologias (13), centro de investigação científica de alto nível (7).
62
Erika Rimkutė
Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais
6. Termos de seis e sete palavras. Já foi mencionado que, entre os termos GT de seis e sete palavras, não foi encontrado nenhum termo de EM, embora tenham sido identificados, no total, 30 298 GT de seis palavras (dos quais foram encontrados 750 sintagmas usados mais de 3 vezes) e 17 815 GT de sete palavras (dos quais foram encontrados 2608 sintagmas usados mais de 2 vezes).
COMPARAÇÃO DOS TERMOS DE EDUCAÇÃO E CIÊNCIA COM OS TERMOS DO BANCO DE TERMOS DA REPÚBLICA DA LITUÂNIA
Os termos usados no corpus de EM podem ser comparados com os termos de educação e ciência aprovados apresentados no Banco de Termos da República da Lituânia21, que são 74. A estrutura desses termos é muito variada: desde termos de uma palavra até sintagmas compostos por 18 palavras. Foram encontrados apenas um termo muito longo composto por 15 palavras e outro composto por 18. O termo mais longo apresentado é – programa de formação profissional contínua não formal para agricultores, proprietários florestais, membros de grupos de ação local, outros residentes rurais e seus consultores. É discutível se o nome de um programa deve ser considerado um termo.
Ao comparar a estrutura dos termos de educação e ciência no corpus de EM e no Banco de Termos, observa-se que, em ambas as fontes, os termos mais frequentes são os de uma a três palavras. No entanto, os termos de uma a três palavras constituem 86,5% no Banco de Termos, enquanto no corpus de EM os termos de igual extensão usados representam 97% (ver Tabela 1). No Banco de Termos há um pouco mais de termos de quatro palavras do que no corpus aqui apresentado; não foram usados termos de cinco palavras; no Banco de Termos há apenas um ou dois termos compostos por 6, 7, 8 e 9 palavras; não há termos compostos por 10 palavras, mas são apresentados os termos já mencionados compostos por 15 e 18 palavras (ver Tabela 2).
É questionável a classificação de vários termos apresentados no Banco de Termos como pertencentes à área de educação e ciência, por exemplo, lituano, comunidade lituana mundial, remigração, nacionalidade. A lista de termos obtida mostra que a área da educação e ciência não está completamente abrangida; por exemplo, como termo de formação profissional é apresentado tratorista, mas não operador de colheitadeira, cozinheiro, carpinteiro e semelhantes; faltam especialmente termos que reflitam a política científica. Assim, os termos identificados durante a investigação discutida neste artigo deverão preencher, pelo menos em parte, a lacuna terminológica da área da educação e ciência.
21 A lista de termos aprovados da área da educação e ciência foi obtida em 2010 da Comissão Estatal da Língua Lituana. A comparação dos dados do corpus e do banco de termos baseia-se precisamente nesta lista.
Terminologija | 2012 | 19
63
Tabela 2. Distribuição por extensão dos termos de educação e ciência apresentados no Banco de Termos da República da Lituânia
Número de palavras que compõem os termos
Quantidade de termos, número
Quantidade de termos,%
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
Total
74
100
PROBLEMAS DA IDENTIFICAÇÃO AUTOMÁTICA DE TERMOS
Ao identificar termos por diversos métodos, surgem dois problemas principais: 1) quais formas dos termos são gramaticalmente corretas, questão especialmente relevante ao determinar a forma de entrada; 2) como distinguir frases gerais e termos gerais dos termos da área analisada. Pesquisadores de outros países também enfrentam problemas semelhantes (cf. Cabré Castellví et al. 2001).
Na maioria das vezes, o segundo problema só pode ser resolvido manualmente, isto é, um especialista da área precisa revisar o GT e determinar quais termos pertencem à área analisada. Também é possível aplicar certos filtros, isto é, elaborar uma lista de palavras a excluir (em inglês stop list) e usá-la para eliminar palavras que não podem funcionar como termos da área analisada. Esse tipo de filtragem também foi aplicado neste estudo. Alguns exemplos: não foram considerados termos de educação e ciência as palavras ou expressões cuja última palavra é um substantivo que indica tempo, como
64 Erika Rimkutė | Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais
por exemplo: ano, mês, dia, semana, manhã, noite, janeiro, fevereiro, segunda-feira, terça-feira e assim por diante. Palavras que expressam unidades de medida também não são consideradas termos, por exemplo: milímetro, metro, centímetro, quilômetro, milha, grama, quilograma, tonelada.
É possível excluir expressões que contenham combinações de palavras características de termos administrativos gerais, por exemplo: artigo da lei, seção do artigo da lei, conforme estabelecido por lei, aprovado por um item de despacho, conforme estabelecido pelos atos jurídicos, governo da República, Estado da República, item das disposições, item das resoluções, despacho do ministro, conforme estabelecido pelo ministro, aprovado pelo ministro, constituído pelo ministro.
