Determinación automática de términos de educación y ciencia mediante métodos lingüísticos

ERIKA RIMKUTĖ

Universidad Vytautas Magnus

PALABRAS CLAVE: corpus, términos de educación y ciencia, métodos lingüísticos, forma lema, forma gramatical

INTRODUCCIÓN

La lingüística de corpus y la lingüística computacional en Lituania ya cuentan su segunda década: el inicio de estas ramas de la ciencia puede vincularse a la creación del Centro de Lingüística Computacional de la Universidad Vytautas Magnus (véase http://tekstynas.vdu.lt) en 1994. Se han preparado varios corpus y programas automáticos de análisis y síntesis del habla¹. No obstante, los principios de la lingüística de corpus aún se aplican poco en la terminología y la terminografía.

En el artículo de 2010 Posibilidades de determinación automática de términos de la lengua lituana (Rimkutė 2010), se examina en qué medida se utilizan los corpus para elaborar diversos trabajos terminológicos en Lituania. Pueden encontrarse términos de la lengua lituana en varias bases de datos internacionales y bancos de términos; también se han preparado numerosos repertorios terminológicos electrónicos o bases de datos², pero todos los repertorios terminológicos electrónicos lituanos se han elaborado esencialmente a partir de diccionarios de términos. Muchos diccionarios lituanos se prepararon basándose en cantidades bastante reducidas de textos y en la intuición lingüística; por tanto, puede afirmarse que en Lituania todavía predomina el enfoque prescriptivo para extraer y describir términos.

El artículo pretende presentar los resultados del proyecto³ destinado a determinar y describir términos de educación y ciencia, relacionados con la determinación automática de términos-

¹ Puede consultarse un inventario detallado de los recursos lituanísticos preparados hasta 2011 en http://sruoga.vdu.lt/lituanistiniai-skaitmeniniai-istekliai/lituanistiniu-istekliu-sarasas.

² Las referencias se ofrecen en el artículo mencionado.

³ Se trata de un proyecto financiado por el Consejo de Investigación de Lituania Identificación automática de términos de educación y ciencia (ŠIMTAI 2) (n.º de contrato LIT-2-44). Los principales objetivos de este proyecto son: 1) crear y probar una metodología para el reconocimiento automático de términos en un corpus de la lengua lituana como nuevo instrumento de gestión terminológica; 2) crear un corpus especializado de textos de educación y ciencia; 3) elaborar, sobre la base del corpus especializado, un diccionario explicativo de términos de educación y ciencia y una ontología de este ámbito.

54

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

… de su normalización y descripción. La idea del proyecto destinado a la identificación automática de términos surgió al observar que las fuentes normativas existentes⁴ son bastante incompletas, se centran en los términos más generales de la política educativa y apenas abarcan el ámbito de la política científica; no llegan a incorporar los nuevos términos que surgen de la práctica profesional, y quienes normalizan los términos no dan abasto para normalizarlos. Sin embargo, la normalización tradicional es bastante subjetiva, por lo que el uso y las normas deben fundamentarse en métodos de lingüística de corpus. Por ello, este artículo tratará un método de selección y análisis de términos todavía bastante novedoso en Lituania, que podría facilitar considerablemente la labor de los terminólogos y aportar mayor objetividad.

IDENTIFICACIÓN AUTOMÁTICA DE TÉRMINOS

Para identificar y definir automáticamente los términos de un ámbito determinado, se eligió uno: la ciencia y la educación. Se compiló un corpus de educación y ciencia (en adelante, EC) de 4 millones de palabras, cuya composición se orientó en torno a dos temas principales: 1) la investigación científica y 2) la educación. En el ámbito de la investigación científica, se prestó especial atención a las políticas de investigación científica y de educación superior. En el ámbito educativo, se incluyó la educación postsecundaria, con especial atención a la educación superior y a la formación continua. También se incorporó la formación profesional como ámbito complementario. Al compilar el corpus, se procuró abarcar textos de diversos géneros y tipos, por ejemplo: leyes y otros documentos políticos de las más altas instituciones de gobierno (resoluciones y declaraciones del Seimas de la República de Lituania, del Gobierno de la República de Lituania y del Presidente de la República de Lituania, sentencias del Tribunal Constitucional, etc.); documentos estratégicos; actos de ejecución de las leyes; documentos de instituciones y proyectos que aplican políticas científicas y educativas; documentos de instituciones de ciencia y estudios; publicaciones informativas, estudios sobre la situación del ámbito, evaluaciones y estudios de viabilidad; comunicados de prensa y materiales de debate.

Con un corpus representativo y bien equilibrado del ámbito estudiado⁵, es posible identificar términos automáticamente. Para este fin, se suelen utilizar-

⁴Cabe mencionar el Banco de Terminología de la República de Lituania, el Diccionario enciclopédico de términos de educación de L. Jovaiša (2007) y el tesauro TESE [consultado el 20-05-2012], disponible en Internet en: http://eacea.ec.europa.eu/education/eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf.

