Automatisk identifiering av utbildnings- och vetenskapsterminologi med lingvistiska metoder

ERIKA RIMKUTĖ

Vytautas Magnus universitet

NYCKELORD: korpus, utbildnings- och vetenskapsterminologi, lingvistiska metoder, uppslagsform, grammatisk form

INLEDNING

Korpuslingvistiken och den datorlingvistiska forskningen i Litauen går nu in på sitt andra decennium – början på dessa forskningsgrenar kan förknippas med grundandet av Centrum för datorlingvistik vid Vytautas Magnus universitet 1994 (se http://tekstynas.vdu.lt). Flera korpusar och program för automatisk språkbehandling och syntes har tagits fram¹. Trots detta tillämpas korpuslingvistikens principer fortfarande i begränsad utsträckning inom terminologi och terminografi.

I artikeln från 2010 Möjligheter till automatisk identifiering av litauiska termer (Rimkutė 2010) granskades i vilken utsträckning korpusar används vid utarbetandet av olika terminologiska arbeten i Litauen. Litauiska termer finns i flera internationella databaser och terminologibanker; ett stort antal elektroniska termlistor och databaser har också sammanställts², men alla litauiska elektroniska termlistor bygger i grunden på termordböcker. Många litauiska ordböcker har utarbetats utifrån relativt små textmängder och språklig intuition; man kan därför hävda att ett preskriptivt tillvägagångssätt för insamling och beskrivning av termer fortfarande dominerar i Litauen.

Artikeln presenterar resultaten från ett projekt³ för identifiering och beskrivning av utbildnings- och vetenskapsterminologi, vilka rör automatisk identifiering av termer –

¹ En fullständig förteckning över de litauiska språkresurser som utarbetats fram till 2011 finns på http://sruoga.vdu.lt/lituanistiniai-skaitmeniniai-istekliai/lituanistiniu-istekliu-sarasas.

² Hänvisningarna finns i den nämnda artikeln.

³ Detta är ett projekt som finansieras av Litauens forskningsråd Automatisk identifiering av utbildnings- och vetenskapsterminologi (ŠIMTAI 2) (avtalsnr LIT-2-44). Projektets viktigaste mål är: 1) att utveckla och testa en metod för automatisk termigenkänning i litauiska texter som ett nytt verktyg för terminologihantering, 2) att skapa en specialiserad korpus med utbildnings- och vetenskapstexter, 3) att på grundval av den specialiserade korpusen utarbeta en förklarande ordbok över utbildnings- och vetenskapstermer samt en ontologi för detta område.

54

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

… om deras beskrivning. Idén till ett projekt för automatisk termidentifiering uppstod när man lade märke till att de befintliga normativa källorna⁴ är ganska ofullständiga, inriktade på de mest allmänna termerna inom utbildningspolitik och nästan inte alls omfattar vetenskapspolitikens område; de hinner inte ta upp nya termer som uppkommer i det praktiska arbetet, och terminologerna hinner inte standardisera dem. Traditionell normering är ändå ganska subjektiv, och därför måste språkbruk och normer underbyggas med korpuslingvistiska metoder. Den här artikeln handlar således om en metod för termurval och analys som fortfarande är relativt ny i Litauen och som skulle kunna underlätta terminologernas arbete avsevärt och göra det mer objektivt.

AUTOMATISK TERMIDENTIFIERING

För att automatiskt identifiera och definiera termer inom ett visst område valdes ett område: vetenskap och utbildning. En korpus med 4 miljoner ord inom utbildning och vetenskap (hädanefter UV) sammanställdes med inriktning på två huvudteman: 1) vetenskaplig forskning och 2) utbildning. Inom forskningsområdet ägnades störst uppmärksamhet åt forskningspolitik och högre utbildningspolitik. Inom utbildningsområdet inkluderades utbildning efter grundskolan, med störst fokus på högre utbildning och fortbildning. Yrkesutbildning inkluderades också som ett kompletterande område. Vid sammanställningen av korpusen eftersträvades en täckning av texter av olika genrer och typer, till exempel lagar och andra politiska dokument från de högsta statliga myndigheterna (beslut, uttalanden och andra dokument från Republiken Litauens parlament, Litauens regering och Litauens president samt beslut från författningsdomstolen); strategidokument; författningar som genomför lagar; dokument från institutioner och projekt som genomför vetenskaps- och utbildningspolitik; dokument från vetenskaps- och lärosäten; informationspublikationer, undersökningar av områdets läge, utvärderingar och genomförbarhetsstudier; pressmeddelanden och diskussionsmaterial.

