Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

Identificarea automată a termenilor din domeniul educației și științei prin metode lingvistice ERIKA RIMKUTĖ Vytauto Didžiojo universitetas CUVINTE-CHEIE: corpus, termeni din domeniul educației și științei, metode lingvistice, formă de dicționar, formă gramaticală INTRODUCERE Lingvistica corpusurilor și lingvistica computațională numără deja al doilea deceniu în Lituania – începuturile acestor ramuri ale științei pot fi asociate cu înființarea Centrului de Lingvistică Computațională al Universității Vytautas Magnus (vezi http://tekstynas.vdu.lt) înființarea în 1994. Au fost elaborate câteva corpusuri și programe automate de analiză și sinteză a limbii1. Totuși, principiile lingvisticii corpusurilor sunt încă puțin aplicate în terminologie și terminografie. În articolul din 2010 Posibilitățile identificării automate a termenilor din limba lituaniană (Rimkutė 2010), s-a analizat în ce măsură sunt utilizate corpusurile la elaborarea diferitelor lucrări terminologice în Lituania. Termeni din limba lituaniană pot fi găsiți în câteva baze de date internaționale și bănci de termeni; au fost elaborate numeroase glosare electronice sau baze de date2, însă toate glosarele electronice lituaniene se bazează, în esență, pe dicționare de termeni. Multe dicționare lituaniene au fost elaborate pe baza unor volume de texte destul de mici și a intuiției lingvistice; prin urmare, se poate afirma că în Lituania predomină încă abordarea prescriptivă a extragerii și descrierii termenilor. Articolul își propune să prezinte rezultatele proiectului3 dedicat identificării și descrierii termenilor din domeniul educației și științei, în legătură cu identificarea automată a termenilor nu- 1 O inventariere detaliată a resurselor lituanistice elaborate până în 2011 poate fi găsită la http://sruoga.vdu.lt/lituanistiniai-skaitmeniniai-istekliai/lituanistiniu-istekliu-sarasas. 2 Referințele sunt furnizate în articolul menționat. 3 Acesta este un proiect finanțat de Consiliul Lituanian al Științei Identificarea automată a termenilor din domeniul educației și științei (ŠIMTAI 2) (nr. contractului LIT-2-44). Obiectivele principale ale acestui proiect sunt: 1) elaborarea și testarea unei metodologii de recunoaștere automată a termenilor într-un corpus de texte în limba lituaniană, ca instrument nou de gestionare a terminologiei, 2) crearea unui corpus specializat de texte din domeniul educației și științei, 3) elaborarea, pe baza corpusului specializat, a unui dicționar explicativ al termenilor din domeniul educației și științei și a unei ontologii a acestui domeniu. 54 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais reglementării și descrierii lor. Ideea unui proiect destinat identificării automate a termenilor a apărut observându-se că sursele normative existente4 sunt destul de incomplete, orientate către cei mai generali termeni de politică educațională și aproape că nu acoperă deloc domeniul politicii științifice; nu reușesc să includă termeni noi, care apar în activitatea practică, iar cei care elaborează norme terminologice nu au timp să îi standardizeze. Totuși, standardizarea tradițională este destul de subiectivă, de aceea uzul și normele trebuie fundamentate pe metodele lingvisticii corpusurilor. Prin urmare, acest articol va trata o metodă de selecție și analiză a termenilor încă relativ nouă în Lituania, care ar putea ușura considerabil munca terminologilor și ar oferi mai multă obiectivitate. IDENTIFICAREA AUTOMATĂ A TERMENILOR Pentru a identifica și defini automat termenii dintr-un anumit domeniu, a fost ales un singur domeniu – știința și educația. A fost alcătuit un corpus de texte din domeniul educației și științei (în continuare, ȘE), cu un volum de 4 milioane de cuvinte, construit în jurul a două teme principale: 1) cercetarea științifică și 2) educația. În domeniul cercetării științifice, cea mai mare atenție a fost acordată politicii de cercetare științifică și politicii învățământului superior. Din domeniul educației a fost inclusă educația postsecundară, iar atenția principală a fost acordată învățământului superior și educației continue. Formarea profesională a fost inclusă, de asemenea, ca domeniu complementar. La alcătuirea corpusului s-a urmărit includerea unor texte din genuri și tipuri diverse, de exemplu: legi, alte documente politice ale celor mai înalte instituții ale statului (hotărâri, declarații și alte acte ale Seimului Republicii Lituania, ale Guvernului Republicii Lituania și ale Președintelui Republicii Lituania, decizii ale Curții Constituționale etc.); documente strategice; acte de punere în aplicare a legilor; documente ale instituțiilor și proiectelor care pun în aplicare politicile în domeniul științei și educației; documente ale instituțiilor de știință și de studii; publicații informative, studii privind starea domeniului, evaluări și studii de fezabilitate; comunicate de presă și materiale de dezbatere. Având un corpus reprezentativ și bine echilibrat al domeniului