⁵La representatividad y el tamaño de los corpus son algunas de las cuestiones más complejas de la lingüística de corpus. Cabe considerar que el corpus EC representa bastante bien el ámbito seleccionado. Su tamaño es más discutible; por ejemplo, el corpus jurídico bilingüe inglés-italiano Bononia Legal Corpus (BOLC) tiene aproximadamente 18 millones de palabras (Rossini Favretti et al. 2001).

Terminologija | 2012 | 19

55

Se utilizan tres tipos de métodos: estadísticos, lingüísticos e híbridos, que combinan modelos estadísticos y lingüísticos. Se realizaron varios experimentos para determinar los métodos más adecuados para la identificación de términos. Se probaron los siguientes métodos estadísticos: 1) la función WordSmith Tools Keyword Clusters; 2) el método de aprendizaje automático KEA; 3) el método de extracción de colocaciones mediante la herramienta LICE (véase más ampliamente Grigon worth et al. 2011). Tras realizar estos estudios, se concluyó que los métodos lingüísticos son los más adecuados para el lituano. A continuación se explican brevemente las características de estos métodos.

La principal ventaja de los sistemas estadísticos de identificación de términos es que no necesitan grandes bases de datos con ejemplos de términos proporcionados por personas. Además, son independientes de la lengua. El principio fundamental de funcionamiento de los sistemas estadísticos se basa en que las palabras que aparecen juntas con frecuencia están relacionadas y pueden tratarse como posibles términos.

Los métodos lingüísticos suelen basarse en etiquetas morfológicas y en el orden de las palabras. Para poder aplicar métodos lingüísticos, se necesitan corpus anotados morfológicamente. Al utilizar métodos lingüísticos de identificación de términos, se suele determinar qué formas gramaticales pueden tener los términos. Al determinar dichas formas, es necesario tener en cuenta las características de cada lengua. Por ejemplo, en las lenguas analíticas es importante determinar la categoría gramatical de los términos. La categoría gramatical de los términos también es muy importante en lituano, pero hay que saber qué información sobre otras categorías gramaticales es necesaria para identificar términos automáticamente. Se ha observado que en lituano también son importantes las categorías de número y caso, mientras que la categoría de género no reviste especial importancia para la identificación automática de términos⁶.

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 continuación, este artículo presentará pruebas de identificación automática de términos en lituano mediante métodos lingüísticos. Cabe señalar

⁶El género cobra relevancia en los casos en que se produce sincretismo de casos, por ejemplo, mokslo darbuotojų: el programa de análisis morfológico automático reconoce la forma darbuotojų tanto como genitivo plural de un sustantivo masculino como de uno femenino, por lo que ofrece como formas lema tanto mokslo darbuotojas como mokslo darbuotoja. Como término, debería presentarse la forma masculina, es decir, mokslo darbuotojas.

56

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

Se tuvo en cuenta que, para identificar los posibles términos (en adelante, GT)⁷, se utilizó un programa desarrollado en el Centro de Lingüística Computacional de VDU. En este programa se emplearon reglas lingüísticas que especifican qué combinaciones de categorías gramaticales o formas de palabras deben analizarse.

Como se ha mencionado, el uso de métodos lingüísticos requiere corpus anotados morfológicamente; por ello, primero se anotó morfológicamente el corpus de educación y ciencia (ŠM) recopilado, utilizando el anotador morfológico desarrollado en el Centro de Lingüística Computacional de VDU⁸. A continuación se presenta un ejemplo de texto anotado morfológicamente de forma automática:

<palabra=”PROJEKTŲ” lema=”projektas” tipo=”sustantivo masculino genitivo plural caso”>⁹ <espacio> <palabra=”FINANSAVIMO” lema=”finansavimas” tipo=”sustantivo masculino genitivo singular caso”> <espacio> <palabra=”SĄLYGŲ” lema=”sąlyga” tipo=”sustantivo femenino genitivo plural caso”> <espacio> <palabra=”APRAŠAS” lema=”aprašas” tipo=”sustantivo masculino genitivo singular caso”> <p> <palabra=”I” lema=”I” tipo=”número romano”> <sep=”.”> <espacio> <palabra=”BENDROSIOS” lema=”bendras” tipo=”adjetivo afirmativo superlativo pronominal femenino singular caso”> <espacio> <palabra=”NUOSTATOS” lema=”nuostata” tipo=”sustantivo femenino singular caso”>¹⁰ <p> <número=”1”> <sep=””> <espacio> <número=”2007”> <sep=”–”>

⁷ Los programas que identifican términos automáticamente mediante diversos métodos suelen reconocer posibles términos, es decir, candidatos a término (véase Zeller 2005), aunque entre las palabras o combinaciones identificadas automáticamente aparecen a menudo agrupaciones de palabras totalmente carentes de sentido o combinaciones significativas de palabras que no son términos, como las colocaciones. Por lo general, un experto en el ámbito correspondiente determina cuáles de estas palabras y combinaciones son términos propiamente dichos.