Na tentativa de distinguir da forma mais precisa possível os termos de educação e ciência dos termos gerais por meios automáticos, foram compilados dois corpora de comparação, com a mesma extensão do corpus de educação e ciência, isto é, 4 milhões de palavras. O primeiro dos corpora de comparação foi compilado a partir de textos de diversos gêneros e estilos; sua composição é semelhante à do Corpus do lituano contemporâneo (inclui textos jornalísticos, literatura ficcional, literatura administrativa e literatura científica). O segundo corpus de comparação foi compilado a partir de textos administrativos, mas não da área de educação e ciência. Partiu-se da hipótese de que, quanto mais geral for um termo, mais frequentemente será usado no corpus geral e/ou administrativo, enquanto, quanto mais específico for, menos frequentemente aparecerá nesses corpora. Essa hipótese foi parcialmente confirmada: por exemplo, termos característicos da área de educação e ciência, como mobilidade, competência, abandono, objetivo, não foram encontrados nos corpora de comparação, ao passo que termos como estudante, universidade, livro didático são frequentes tanto no corpus de educação e ciência quanto nos corpora de comparação. Este estudo deve ser continuado para que se possam apresentar dados confiáveis sobre até que ponto a comparação de vários corpora pode ajudar a distinguir, pelo menos parcialmente e de forma automática, os termos gerais dos termos da área analisada.
A seguir, será discutido mais detalhadamente o primeiro problema, isto é, como determinar automaticamente a lema correta dos termos (especialmente dos termos multipalavras) e como reunir sob uma única lema as palavras e expressões usadas no corpus em diferentes formas flexionadas.
O estudo revelou que nem sempre é fácil determinar a forma de entrada de um termo. Ao determinar automaticamente a lema, por exemplo, a expressão aukštoji mokykla resulta em aukštas mokykla. Essa forma é indicada porque o anotador morfológico especifica como lema dos adjetivos a forma nominativa singular masculina do grau positivo (para mais detalhes sobre as especificidades do anotador, ver Zinkevičius 2000). As lemas dos termos multipalavras
Terminologija | 2012 | 19
65
A determinação seria muito facilitada por um programa de análise sintática. Infelizmente, ainda não existe um programa de análise sintática que funcione na prática22. Portanto, para determinar os lemas, são necessárias algumas regras adicionais — neste caso, é preciso especificar que, se o lema for composto por um substantivo, o adjetivo ou particípio deve concordar com o gênero desse substantivo; se o adjetivo ou particípio estiver na forma definida, essa categoria também deve ser mantida no lema.
Surgem muitas dúvidas quanto à categoria de número; por exemplo, o primeiro elemento do termo studentų atstovybė deve estar no plural; todos os elementos dos termos akademiniai įgūdžiai, auditorinės darbo valandos devem estar no plural; já ambos os elementos dos termos fakulteto taryba, universiteto autonomija, bendrasis priėmimas, mokslinis leidinys estão no singular. É claro que uma pessoa consegue determinar facilmente onde é necessária a forma plural e onde a singular, mas fazê-lo automaticamente é muito difícil. É verdade que, no corpus, fica evidente que algumas palavras são usadas quase sempre apenas no plural (por exemplo: asignavimai, duomenys, studijos, rūmai, žinios, pinigai, pareigos).
Também é difícil determinar a forma de número adequada porque algumas palavras são homônimas, por exemplo, studija (obra científica) e studijos (estudo). Por esse motivo, foram determinados automaticamente de forma incorreta os lemas dos seguintes termos: bakalauro studija, rezidentūros studija, magistro studija, dieninės studija, nuotolinės studija. Como mencionado, alguns substantivos são usados sobretudo apenas no plural, embora o dicionário indique a forma singular como lema. Essa discrepância entre a informação lexicográfica e o uso real levou à determinação incorreta dos lemas dos termos mokinio pasiekimas, švietimo resursas, praktinis gebėjimas, fizinis mokslas, akademinis užsiėmimas (deveria ser: mokinio pasiekimai, švietimo resursai, praktiniai gebėjimai, fiziniai mokslai, akademiniai užsiėmimai).
Outro problema são os substantivos substantiva mobilia, por exemplo: abiturientas – abiturientė, abonentas – abonentė. Como no corpus foram usadas formas tanto do gênero masculino quanto do feminino, foram indicados automaticamente lemas de ambos os gêneros. Para que, como termo de educação e ciência, fosse mantido apenas o lema masculino, foi necessário aplicar uma regra segundo a qual os substantivos do tipo substantiva mobilia, masculinos e femininos, são reduzidos ao lema masculino.