studiat5, este posibilă identificarea automată a termenilor. În acest scop, cel mai des se utilizea- 4Pot fi menționate Banca de Termeni a Republicii Lituania, Enciclopedinis edukologijos terminų žodynas al lui L. Jovaiša (2007), tezaurul TESE [accesat la 2012-05-20], disponibil online la: http://eacea.ec.europa.eu/education/eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf. 5Reprezentativitatea și dimensiunea corpusurilor se numără printre cele mai dificile probleme ale lingvisticii corpusurilor. Se poate considera că corpusul ȘE reprezintă destul de bine domeniul ales. Dimensiunea sa este mai discutabilă; de exemplu, corpusul juridic engleză–italiană Bononia Legal Corpus (BOLC) are aproximativ 18 milioane de cuvinte (Rossini Favretti et al. 2001). Terminologija | 2012 | 19 55 sunt utilizate trei tipuri de metode: statistice, lingvistice și modele hibride care combină metode statistice și lingvistice. Au fost efectuate mai multe experimente pentru a identifica cele mai potrivite metode de identificare a termenilor. Au fost testate următoarele metode statistice: 1) funcția WordSmith Tools Keyword Clusters; 2) metoda de învățare automată KEA; 3) metoda de extragere a colocărilor, folosind instrumentul LICE (pentru detalii, a se vedea Grigon worth et al. 2011). În urma acestor studii, s-a concluzionat că metodele lingvistice sunt cele mai potrivite pentru limba lituaniană. În continuare sunt explicate pe scurt caracteristicile acestor metode. Principalul avantaj al sistemelor statistice de identificare a termenilor este că nu au nevoie de baze de date mari cu exemple de termeni furnizate de oameni. În plus, ele sunt independente de limbă. Principiul de funcționare de bază al sistemelor statistice se bazează pe ideea că cuvintele utilizate frecvent împreună sunt corelate și pot fi tratate drept termeni. Metodele lingvistice se bazează cel mai adesea pe etichete morfologice și pe ordinea cuvintelor. Pentru a putea aplica metode lingvistice, sunt necesare corpusuri adnotate morfologic. Metodele lingvistice de identificare a termenilor stabilesc, de regulă, ce forme gramaticale pot avea termenii. La stabilirea formelor gramaticale, trebuie luate în considerare particularitățile limbilor. De exemplu, pentru limbile analitice este important să se identifice partea de vorbire a termenilor. Partea de vorbire a termenilor este foarte importantă și în limba lituaniană, dar trebuie să se știe și care sunt informațiile despre alte categorii gramaticale necesare pentru identificarea automată a termenilor. S-a observat că, pentru limba lituaniană, sunt importante și categoriile de număr și caz, în timp ce categoria genului nu este deosebit de relevantă pentru identificarea automată a termenilor6. 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. În continuare, articolul va prezenta experimentele de identificare automată a termenilor din limba lituaniană prin metode lingvistice. Trebuie remarcat 6Genul devine relevant în cazurile în care apare sincretismul cazual, de exemplu, mokslo darbuotojų: programul de analiză morfologică automată recunoaște forma darbuotojų atât ca genitiv plural al unui substantiv masculin, cât și ca genitiv plural al unui substantiv feminin și, prin urmare, indică drept forme de bază atât mokslo darbuotojas, cât și mokslo darbuotoja. Ca termen ar trebui prezentată forma de gen masculin, adică mokslo darbuotojas. 56 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais Rețineți că, pentru identificarea termenilor posibili (în continuare TP)7, s-a utilizat un program creat la Centrul de Lingvistică Computațională al VDU. Programul folosește reguli lingvistice care precizează ce combinații de părți de vorbire sau forme de cuvinte trebuie analizate. După cum s-a menționat, utilizarea metodelor lingvistice necesită corpusuri adnotate morfologic; de aceea, corpusul de educație și știință (EȘ) acumulat inițial a fost adnotat morfologic cu ajutorul unui adnotator morfologic creat la Centrul de Lingvistică Computațională al VDU8. Mai jos este prezentat un exemplu de text adnotat morfologic automat: <cuvânt=”PROJEKTŲ” lemă=”projektas” tip=”substantiv masculin genitiv plural K”>9 <spațiu> <cuvânt=”FINANSAVIMO” lemă=”finansavimas” tip=”substantiv masculin genitiv singular K”> <spațiu> <cuvânt=”SĄLYGŲ” lemă=”sąlyga” tip=”substantiv feminin genitiv plural K”> <spațiu> <cuvânt=”APRAŠAS” lemă=”aprašas” tip=”substantiv masculin genitiv singular V”> <p> <cuvânt=”I” lemă=”I” tip=”numeral roman”> <separator=”.”> <spațiu> <cuvânt=”BENDROSIOS” lemă=”bendras” tip=”adjectiv afirmativ superlativ pronominal feminin singular genitiv”> <spațiu> <cuvânt=”NUOSTATOS” lemă=”nuostata” tip=”substantiv feminin genitiv singular K”>10 <p> <număr=”1”> <separator=””> <spațiu> <număr=”2007”> <separator=”–”> 7 Programele care identifică automat termeni folosind diverse metode recunosc, de obicei, termeni posibili, candidați la statutul de termen (vezi Zeller 2005), deși printre cuvintele sau combinațiile identificate automat apar adesea grupuri de cuvinte complet lipsite de sens sau combinații de cuvinte cu sens, dar neterminologice, de exemplu colocări. Termenii propriu-ziși sunt de regulă identificați dintre aceste cuvinte și combinații de către un expert în domeniul respectiv. 