⁸ Para más información, véase http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use.

⁹ Word indica una forma concreta de la palabra utilizada en el texto; lemma, la forma de cita (lema); y type, la información morfológica detallada.

¹⁰ Cabe señalar que la anotación morfológica se realiza automáticamente, por lo que también se producen errores; por ejemplo, en este caso, debido al sincretismo de casos, se indica una forma incorrecta: en lugar del nominativo femenino plural, se señala el genitivo femenino singular. Para más información sobre las imprecisiones derivadas de las características específicas del anotador morfológico, véase la sección Problemas de la identificación automática de términos.

Terminologija | 2012 | 19

57

<number=”2013”>

<space>

<palabra=”m” lema=”m” tipo=”sntrmp”

<sep=”.”>

<space>

El principio de funcionamiento de los programas que identifican automáticamente los GT puede describirse de forma breve y sencilla así: se analiza un texto etiquetado morfológicamente y se buscan cadenas de palabras relacionadas. El primer criterio consiste en seleccionar combinaciones de palabras contiguas a partir de las divisiones etiquetadas del texto y de las oraciones. Algunas divisiones del texto están marcadas como signos de puntuación; otras pueden estar marcadas como etiquetas HTML, por ejemplo, la etiqueta de párrafo <p>, la etiqueta de espacio entre palabras <space>, etc. A continuación, es necesario elaborar determinadas reglas lingüísticas para incorporarlas al programa. Para identificar términos de educación y ciencia, se elaboraron y aplicaron las siguientes reglas principales¹¹:

1. Solo se analizan las combinaciones que contienen al menos un sustantivo. Si el GT consta de dos o más palabras, las demás categorías gramaticales presentes en esa combinación pueden ser adjetivos y participios.

2. Solo se analizan las combinaciones cuya última palabra debe ser necesariamente un sustantivo¹².

3. En los GT de dos palabras no se analizan los nombres propios, ya que suelen formar parte de nombres de personas, empresas, instituciones, etc., que no se consideran términos del ámbito (al identificar términos más largos, también se incluyen los nombres propios en las listas de términos GT).

4. Eliminar de los sintagmas los números escritos con cifras.

5. No analizar las palabras o los sintagmas que contengan al menos una palabra no reconocida por el anotador morfológico. Suelen ser inserciones en lengua extranjera, palabras escritas con errores y formas abreviadas de palabras¹³.

Al aplicar estas reglas, se identificaron los GT, de los cuales el experto¹⁴ seleccionó los términos de educación y ciencia (ŠM). Estos términos se analizaron con más detalle y su estructura se describe en la sección Estructura de los términos de educación y ciencia.

¹¹ Las reglas son universales y, en esencia, sirven para identificar automáticamente términos de cualquier ámbito.

¹² También puede haber otras estructuras terminológicas, por ejemplo, un sustantivo con un infinitivo precedido de prefijo o un sustantivo con una construcción preposicional. Hay pocos términos de este tipo, por lo que no se analizaron. En futuras investigaciones convendría analizar también las estructuras terminológicas no incluidas en este artículo.

¹³ Al aplicar ciertas restricciones en la selección de GT, puede perderse información valiosa. En este estudio no se calculó cuántos términos auténticos no se reconocieron. Al utilizar programas de reconocimiento automático de términos, hay que aceptar que se perderá parte de la información, pero la información identificada automáticamente será más fácil de procesar y los sintagmas obtenidos serán gramaticalmente más correctos.

¹⁴ El experto de este proyecto es el especialista en lengua lituana Giedrius Viliūnas, con amplia experiencia pedagógica, administrativa y de gestión en el ámbito de la educación y la ciencia.

58

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

SELECCIÓN DE TÉRMINOS

Al aplicar el método, el programa y las reglas que utiliza, descritos en la sección anterior, se identificaron unos 11 000 GT, formados por entre una y quince palabras¹⁵. Ante un volumen de datos tan grande, se aplicaron varios criterios de selección. El primero fue la longitud de los términos: teniendo en cuenta las tendencias generales de la estructura terminológica, se decidió analizar términos de no más de siete palabras. El segundo criterio fue la frecuencia de uso de los términos. Se optó por analizar con más detalle los GT de una palabra que aparecían al menos 20 veces en el corpus de educación y ciencia; los GT de dos palabras, al menos 10 veces; los GT de tres palabras, al menos 8 veces; los GT de cuatro palabras, al menos 6 veces; los GT de cinco palabras, al menos 4 veces; los GT de seis palabras, al menos 3 veces; y los GT de siete palabras, al menos 2 veces.