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
Ao determinar automaticamente os lemas, por vezes indica-se uma ordem incorreta das palavras; por exemplo, foram indicadas as seguintes formas de entrada: tipų studija (deveria ser studijų tipas), lygmens kvalifikacija (deveria ser kvalifikacijų lygmuo).
Como não se aplicou a análise sintática na determinação dos lemas, os modificadores nem sempre concordam com o termo modificado, por exemplo, tarptautinis (= tarptautinio) lygio mokslas, ou surgem outros desvios sintáticos, por exemplo: paskolų gyvenimo išlaidos (= paskola gyvenimo išlaidoms).
Também surgem dificuldades para determinar os limites dos termos: por exemplo, dėstytojų ir mokslininkų kvalifikacijos bei kompetencijos atitiktis constitui um único termo ou é necessário distinguir aqui vários termos:
1) a correspondência entre as qualificações e competências dos docentes,
2) a correspondência entre as qualificações e competências dos cientistas,
3) a correspondência entre as qualificações dos docentes e dos cientistas,
4) a correspondência entre as competências dos docentes e dos cientistas,
5) as qualificações dos docentes,
6) as qualificações dos cientistas,
7) as competências dos docentes,
8) as competências dos professores,
9) a correspondência das qualificações,
10) correspondência de competências.
A determinação de lemas e, em geral, o reconhecimento de termos também apresentam dificuldades devido às especificidades do anotador morfológico, quando, entre várias classes gramaticais ou formas gramaticais possíveis, é identificada a forma inadequada. Por exemplo, se um adjetivo concorda em gênero, caso e número com o substantivo que o acompanha, há uma grande probabilidade de que essa combinação esteja gramaticalmente correta. As combinações formadas por dois substantivos, cujo primeiro elemento não está no caso genitivo, nem sempre são gramaticalmente corretas. É preciso examiná-las com mais atenção e, portanto, dedicar-lhes mais tempo. Assim, a classe gramatical indicada determina se a combinação será incluída entre os GT e se estará gramaticalmente correta. Alguns exemplos que ilustram esse tipo de erro: metinėms (pode ser adjetivo ou substantivo; o anotador morfológico indicou substantivo) ataskaitoms; keliais (pode ser pronome ou substantivo; foi selecionado substantivo) procentais; bendrais (pode ser adjetivo ou substantivo; foi selecionado substantivo) teiginiais; uždarus (pode ser adjetivo ou substantivo; foi selecionado substantivo) posėdžius.
Devido à indicação incorreta da classe gramatical e ao fato de as palavras não serem analisadas sintaticamente, a combinação žemiausias balas, encontrada num corpus anotado morfologicamente, parece, à primeira vista, gramaticalmente incorreta, pois
Terminologija | 2012 | 19
67
ao primeiro termo foram atribuídas as seguintes etiquetas: adjetivo, grau superlativo, não pronominal, masculino, singular, nominativo; ao segundo: substantivo, feminino, plural, genitivo, e como lema foi indicado bala. Assim, vê-se que, neste caso, o lema do substantivo foi identificado incorretamente — deveria ser balas. Portanto, a combinação mencionada anteriormente está gramaticalmente correta.
Este capítulo apresentou uma visão geral das dificuldades mais frequentemente encontradas na identificação automática de termos de educação e ciência. Esses problemas e as formas de solucioná-los serão abordados em outros trabalhos.
CONCLUSÕES
O programa e a metodologia de identificação automática de termos ainda precisam ser aperfeiçoados. Ainda assim, os primeiros resultados podem ser avaliados de forma bastante positiva. Como mostram os exemplos apresentados, a análise automática evidencia não só problemas específicos e técnicos, mas também problemas enfrentados pelos terminólogos, por exemplo, a escolha da categoria de número.
Com o aperfeiçoamento do anotador morfológico e a aplicação de um programa de análise sintática automática, seria possível identificar termos automaticamente com mais facilidade e confiabilidade.
Apesar das dificuldades encontradas, o programa de identificação automática de termos acelera consideravelmente o processo de identificação de GT. Outra vantagem importante do processo de identificação automática de termos é a objetividade da análise dos dados.
Constatou-se que 97% dos termos de educação e ciência selecionados automaticamente e revistos têm de 1 a 3 palavras. Predominam os termos de duas palavras, que representam quase 61% de todos os termos.
Os modelos estruturais mais frequentes dos termos de educação e ciência são substantivo no caso nominativo + substantivo, adjetivo + substantivo, adjetivo no caso nominativo + substantivo no caso nominativo + substantivo e substantivo no caso nominativo + substantivo no caso nominativo + substantivo (o último substantivo pode ocorrer em diferentes casos).
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