8 Pentru detalii, vezi http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use. 9 Word indică o anumită formă a cuvântului folosită în text, lemma – forma de bază (lemma), type – informații morfologice detaliate. 10 Trebuie remarcat că adnotarea morfologică este realizată automat și, prin urmare, apar și erori; de exemplu, în acest caz, din cauza sincretismului cazual, este indicată o formă incorectă: în locul nominativului plural feminin este indicat genitivul singular feminin. Pentru detalii despre inexactitățile apărute din cauza specificului adnotatorului morfologic, vezi capitolul Problemele identificării automate a termenilor. Terminologija | 2012 | 19 57 <number=”2013”> <space> <cuvânt=„m” lemă=„m” tip=„sntrmp” <sep=”.”> <space> Principiul de funcționare al programelor care identifică automat TP poate fi descris pe scurt și simplu astfel: se analizează textul marcat morfologic și se caută secvențe de cuvinte corelate. Primul criteriu este selectarea combinațiilor neîntrerupte de cuvinte, pe baza delimitărilor marcate ale textului și ale propozițiilor. Unele delimitări din text sunt marcate ca semne de punctuație, altele pot fi marcate ca etichete HTML, de exemplu eticheta de paragraf <p>, eticheta spațiului dintre cuvinte <space> și așa mai departe. În continuare, trebuie elaborate anumite reguli lingvistice care să fie implementate în program. Pentru identificarea termenilor din educație și știință, au fost elaborate și aplicate următoarele reguli principale11: 1. Se analizează numai combinațiile care conțin cel puțin un substantiv. Dacă TP este format din două sau mai multe cuvinte, celelalte părți de vorbire din combinație pot fi adjective și participii. 2. Se analizează numai combinațiile al căror ultim cuvânt trebuie să fie un substantiv12. 3. În cazul TP formate din două cuvinte, nu se analizează substantivele proprii, deoarece acestea apar cel mai adesea în denumiri de persoane, companii, instituții etc., care nu sunt considerate termeni ai domeniului (la identificarea termenilor mai lungi, substantivele proprii sunt incluse și în listele de termeni TP). 4. Din combinații au fost eliminate numerele scrise cu cifre. 5. Nu au fost analizate cuvintele sau combinațiile alcătuite din cel puțin un cuvânt nerecunoscut de adnotatorul morfologic. Acestea sunt, de regulă, inserții în limbi străine, cuvinte scrise cu greșeli, forme abreviate ale cuvintelor13. Prin aplicarea acestor reguli, au fost identificate GT, din care expertul14 a selectat termenii din domeniul educației și științei. Acești termeni au fost analizați mai detaliat, iar structura lor este descrisă în capitolul Structura termenilor din domeniul educației și științei. 11 Regulile sunt universale și, în esență, adecvate pentru identificarea automată a termenilor din orice domeniu. 12 Este posibilă și o altă structură a termenilor, de exemplu, un substantiv cu un infinitiv precedat de prefix, un substantiv cu o construcție prepozițională negativă. Există puțini termeni de acest tip, așa că nu au fost analizați. În continuarea cercetării, ar trebui analizate și structurile termenilor care nu au fost incluse în acest articol. 13 Aplicarea anumitor restricții la selectarea GT poate duce la pierderea unor informații valoroase. În acest studiu nu s-a calculat câți termeni reali au rămas nerecunoscuți. Atunci când se utilizează programe de recunoaștere automată a termenilor, trebuie acceptat faptul că o parte din informații se va pierde, însă informațiile identificate automat vor fi mai ușor de prelucrat, iar combinațiile obținute vor fi corecte din punct de vedere gramatical. 14 Expertul acestui proiect este specialistul în limba și literatura lituaniană Giedrius Viliūnas, cu o vastă experiență pedagogică, administrativă și managerială în domeniul educației și științei. 58 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais SELECTAREA TERMENILOR Prin aplicarea metodei descrise în capitolul anterior, a programului și a regulilor utilizate de acesta, au fost identificate aproximativ 11 mii de GT, alcătuite din unul până la cincisprezece cuvinte15. În fața unui volum atât de mare de date, au fost aplicate mai multe criterii de selecție. Primul a fost lungimea termenilor: ținând cont de tendințele generale privind structura termenilor, s-a decis analizarea termenilor de cel mult șapte cuvinte. Al doilea criteriu a fost frecvența de utilizare a termenilor. S-a ales să fie analizați mai detaliat, în continuare, GT monosilabice, utilizate de cel puțin 20 de ori în corpusul de texte din domeniul educației și științei; GT din două cuvinte, utilizate de cel puțin 10 ori; GT din trei cuvinte, utilizate de cel puțin 8 ori; GT din patru cuvinte, utilizate de cel puțin 6 ori; GT din cinci cuvinte, cu o frecvență de cel puțin 4 ori; GT din șase cuvinte, utilizate de cel puțin 