Para calcular automáticamente la frecuencia de aparición de los GT, se utilizaron las formas canónicas (de diccionario) de las palabras, es decir, los lemas. Los términos identificados tras aplicar estos criterios de selección se estudiaron con más detalle (su estructura se presenta en la sección siguiente).

Tras revisar los GT identificados conforme a los criterios mencionados anteriormente, el experto seleccionó los términos auténticos de educación y ciencia. Su distribución por longitud se presenta en la tabla 1.

Tabla 1. Distribución de los términos de educación y ciencia por longitud

Número de palabras que componen los términos

Cantidad de términos, número

Cantidad de términos,%

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 Aquí se presentan algunos de los términos más largos encontrados: en los casos indicados en el apartado, devolución al prestatario del préstamo respaldado por el Estado por decisión de la comisión constituida por el director del fondo (15 palabras; aquí se omiten los números, es decir, el número del apartado); a la dirección del domicilio del prestatario indicada en el contrato de préstamo respaldado por el Estado celebrado por la entidad de crédito (13 palabras); el procedimiento de pago de las tasas de matrícula de los estudiantes universitarios para el curso académico se establece mediante una orden del rector (11 palabras). Es evidente que estos fragmentos de texto no pueden considerarse posibles términos.

Terminologija | 2012 | 19

59

Los datos de la tabla muestran que aproximadamente el 97% de todos los términos de educación y ciencia está formado por términos de 1 a 3 palabras. No se encontraron términos de educación y ciencia del GT de seis ni de siete palabras, por lo que no se analizaron más.

ESTRUCTURA DE LOS TÉRMINOS DE EDUCACIÓN Y CIENCIA

En esta sección se describe detalladamente la estructura de los términos de educación y ciencia identificados automáticamente y seleccionados por un experto, y se presentan sus modelos gramaticales. Los términos se describen desde los más breves, es decir, los de una palabra, hasta los más largos, es decir, los de cinco palabras.

1. Términos de una palabra. En total se identificaron 7635 GT de una palabra, de los cuales 1311 aparecían en el corpus más de 20 veces. A continuación se analizan en detalle solo estas palabras. De las 1311 palabras, 155 pueden considerarse términos de educación y ciencia, es decir, aproximadamente el 20%. Los términos de educación y ciencia más frecuentes en el corpus son: estudiante (4208¹⁶), universidad (3959), estudios (1562), ciencia (1508), ámbito (1403).

2. Términos de dos palabras. En un corpus de 4 millones de palabras se encontraron 145 468 GT de dos palabras. Como se indicó anteriormente, solo se analizaron después aquellos GT de dos palabras cuya frecuencia era de al menos 10 apariciones; se encontraron 4889 de estos términos. Tras revisar los GT, en la lista final de términos de educación y ciencia quedaron solo 474 términos de dos palabras, que constituyen la mayor parte de todos los términos analizados: más de dos tercios (véase la tabla 1). Los términos de dos palabras pueden dividirse en tres tipos según sus formas gramaticales.

1) sust. + sust. Hay 250 términos de educación y ciencia del tipo, es decir, el 52,7% de todos los términos de dos palabras.

Los términos de educación y ciencia más frecuentes de esta estructura en el corpus son programa de estudios (1432), ciclo de estudios (306), campo de estudios (303), investigador científico (289), calidad de los estudios (253).

2) adj. + sust..¹⁷ Las combinaciones de este tipo forman 200 términos de educación y ciencia (el 42,2% de los términos de dos palabras). Los términos de educación y ciencia más frecuentes son institución de educación superior (2160), investigación científica (918), educación superior (730), enseñanza a distancia (453), formación profesional (403).

Las combinaciones del tipo adj. + sust. se consideran GT cuando el adjetivo concuerda con el sustantivo en género, número y caso. En caso contrario, ob-

¹⁶ El número entre paréntesis indica la frecuencia de ese término en un corpus de educación y ciencia de 4 millones de palabras.

¹⁷ En los modelos de términos de dos palabras no se indican los casos, ya que los adjetivos y los participios concuerdan con los sustantivos, y estos suelen estar en singular nominativo.

60

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

también aparecen combinaciones gramaticalmente incorrectas¹⁸, por ejemplo, más estrecho de universidades, más importante de derecho, más importantes de aprendizaje, mejor de años, o la combinación es correcta, aunque a menudo incompleta, y no constituye un término de educación y ciencia (EC), por ejemplo, el más grande del mundo, la más dinámica del mundo, favorable para los estudiantes.

3) adv. + sust. Solo 24 combinaciones se consideran términos de EC, es decir, el 5%. Los términos de EC más frecuentes son: trabajo final (162), asignatura optativa (109), educación de adultos¹⁹ (65), retroalimentación (63), investigación aplicada (45).