3 ori; și GT din șapte cuvinte, cu o frecvență de cel puțin 2 ori. La calcularea automată a frecvenței de apariție a GT, s-au utilizat formele-titlu (de dicționar) ale cuvintelor, adică lemele. Termenii identificați prin aplicarea acestor criterii de selecție au fost studiați mai detaliat (structura lor este prezentată în capitolul următor). După ce expertul a examinat GT identificate conform criteriilor menționate anterior, au fost selectați termenii autentici din domeniul educației și științei. Distribuția acestora în funcție de lungime este prezentată în Tabelul 1. Tabelul 1. Distribuția termenilor din domeniul educației și științei în funcție de lungime Numărul de cuvinte care alcătuiesc termenii Numărul de termeni Numărul de termeni,% 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 Iată câțiva dintre cei mai lungi termeni găsiți: în cazurile indicate la punctul descris, rambursarea împrumutului garantat de stat către împrumutat, prin decizia comisiei constituite de directorul fondului (15 cuvinte; numerele, adică numărul punctului, sunt omise aici); la adresa de domiciliu a împrumutatului indicată în contractul de împrumut garantat de stat încheiat de instituția de credit (13 cuvinte); modalitatea de plată a taxelor de studii ale studenților universității pentru anul universitar se stabilește prin ordinul rectorului (11 cuvinte). Este evident că aceste fragmente de text nu pot fi considerate termeni potențiali. Terminologija | 2012 | 19 59 Datele din tabel arată că aproximativ 97% din totalul termenilor din domeniul educației și științei (EȘ) sunt termeni alcătuiți din 1–3 cuvinte. Nu s-au găsit în GT termeni din domeniul educației și științei alcătuiți din șase sau șapte cuvinte, prin urmare aceștia nu au fost analizați în continuare. STRUCTURA TERMENILOR DIN DOMENIUL EDUCAȚIEI ȘI ȘTIINȚEI Acest capitol descrie în detaliu structura termenilor EȘ identificați automat și selectați de expert și prezintă modelele lor gramaticale. Termenii sunt descriși de la cei mai scurți, adică cei alcătuiți dintr-un singur cuvânt, până la cei mai lungi, adică cei alcătuiți din cinci cuvinte. 1. Termeni dintr-un singur cuvânt. În total au fost identificați 7635 de GT dintr-un singur cuvânt, dintre care 1311 apar de peste 20 de ori în corpus. În continuare au fost analizați în detaliu numai acești termeni. Dintre cei 1311 de termeni, 155 pot fi considerați termeni EȘ, adică aproximativ 20%. Cei mai frecvenți termeni EȘ din corpus sunt: studentas (420816), universitetas (3959), studijos (1562), mokslas (1508), sritis (1403). 2. Termeni din două cuvinte. În corpusul de 4 milioane de cuvinte au fost găsite 145 468 de GT din două cuvinte. După cum s-a menționat mai sus, în continuare au fost analizați numai acei GT din două cuvinte a căror frecvență este de cel puțin 10 apariții — au fost găsiți 4889 de astfel de termeni. După examinarea GT, în lista finală de termeni EȘ au rămas doar 474 de termeni din două cuvinte, care constituie majoritatea termenilor analizați — peste două treimi (vezi tabelul 1.). Termenii din două cuvinte pot fi împărțiți în trei tipuri, în funcție de formele lor gramaticale. 1) substantiv + substantiv: există 250 de termeni EȘ de acest tip, adică 52,7% din totalul termenilor din două cuvinte. Cei mai frecvenți termeni EȘ din această structură, utilizați în corpus, sunt programă de studii (1432), ciclu de studii (306), domeniu de studii (303), cercetător științific (289), calitatea studiilor (253). 2) adjectiv + substantiv.17 Combinațiile de acest tip constituie 200 de termeni EȘ (dintre care 42,2% din termenii din două cuvinte). Cei mai frecvenți termeni EȘ sunt instituție de învățământ superior (2160), cercetare științifică (918), învățământ superior (730), învățământ la distanță (453), învățământ profesional (403). Combinațiile de tip adjectiv + substantiv sunt considerate GT atunci când adjectivul se acordă cu substantivul în gen, număr și caz. În caz contrar, se obțin- 16 Frecvența termenului în corpusul EȘ de 4 milioane de cuvinte este indicată între paranteze. 17 La modelele termenilor din două cuvinte, cazurile nu sunt indicate, deoarece adjectivele și participiile se acordă cu substantivele, iar substantivele sunt de obicei la nominativ singular. 60 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais au fost identificate combinații incorecte din punct de vedere gramatical¹⁸, de exemplu, mai apropiat al universităților, cel mai important al dreptului, cele mai importante ale învățării, cel mai bun al anului, sau combinația este corectă, deși adesea incompletă, și nu reprezintă termeni din domeniul educației și științei, de exemplu, cel mai mare din lume, cel mai dinamic din lume, favorabil studenților. 3) adv. + subst. combinațiile ca termeni din domeniul educației și științei sunt doar 24, adică 5%. Cei mai frecvenți termeni din domeniul educației și științei: lucrare de absolvire (162), disciplină opțională (109), educația adulților¹⁹ (65), feedback (63), cercetare aplicată (45). 3. Termeni din trei cuvinte. În total au fost identificați 119 881 de grupuri de trei cuvinte. Au fost analizate mai detaliat 2438 de combinații, cu o frecvență în corpus de cel puțin 8 apariții. Au fost găsiți 125 de termeni din domeniul educației și științei, adică 16,03% din totalul termenilor. Cei mai frecvenți termeni din domeniul educației și științei: instituție de învățământ superior (251), instituție de formare profesională (205), împrumut garantat de stat (149), școală de învățământ general (147), instituție de formare profesională (77). Termenii din domeniul educației și științei formați din trei cuvinte aparțin a șapte modele gramaticale. Dintre aceștia, cele mai frecvente sunt combinațiile de tipul adj. G. + subst. G. + subst.²⁰ (acestea reprezintă 48% din totalul termenilor din trei cuvinte), de exemplu: instituție de învățământ superior (251), instituție de formare profesională (205), școală de învățământ general (147). Al doilea loc după frecvență printre termenii din domeniul educației și științei formați din trei cuvinte îl ocupă combinațiile de tipul subst. G. + subst. G. + subst. (24,8%), de exemplu: regulamentul domeniului de studii (66), descrierea domeniilor de studii (60), institutul de știință al statului (50). Al treilea model structural ca frecvență al termenilor din domeniul educației și științei formați din trei cuvinte este adj. N. + adj. N. + subst. (12%), de exemplu: program național complex (69), cercetare științifică fundamentală (61), formare profesională inițială (52). În continuare, după frecvență, pot fi prezentate doar câteva exemple care ilustrează modelele structurale ale termenilor din domeniul educației și științei formați din trei cuvinte: subst. G. + part. N. + subst. (4%), de exemplu: împrumut garantat de stat (149), calificare recunoscută de stat (33), student finanțat de stat (21); subst. G. + adj. N. + subst. (4%), de exemplu: instituție de învățământ superior străină (41), consiliul academic al colegiului (32), îndrumătorul științific al doctorandului (20); part. N. / G. + subst. G. + subst. (3,2%), de exemplu: evaluare finală a calificării (36), loc de studii gratuit (13), cercetări de natură aplicată (13); adj. N. + ¹⁸ În această lucrare, combinațiile sunt considerate corecte din punct de vedere gramatical dacă termenii dependenți sunt acordați cu termenul principal și relațiile sintactice dintre componentele grupului de cuvinte sunt clare. ¹⁹ La participii au fost incluse și participiile substantivizate. ²⁰ Cazul ultimului substantiv nu este indicat, deoarece acesta este cel mai adesea la nominativ. Terminologija | 2012 | 19 61 adv. V. (sau K., dacă participiul s-a substantivizat) + subst. (2,4%), de exemplu: disciplină de studiu concursuală (15), educație nonformală a adulților (13), activitate de cercetare științifică (12); adv. V. + adv. V. + subst. (1,6%), de exemplu: activitate științifică aplicată (20), cercetări științifice contractate (8). 4. Termeni din patru cuvinte. În total au fost găsiți 77 961 de GT din patru cuvinte; combinațiile folosite de peste 7 ori au fost 760. Dintre acestea, expertul a identificat 22 de termeni din domeniul educației și științei (aceștia reprezintă 2,82% din totalul termenilor). Cele mai frecvente combinații din acest grup de termeni sunt instituție de cercetare și studii (568), parc de știință și tehnologie (62), program național complex general (40), formare profesională pentru piața muncii (40). Termenii din patru cuvinte utilizați în corpusul educației și științei aparțin nouă modele gramaticale diferite. Întrucât termenii din patru cuvinte sunt puțini, fiecare model este ilustrat doar prin câteva exemple sau chiar printr-un singur exemplu. Mai jos sunt prezentate, grupate după frecvență, toate modelele structurale ale termenilor din patru cuvinte din domeniul educației și științei, împreună cu câte un exemplu ilustrativ pentru fiecare model: adj. V. + subst. G. + subst. G. + subst. (22,7% din toți termenii din patru cuvinte): bază de date științifică internațională (13); adj. V. + adj. G. + subst. G. + subst. (18,2%): disciplină generală de formare universitară (8); adj. G. + subst. G. + adv. V. + subst. (13,6%): elev cu nevoi speciale (8); subst. G. + prep. + subst. G. + subst. (13,6%): instituție de cercetare și studii (568); adj. G. + subst. G. + adj. V. + subst. (9,1%): cercetări științifice de nivel înalt (18); adv. V. + adj. V. + subst. G. + subst. (9,1%): bază de date internațională recunoscută (11); adj. V. + adj. V. + adj. V. + subst. (4,5%): program național complex general (40); subst. G. + adj. G. + subst. G. + subst. (4,5%): institut de cercetare științifică de stat (31); subst. G. + subst. G. + subst. G. + subst. (4,5%): domeniu de studii al științelor tehnologice (28); 5. Termeni din cinci cuvinte. Au fost identificați 49 768 de GT din cinci cuvinte; au fost găsite 601 combinații folosite de peste 5 ori, dintre care 4 termeni din domeniul educației și științei, adică 0,51% din totalul termenilor. Fiind vorba de un număr atât de mic de termeni, este dificil să se facă generalizări privind structura lor, prin urmare termenii nu au fost clasificați structural. Toți termenii din cinci cuvinte utilizați în corpusul educației și științei sunt: cercetare științifică și dezvoltare experimentală (124), cercetare științifică și dezvoltare tehnologică (67), cercetare științifică și dezvoltare tehnologică (13), centru de cercetare științifică de nivel înalt (7). 