3. Términos de tres palabras. En total, se identificaron 119 881 GT de tres palabras. Se analizaron en detalle 2438 combinaciones cuya frecuencia en el corpus era de al menos 8 apariciones. Se encontraron 125 términos de EC, es decir, el 16,03% de todos los términos. Los términos de EC más frecuentes son: institución de educación superior (251), centro de formación profesional (205), préstamo respaldado por el Estado (149), escuela de educación general (147), institución de formación profesional (77).

Los términos de EC de tres palabras se ajustan a siete modelos gramaticales. Entre ellos, son más frecuentes las combinaciones del tipo adj. gen. + sust. gen. + sust.²⁰ (representan el 48% de todos los términos de tres palabras), por ejemplo: institución de educación superior (251), centro de formación profesional (205), escuela de educación general (147).

En segundo lugar por frecuencia entre los términos de EC de tres palabras se sitúan las combinaciones del tipo sust. gen. + sust. gen. + sust. (24,8%), por ejemplo: reglamento del campo de estudios (66), descripción de los campos de estudio (60), instituto científico estatal (50).

El tercer modelo estructural más frecuente de los términos de EC de tres palabras es adj. nom. + adj. nom. + sust. (12%), por ejemplo: programa nacional integral (69), investigación científica fundamental (61), formación profesional inicial (52).

A continuación, según la frecuencia, pueden ofrecerse unos pocos ejemplos de los modelos estructurales de términos de EC de tres palabras: sust. gen. + participio pas. nom. + sust. (4%), por ejemplo: préstamo respaldado por el Estado (149), cualificación reconocida por el Estado (33), estudiante financiado por el Estado (21); sust. gen. + adj. nom. + sust. (4%), por ejemplo: centro de educación superior extranjero (41), consejo académico de la universidad (32), director científico del doctorando (20); participio pas. nom./gen. + sust. gen. + sust. (3,2%), por ejemplo: evaluación final de cualificaciones (36), plaza de estudios gratuita (13), investigación de carácter aplicado (13); adj. nom. +

¹⁸ En este trabajo se consideran gramaticalmente correctas las combinaciones cuyos modificadores concuerdan con el núcleo y en las que las relaciones sintácticas entre los componentes de la combinación son claras.

¹⁹ Entre los participios se incluyen también los participios sustantivados.

²⁰ No se indica el caso del último sustantivo porque casi siempre está en nominativo.

Terminologija | 2012 | 19

61

adv. G. (o Adj., si el participio se ha sustantivado) + sust. (2,4%), p. ej.: asignatura docente de concurso (15), educación no formal de adultos (13), trabajo de investigación científica (12); adv. G. + adv. G. + sust. (1,6%), p. ej.: actividad científica aplicada (20), investigación científica por encargo (8).

4. Términos de cuatro palabras. En total se encontraron 77 961 GT de cuatro palabras; las combinaciones usadas más de 7 veces fueron 760. De ellas, el experto identificó 22 términos de educación y ciencia (representan el 2,82% de todos los términos). Las combinaciones más frecuentes de este grupo terminológico son institución de ciencia y estudios (568), parque de ciencia y tecnología (62), programa nacional integral general (40), formación profesional del mercado laboral (40).

Los términos de cuatro palabras empleados en el corpus de educación y ciencia corresponden a nueve modelos gramaticales distintos. Dado que se han empleado pocos términos de cuatro palabras, cada modelo está ilustrado por apenas unos pocos ejemplos o incluso por uno solo. A continuación se presentan todos los modelos estructurales de los términos de educación y ciencia de cuatro palabras, agrupados por frecuencia, y se indica un ejemplo ilustrativo de cada modelo:

adj. G. + sust. Ac. + sust. Ac. + sust. (22,7% de todos los términos de cuatro palabras): base de datos internacional de ciencia (13);

adj. G. + adj. Ac. + sust. Ac. + sust. (18,2%): asignatura general de formación universitaria (8);

adj. Ac. + sust. Ac. + adv. G. + sust. (13,6%): alumno con necesidades especiales (8);

sust. Ac. + prep. + sust. Ac. + sust. (13,6%): institución de ciencia y estudios (568);

adj. Ac. + sust. Ac. + adj. G. + sust. (9,1%): investigación científica de alto nivel (18);

adv. G. + adj. G. + sust. Ac. + sust. (9,1%): base de datos internacional reconocida (11);

adj. G. + adj. G. + adj. G. + sust. (4,5%): programa nacional integral general (40);

sust. Ac. + adj. Ac. + sust. Ac. + sust. (4,5%): institución estatal de investigación científica (31);

sust. Ac. + sust. Ac. + sust. Ac. + sust. (4,5%): área de estudios de ciencias tecnológicas (28);

5. Términos de cinco palabras. Se identificaron 49 768 GT de cinco palabras; se encontraron 601 combinaciones usadas más de 5 veces, de las cuales 4 eran términos de educación y ciencia, es decir, el 0,51% de todos los términos. Es difícil generalizar sobre su estructura a partir de una cantidad tan pequeña de términos, por lo que no se clasificaron estructuralmente. Todos los términos de cinco palabras empleados en el corpus de educación y ciencia son: investigación científica y desarrollo experimental (124), investigación científica y desarrollo tecnológico (67), investigación científica y desarrollo de tecnologías (13), centro de investigación científica de alto nivel (7).