62 Erika Rimkutė Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais 6. Termeni din șase și șapte cuvinte. S-a menționat deja că printre termenii GT din șase și șapte cuvinte nu s-a găsit niciun termen ȘM, deși, în total, au fost identificați 30 298 de termeni GT din șase cuvinte (dintre care au fost găsite 750 de combinații utilizate de peste 3 ori) și 17 815 termeni GT din șapte cuvinte (dintre care au fost găsite 2608 combinații utilizate de peste 2 ori). COMPARAREA TERMENILOR DIN EDUCAȚIE ȘI ȘTIINȚĂ CU TERMENII DIN BANCA DE TERMENI A REPUBLICII LITUANIA Termenii utilizați în corpusul ȘM pot fi comparați cu termenii aprobați din domeniul educației și științei incluși în Banca de Termeni a Republicii Lituania21; aceștia sunt în număr de 74. Structura acestor termeni este foarte variată: de la termeni dintr-un singur cuvânt până la combinații alcătuite din 18 cuvinte. Au fost găsiți doar câte un singur termen foarte lung, alcătuit din 15 și, respectiv, 18 cuvinte. Cel mai lung termen prezentat este – programul de formare profesională continuă neformală pentru agricultori, proprietari de păduri, membri ai grupurilor de acțiune locală, alți locuitori din mediul rural și consultanții acestora. Se poate discuta dacă denumirea programului trebuie considerată un termen. Comparând structura termenilor din educație și știință din corpusul ȘM și din Banca de Termeni, se observă că în ambele surse predomină termenii dintr-unul până la trei cuvinte. Într-adevăr, termenii dintr-unul până la trei cuvinte reprezintă 86,5% în Banca de Termeni, în timp ce termenii de aceeași lungime utilizați în corpusul ȘM reprezintă 97% (a se vedea tabelul 1). În Banca de Termeni sunt ceva mai mulți termeni din patru cuvinte decât în corpusul prezentat; nu au fost utilizați termeni din cinci cuvinte; dintre termenii alcătuiți din 6, 7, 8 și 9 cuvinte, în Banca de Termeni se găsesc doar câte unul sau doi; nu există termeni din 10 cuvinte, dar sunt incluși termenii menționați deja, alcătuiți din 15 și 18 cuvinte (a se vedea tabelul 2). Este discutabilă încadrarea în domeniul educației și științei a câtorva termeni incluși în Banca de Termeni, de exemplu, lituanian, comunitatea lituanienilor din lume, reemigrare, naționalitate. Lista de termeni obținută arată că domeniul educației și științei nu este acoperit în întregime; de exemplu, ca termen din domeniul formării profesionale este inclus tractorist, dar lipsesc mecanicul de combine, bucătarul, tâmplarul și altele asemenea; lipsesc mai ales termenii care reflectă politica științifică. Prin urmare, termenii identificați în cadrul cercetării discutate în acest articol ar trebui să contribuie, cel puțin într-o anumită măsură, la acoperirea lacunelor terminologice din domeniul educației și științei. 21 Lista termenilor aprobați din domeniul educației și științei a fost obținută de la Comisia de Stat pentru Limba Lituaniană în 2010. Compararea datelor corpusului cu cele ale Băncii de Termeni se bazează tocmai pe această listă. Terminologija | 2012 | 19 63 Tabelul 2. Repartizarea termenilor din educație și știință incluși în Banca de Termeni a Republicii Lituania în funcție de lungime Numărul de cuvinte care alcătuiesc termenul Numărul de termeni Numărul de termeni,% 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 PROBLEMELE IDENTIFICĂRII AUTOMATE A TERMINILOR La identificarea termenilor prin diverse metode apar două probleme principale: 1) ce forme ale termenilor sunt corecte din punct de vedere gramatical, aspect deosebit de important la stabilirea formei de bază; 2) cum să se distingă expresiile generale și termenii generali de termenii domeniului analizat. Cercetătorii din alte țări se confruntă cu probleme similare (cf. Cabré Castellví et al 2001). Cel mai adesea, a doua problemă poate fi rezolvată numai manual, adică un expert în domeniu trebuie să examineze GT și să stabilească ce termeni aparțin domeniului analizat. Se pot aplica și anumite filtre, adică se poate alcătui o listă de cuvinte care trebuie excluse (în engleză stop list) și o poate folosi pentru a elimina cuvintele care nu pot funcționa ca termeni ai domeniului analizat. Un astfel de filtru a fost aplicat și în acest studiu. Câteva exemple: nu au fost considerate termeni din domeniul științelor educației cuvintele sau grupurile de cuvinte al căror ultim cuvânt este un substantiv care indică timpul 64 Erika Rimkutė | Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais de exemplu: metai, mėnuo, diena, savaitė, rytas, vakaras, sausis, vasaris, pirmadienis, antradienis etc. Cuvintele care exprimă unități de măsură nu sunt considerate termeni, de exemplu: milimetras, metras, centimetras, kilometras, mylia, gramas, kilogramas, tona. Se pot exclude grupurile de cuvinte care conțin expresii caracteristice termenilor administrativi generali, de exemplu: įstatymo straipsnio, įstatymo straipsnio dalyje, įstatymų nustatyta (tvarka), įsakymo punktu patvirtintu, teisės aktų nustatyta tvarka, respublikos vyriausybės, respublikos valstybės, nuostatų punktas, nutarimų punktas, ministro įsakymas, ministro nustatyta tvarka, ministro patvirtintas, ministro sudarytas. În încercarea de a distinge cât mai precis, în mod automat, termenii din domeniul științelor educației de cei generali, au fost alcătuite două corpusuri comparative, fiecare de aceeași dimensiune ca și corpusul de texte din domeniul științelor educației, adică de 4 mln. de cuvinte. Primul dintre corpusurile comparative a fost alcătuit din texte aparținând unor genuri și stiluri diverse; structura sa este similară cu cea a Dabartinės lietuvių kalbos tekstyną (cuprinde publicistică, literatură beletristică, literatură administrativă și literatură științifică). Al doilea corpus comparativ a fost alcătuit din texte administrative, dar nu din domeniul științelor educației. Ipoteza formulată a fost că, cu cât un termen este mai general, cu atât este folosit mai frecvent în corpusul general și/sau în cel administrativ, iar cu cât este mai specific, cu atât este mai rar în corpusul general și/sau în cel administrativ. Această ipoteză s-a confirmat parțial; de exemplu, termenii caracteristici domeniului științelor educației judumas, kompetentingumas, nubyrejimas, siekinys nu au fost găsiți în corpusurile comparative, în timp ce termeni precum studentas, universitetas, vadovėlis sunt frecvenți atât în corpusul din domeniul științelor educației, cât și în corpusurile comparative. Acest studiu ar trebui continuat pentru a putea furniza date fiabile despre măsura în care compararea mai multor corpusuri poate ajuta la distingerea, cel puțin parțial și în mod automat, a termenilor generali de cei ai domeniului analizat. În continuare va fi discutată mai pe larg prima problemă, și anume cum se identifică automat lema corectă a termenilor (în special a celor formați din mai multe cuvinte) și cum se reunesc sub o singură lemă cuvintele și grupurile de cuvinte folosite în corpus în forme flexionare diferite. Studiul a arătat că nu este întotdeauna ușor să se stabilească forma de bază a unui termen. La identificarea automată a lemei, de exemplu, pentru grupul de cuvinte aukštoji mokykla se obține rezultatul aukštas mokykla. Această formă este indicată deoarece adnotatorul morfologic dă pentru adjective drept lemă forma de nominativ singular masculin, la gradul pozitiv (pentru detalii despre specificul adnotatorului, vezi Zinkevičius 2000). În ceea ce privește lemele termenilor formați din mai multe cuvinte Terminologija | 2012 | 19 65 Stabilirea [lor] ar fi mult facilitată de un program de analiză sintactică. Din păcate, deocamdată nu există un program de analiză sintactică funcțional în practică22. Prin urmare, la stabilirea lemelor sunt necesare anumite reguli suplimentare – în acest caz, trebuie precizat că, dacă lema este alcătuită dintr-un substantiv, adjectivul sau participiul trebuie să se acorde cu genul substantivului respectiv; dacă adjectivul sau participiul are formă de adjectiv pronominal, această categorie trebuie păstrată și în lemă. Categoria numărului ridică multe întrebări; de exemplu, primul component al termenului studentų atstovybė trebuie să fie la plural, toți componenții termenilor akademiniai įgūdžiai, auditorinės darbo valandos trebuie să fie la plural, în timp ce ambii componenți ai termenilor fakulteto taryba, universiteto autonomija, bendrasis priėmimas, mokslinis leidinys sunt la singular. Desigur, unui om nu-i este greu să stabilească unde este necesară forma de plural și unde cea de singular, însă este foarte dificil să se facă acest lucru automat. Totuși, în corpus se observă că unele cuvinte sunt folosite aproape întotdeauna numai la plural (de exemplu: asignavimai, duomenys, studijos, rūmai, žinios, pinigai, pareigos). Stabilirea formei corecte de număr este dificilă și pentru că unele cuvinte sunt omonime, de exemplu studija (lucrare științifică) și studijos (studiere). Din acest motiv, lemele următorilor termeni au fost stabilite automat incorect: bakalauro studija, rezidentūros studija, magistro studija, dieninės studija, nuotolinės studija. După cum s-a menționat, unele substantive sunt folosite cel mai adesea numai la plural, deși în dicționar forma de singular este indicată ca lemă. Această discrepanță dintre informațiile lexicografice și uzul real a dus la stabilirea incorectă a lemelor termenilor mokinio pasiekimas, švietimo resursas, praktinis gebėjimas, fizinis mokslas, akademinis užsiėmimas (ar trebui să fie: mokinio pasiekimai, švietimo resursai, praktiniai gebėjimai, fiziniai mokslai, akademiniai užsiėmimai). O altă problemă o constituie substantivele substantiva mobilia, de exemplu: abiturientas – abiturientė, abonentas – abonentė. Deoarece în corpus au fost folosite atât formele de gen masculin, cât și cele de gen feminin, au fost indicate automat lemele ambelor genuri. Pentru ca, în calitate de termen din domeniul educației și științei, să fie păstrată doar lema de gen masculin, a fost necesară aplicarea unei reguli în baza căreia substantivele de tipul substantiva mobilia, de gen masculin și feminin, au fost reduse la lema de gen masculin. 