62

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

6. Términos de seis y siete palabras. Como ya se ha mencionado, entre los términos GT de seis y siete palabras no se encontró ningún término de educación y ciencia (ŠM), aunque en total se identificaron 30 298 términos GT de seis palabras (de ellos, se encontraron 750 combinaciones utilizadas más de 3 veces) y 17 815 términos GT de siete palabras (de ellos, se encontraron 2608 combinaciones utilizadas más de 2 veces).

COMPARACIÓN DE LOS TÉRMINOS DE EDUCACIÓN Y CIENCIA CON LOS TÉRMINOS DEL BANCO DE TÉRMINOS DE LA REPÚBLICA DE LITUANIA

Los términos utilizados en el corpus de educación y ciencia pueden compararse con los términos aprobados de educación y ciencia incluidos en el Banco de Términos de la República de Lituania²¹, que son 74. La estructura de estos términos es muy diversa: desde términos de una sola palabra hasta combinaciones formadas por 18 palabras. Solo se encontró un término muy largo formado por 15 palabras y otro formado por 18. El término más largo incluido es – programa de formación profesional continua no formal para agricultores, propietarios forestales, miembros de grupos de acción local, otros habitantes rurales y sus asesores. Es discutible si el nombre de un programa debe considerarse un término.

Al comparar la estructura de los términos de educación y ciencia del corpus con la del Banco de Términos, se observa que en ambas fuentes predominan los términos de una, dos y tres palabras. Sin embargo, los términos de una, dos y tres palabras constituyen el 86,5% de los del Banco de Términos, mientras que los términos de igual longitud utilizados en el corpus de educación y ciencia representan el 97% (véase la tabla 1). En el Banco de Términos hay algo más de términos de cuatro palabras que en el corpus presentado; no se utilizan términos de cinco palabras; los términos formados por 6, 7, 8 y 9 palabras aparecen apenas una o dos veces en el Banco de Términos; no hay términos de 10 palabras, pero sí se incluyen los ya mencionados términos de 15 y 18 palabras (véase la tabla 2).

Es cuestionable la inclusión en el ámbito de la educación y la ciencia de varios términos del Banco de Términos, por ejemplo, lituano, comunidad mundial de lituanos, reemigración, nacionalidad. La lista de términos obtenida muestra que el ámbito de la educación y la ciencia no está cubierto por completo; por ejemplo, se incluye tractorista como término de formación profesional, pero no cosechador, cocinero, carpintero ni otros semejantes; faltan especialmente términos que reflejen la política científica. Así pues, los términos identificados en el estudio que se aborda en este artículo deberían contribuir, al menos en cierta medida, a colmar las lagunas terminológicas del ámbito de la educación y la ciencia.

²¹ La lista de términos aprobados del ámbito de la educación y la ciencia se obtuvo en 2010 de la Comisión Estatal de la Lengua Lituana. La comparación de los datos del corpus y del Banco de Términos se basa precisamente en esta lista.

Terminologija | 2012 | 19

63

Tabla 2. Distribución por longitud de los términos de educación y ciencia incluidos en el Banco de Términos de la República de Lituania

Número de palabras que forman los términos

Cantidad de términos, número

Cantidad de términos,%

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 DEL RECONOCIMIENTO AUTOMÁTICO DE TÉRMINOS

Al identificar términos mediante diversos métodos, surgen dos problemas principales: 1) qué formas de los términos son gramaticalmente correctas; esto resulta especialmente pertinente al determinar la forma canónica; 2) cómo distinguir las frases generales y los términos generales de los términos propios del ámbito analizado. Los investigadores de otros países se enfrentan a problemas similares (cf. Cabré Castellví et al. 2001).

Por lo general, el segundo problema solo puede resolverse de forma no automática, es decir, un experto en el ámbito debe revisar el GT y determinar qué términos corresponden al área analizada. También se pueden aplicar ciertos filtros, esto es, elaborar una lista de palabras que deben excluirse (en inglés, stop list) y utilizarla para descartar las palabras que no pueden funcionar como términos del ámbito analizado. En este estudio también se aplicó este tipo de filtrado. Algunos ejemplos: no se consideraron términos de educación y ciencia (EC) las palabras o expresiones cuyo último elemento era un sustantivo que indica tiempo

64 Erika Rimkutė | Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

por ejemplo: metai, mėnuo, diena, savaitė, rytas, vakaras, sausis, vasaris, pirmadienis, antradienis, etc. Tampoco se consideran términos las palabras que expresan unidades de medida, por ejemplo: milimetras, metras, centimetras, kilometras, mylia, gramas, kilogramas, tona.

Se pueden descartar las expresiones que contengan combinaciones de palabras características de los términos administrativos generales, por ejemplo: 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.

Para distinguir con la mayor precisión posible los términos de EC de los términos generales mediante procedimientos automáticos, se crearon dos corpus de comparación, cada uno de la misma extensión que el corpus de EC, es decir, de 4 millones de palabras. El primero de los corpus de comparación está formado por textos de diversos géneros y estilos; su composición es similar a la del Dabartinės lietuvių kalbos tekstyną (incluye textos periodísticos, literatura, textos administrativos y textos científicos). El segundo corpus de comparación está compuesto por textos administrativos ajenos al ámbito de EC. Se planteó la hipótesis de que cuanto más general es un término, más a menudo se utiliza en el corpus general o administrativo, y cuanto más específico es, menos frecuente es en esos corpus. Esta hipótesis se confirmó en parte: por ejemplo, términos propios del ámbito de EC como judumas, kompetentingumas, nubyrejimas, siekinys no se encontraron en los corpus de comparación, mientras que términos como studentas, universitetas, vadovėlis son frecuentes tanto en el corpus de EC como en los de comparación. Conviene proseguir esta investigación para obtener datos fiables sobre hasta qué punto la comparación de varios corpus puede ayudar a distinguir, al menos parcialmente y de forma automática, los términos generales de los términos propios del ámbito analizado.

A continuación se examinará con más detalle el primer problema, es decir, cómo determinar automáticamente el lema correcto de los términos —en especial, los pluriverbales— y cómo reducir a un único lema las palabras y expresiones usadas en el corpus en distintas formas flexionadas.

El estudio reveló que no siempre es fácil determinar la forma canónica de un término. Al determinar automáticamente el lema, por ejemplo, para la expresión aukštoji mokykla se obtiene el resultado aukštas mokykla. Esta forma se obtiene porque el analizador morfológico indica como lema de los adjetivos la forma nominativa singular masculina del grado positivo (para más detalles sobre las características del analizador, véase Zinkevičius 2000). En cuanto a los lemas de los términos pluriverbales

Terminologija | 2012 | 19

65

Una herramienta de análisis sintáctico sería de gran ayuda para determinarlo. Lamentablemente, por el momento no existe ningún programa de análisis sintáctico que funcione en la práctica²². Por lo tanto, para determinar los lemas se necesitan ciertas reglas adicionales: en este caso, hay que indicar que, si el lema está compuesto por un sustantivo, el adjetivo o participio debe concordar con el género de ese sustantivo; si el adjetivo o participio es definido, esta categoría también debe conservarse en el lema.

Surgen muchas preguntas en torno a la categoría de número. Por ejemplo, el primer componente del término studentų atstovybė debe estar en plural; todos los componentes de los términos akademiniai įgūdžiai, auditorinės darbo valandos deben estar en plural, mientras que ambos componentes de los términos fakulteto taryba, universiteto autonomija, bendrasis priėmimas, mokslinis leidinys están en singular. Por supuesto, a una persona no le resulta difícil determinar cuándo se necesita el plural y cuándo el singular, pero hacerlo automáticamente es muy complicado. Es cierto que en el corpus se observa que algunas palabras se usan casi siempre solo en plural (por ejemplo: asignavimai, duomenys, studijos, rūmai, žinios, pinigai, pareigos).

También es difícil determinar la forma de número adecuada porque algunas palabras son homónimas; por ejemplo, studija (obra científica) y studijos (estudios). Por este motivo, los lemas de los siguientes términos se determinaron automáticamente de forma incorrecta: bakalauro studija, rezidentūros studija, magistro studija, dieninės studija, nuotolinės studija. Como se ha señalado, algunos sustantivos suelen usarse solo en plural, aunque en el diccionario se indique como lema la forma singular. Esta discrepancia entre la información lexicográfica y el uso real dio lugar a lemas incorrectos para los términos mokinio pasiekimas, švietimo resursas, praktinis gebėjimas, fizinis mokslas, akademinis užsiėmimas (deberían ser: mokinio pasiekimai, švietimo resursai, praktiniai gebėjimai, fiziniai mokslai, akademiniai užsiėmimai).

Otro problema son los sustantivos substantiva mobilia, por ejemplo: abiturientas – abiturientė, abonentas – abonentė. Como en el corpus se habían usado formas tanto masculinas como femeninas, se indicaron automáticamente los lemas de ambos géneros. Para que como término de educación y ciencia se conservara solo el lema masculino, fue necesario aplicar una regla que redujera a un lema masculino los sustantivos del tipo substantiva mobilia, tanto masculinos como femeninos.