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 La stabilirea automată a lemelor, uneori este indicată o ordine incorectă a cuvintelor; de exemplu, au fost indicate următoarele forme-titlu: tipų studija (ar trebui să fie studijų tipas), lygmens kvalifikacija (ar trebui să fie kvalifikacijų lygmuo). Deoarece analiza sintactică nu a fost aplicată la stabilirea lemelor, determinanții nu se acordă întotdeauna cu cuvântul determinat, de exemplu tarptautinis (= tarptautinio) lygio mokslas, sau apar alte încălcări sintactice, de exemplu: paskolų gyvenimo išlaidos (= paskola gyvenimo išlaidoms). Dificultăți apar și la stabilirea limitelor termenilor; de exemplu, dacă dėstytojų ir mokslininkų kvalifikacijos bei kompetencijos atitiktis constituie un singur termen sau dacă aici trebuie distinse mai multe termene: 1) corespunderea calificărilor și competenței cadrelor didactice, 2) corespunderea calificărilor și competenței cercetătorilor, 3) corespunderea calificărilor cadrelor didactice și cercetătorilor, 4) corespunderea competențelor cadrelor didactice și cercetătorilor, 5) calificările cadrelor didactice, 6) calificările cercetătorilor, 7) competența cadrelor didactice, 8) competența profesorilor, 9) corespunderea calificărilor, 10) concordanța competenței. La stabilirea lemelor și, în general, la recunoașterea termenilor apar dificultăți și din cauza particularităților adnotatorului morfologic, care, dintre mai multe părți de vorbire sau forme gramaticale posibile, o identifică pe cea nepotrivită. De exemplu, dacă un adjectiv se acordă în gen, caz și număr cu substantivul alăturat, există o probabilitate mare ca această combinație să fie corectă gramatical. Combinațiile formate din două substantive, al căror prim constituent nu este la genitiv, nu sunt întotdeauna corecte gramatical. Acestea trebuie revizuite mai atent, ceea ce necesită, așadar, mai mult timp. Prin urmare, partea de vorbire indicată determină dacă o combinație va fi inclusă printre GT și dacă va fi corectă gramatical. Câteva exemple care ilustrează acest tip de eroare: metinėms (poate fi adj. sau subst., adnotatorul morfologic a indicat subst.) ataskaitoms; keliais (poate fi pron. sau subst., a fost selectat subst.) procentais; bendrais (poate fi adj. sau subst., a fost selectat subst.) teiginiais; uždarus (poate fi adj. sau subst., a fost selectat subst.) posėdžius. Din cauza indicării incorecte a părții de vorbire și a faptului că cuvintele nu sunt analizate sintactic, combinația žemiausias balas, găsită într-un corpus adnotat morfologic, pare la prima vedere incorectă gramatical, deoarece Terminologija | 2012 | 19 67 primului cuvânt i s-au atribuit următoarele etichete: adj., grad superlativ, neflexionat, genul masculin, singular, nominativ; celui de-al doilea: subst., genul feminin, plural, genitiv, iar ca lemă a fost indicat bala. Astfel, se observă că, în acest caz, lema substantivului a fost identificată greșit – trebuie să fie balas. Prin urmare, combinația menționată mai sus este corectă gramatical. În acest capitol au fost trecute în revistă dificultățile întâlnite cel mai frecvent la identificarea automată a termenilor din educație și știință. Aceste probleme și modalitățile de soluționare a lor vor fi abordate în alte lucrări. CONCLUZII Programul și metodologia de identificare automată a termenilor mai trebuie îmbunătățite. Cu toate acestea, primele rezultate pot fi apreciate destul de favorabil. După cum reiese din exemplele prezentate, analiza automată scoate în evidență nu doar probleme specifice, tehnice, ci și probleme cu care se confruntă și terminologii, de exemplu, alegerea categoriei numărului. După îmbunătățirea adnotatorului morfologic și aplicarea unui program de analiză sintactică automată, termenii ar putea fi identificați automat mai ușor și mai fiabil. În pofida dificultăților întâmpinate, programul de identificare automată a termenilor accelerează considerabil procesul de identificare a GT. Un alt avantaj important al procesului de identificare automată a termenilor este obiectivitatea analizei datelor. S-a constatat că 97% dintre termenii din educație și știință selectați automat și revizuiți au lungimea de 1–3 cuvinte. Cei mai numeroși sunt termenii din două cuvinte – aceștia reprezintă aproape 61% din totalul termenilor. Cele mai frecvente modele structurale ale termenilor din educație și știință sunt subst. la genitiv + subst., adj. + subst., adj. la genitiv + subst. la genitiv + subst., subst. la genitiv + subst. la genitiv + subst. (pot apărea diverse cazuri ale ultimului substantiv). 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