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

Al determinar automáticamente los lemas, a veces se indica un orden incorrecto de las palabras; por ejemplo, se ofrecen estas formas de entrada: tipų studija (debería ser studijų tipas), lygmens kvalifikacija (debería ser kvalifikacijų lygmuo).

Debido a que no se aplica el análisis sintáctico al determinar los lemas, los modificadores no siempre concuerdan con la palabra modificada; por ejemplo, tarptautinis (= tarptautinio) lygio mokslas; también se producen otros errores sintácticos, como paskolų gyvenimo išlaidos (= paskola gyvenimo išlaidoms).

También surgen dificultades al determinar los límites de los términos; por ejemplo, ¿dėstytojų ir mokslininkų kvalifikacijos bei kompetencijos atitiktis es un solo término, o habría que distinguir varios términos?:

1) correspondencia entre las cualificaciones y competencias del profesorado,

2) correspondencia entre las cualificaciones y competencias de los investigadores,

3) correspondencia entre las cualificaciones del profesorado y de los investigadores,

4) correspondencia entre las competencias del profesorado y de los investigadores,

5) cualificación del profesorado,

6) cualificación de los investigadores,

7) competencia del profesorado,

8) competencia de los docentes,

9) correspondencia de las cualificaciones,

10) correspondencia de competencias.

Al determinar los lemas y, en general, al reconocer los términos, también surgen dificultades debido a las particularidades del analizador morfológico, cuando entre varias partes del discurso o formas gramaticales posibles se identifica una inadecuada. Por ejemplo, si un adjetivo concuerda en género, caso y número con el sustantivo que lo acompaña, hay muchas probabilidades de que el sintagma sea gramaticalmente correcto. Los sintagmas formados por dos sustantivos cuyo primer componente no está en genitivo no siempre son gramaticalmente correctos. Es necesario revisarlos con más detenimiento y, por tanto, dedicarles más tiempo. En consecuencia, la parte del discurso que se indique determina si el sintagma se incluirá entre los GT y si será gramaticalmente correcto. A continuación, algunos ejemplos que ilustran este tipo de error: metinėms (puede ser adjetivo o sustantivo; el analizador morfológico lo identificó como sustantivo) ataskaitoms; keliais (puede ser pronombre o sustantivo; se seleccionó sustantivo) procentais; bendrais (puede ser adjetivo o sustantivo; se seleccionó sustantivo) teiginiais; uždarus (puede ser adjetivo o sustantivo; se seleccionó sustantivo) posėdžius.

Debido a que la parte del discurso se ha indicado incorrectamente y las palabras no se analizan sintácticamente, a primera vista parece gramaticalmente incorrecto el sintagma žemiausias balas encontrado en un corpus anotado morfológicamente, ya que

Terminologija | 2012 | 19

67

al primer término se le asignan las siguientes etiquetas: adjetivo, grado superlativo, no pronominal, masculino, singular, nominativo; al segundo: sustantivo, femenino, plural, genitivo, y como lema se indica bala. Así pues, se observa que en este caso se ha determinado incorrectamente el lema del sustantivo: debería ser balas. Por tanto, el sintagma mencionado anteriormente es gramaticalmente correcto.

En este capítulo se han examinado las dificultades que surgen con mayor frecuencia al identificar automáticamente términos de educación y ciencia. Estas cuestiones y las formas de resolverlas se tratarán en otros trabajos.

CONCLUSIONES

Aún es necesario mejorar el programa y la metodología de identificación automática de términos. No obstante, los primeros resultados pueden valorarse bastante positivamente. Como muestran los ejemplos presentados, el análisis automático pone de manifiesto no solo problemas específicos y técnicos, sino también aquellos a los que se enfrentan los terminólogos, por ejemplo, la elección de la categoría de número.

Una vez mejorado el analizador morfológico y aplicado un programa de análisis sintáctico automático, sería posible identificar los términos automáticamente con mayor facilidad y fiabilidad.

A pesar de las dificultades que surgen, el programa de identificación automática de términos acelera considerablemente el proceso de identificación de GT. Otra ventaja importante del proceso de identificación automática de términos es la objetividad del análisis de datos.

Se determinó que el 97% de los términos de educación y ciencia seleccionados automáticamente y revisados tienen una longitud de entre 1 y 3 palabras. Predominan los términos de dos palabras, que representan casi el 61% de todos los términos.

Los modelos estructurales más frecuentes de los términos de educación y ciencia son sustantivo en nominativo + sustantivo, adjetivo + sustantivo, adjetivo en nominativo + sustantivo en nominativo + sustantivo, sustantivo en nominativo + sustantivo en nominativo + sustantivo (el último sustantivo puede aparecer en distintos 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