Med en representativ och välbalanserad korpus för det undersökta området⁵ kan termer identifieras automatiskt. För detta ändamål används oftast—

⁴ Som exempel kan nämnas Republiken Litauens termbank, L. Jovaišas Enciklopedinis edukologijos terminų žodynas (2007), TESE-tesaurusen [hämtad 2012-05-20], tillgänglig via internet: http://eacea.ec.europa.eu/education/eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf.

⁵ Korpusens representativitet och storlek hör till de mest komplicerade frågorna inom korpuslingvistiken. Det kan antas att UV-korpusen representerar det valda området ganska väl. Dess storlek är mer diskutabel; till exempel omfattar den engelsk-italienska juridiska korpusen Bononia Legal Corpus (BOLC) omkring 18 miljoner ord (Rossini Favretti et al. 2001).

Terminologija | 2012 | 19

55

… tre typer av metoder: statistiska, lingvistiska och hybrida modeller som kombinerar statistiska och lingvistiska metoder. Flera experiment genomfördes för att fastställa de lämpligaste metoderna för termidentifiering. Följande statistiska metoder prövades: 1) funktionen WordSmith Tools Keyword Clusters; 2) maskininlärningsmetoden KEA; 3) metoden för extraktion av kollokationer med verktyget LICE (se Grigon worth et al. 2011 för mer information). Efter dessa undersökningar drogs slutsatsen att lingvistiska metoder är bäst lämpade för litauiska. Nedan förklaras dessa metoders särdrag kortfattat.

Den främsta fördelen med statistiska system för termidentifiering är att de inte behöver stora databaser med exempel på termer angivna av människor. Dessutom är de språkoberoende. Den grundläggande principen för statistiska system är att ord som ofta förekommer tillsammans hör ihop och kan betraktas som möjliga termer.

Lingvistiska metoder bygger oftast på morfologiska taggar och ordföljd. För att lingvistiska metoder ska kunna tillämpas behövs morfologiskt annoterade korpusar. Med lingvistiska metoder för termidentifiering fastställs oftast vilka grammatiska former termer kan ha. Vid fastställandet av grammatiska former måste hänsyn tas till språkens särdrag. För analytiska språk är det till exempel viktigt att fastställa termernas ordklass. Termernas ordklass är också mycket viktig i litauiska, men det är även nödvändigt att veta vilken information om andra grammatiska kategorier som behövs för automatisk termidentifiering. Det har visat sig att kategorierna numerus och kasus också är viktiga för litauiska, medan genus inte är särskilt betydelsefullt vid automatisk termidentifiering⁶.

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.

I det följande presenteras försök att automatiskt identifiera litauiska termer med lingvistiska metoder. Det bör noteras

⁶ Genus blir relevant när kasus synkretiseras, till exempel mokslo darbuotojų: programmet för automatisk morfologisk analys identifierar formen darbuotojų både som genitiv pluralis av ett maskulint och som genitiv pluralis av ett feminint substantiv och anger därför både mokslo darbuotojas och mokslo darbuotoja som uppslagsformer. Som term bör maskulinformen anges, det vill säga mokslo darbuotojas.

56

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

Det bör noteras att programmet som användes för att identifiera potentiella termer (nedan GT)⁷ utvecklades vid Centrum för datorlingvistik vid VDU. Programmet använde lingvistiska regler som anger vilka kombinationer av ordklasser eller ordformer som ska analyseras.

Som nämnts krävs morfologiskt annoterade korpusar när lingvistiska metoder används. Därför morfologiskt annoterades först den insamlade korpusen för utbildning och vetenskap med hjälp av den morfologiska annotator som utvecklats vid Centrum för datorlingvistik vid VDU⁸. Här visas ett exempel på automatiskt morfologiskt annoterad text:

<ord=”PROJEKTŲ” lemma=”projektas” type=”dktv vyr.gim dgsk K”>⁹ <mellanslag> <ord=”FINANSAVIMO” lemma=”finansavimas” type=”dktv vyr.gim vnsk K”> <mellanslag> <ord=”SĄLYGŲ” lemma=”sąlyga” type=”dktv mot.gim dgsk K”> <mellanslag> <ord=”APRAŠAS” lemma=”aprašas” type=”dktv vyr.gim vnsk V”> <stycke> <ord=”I” lemma=”I” type=”rom skaič”> <avskiljare=”.”> <mellanslag> <ord=”BENDROSIOS” lemma=”bendras” type=”bdvr teig nelygin.l įvardž mot.gim vnsk K”> <mellanslag> <ord=”NUOSTATOS” lemma=”nuostata” type=”dktv mot.gim vnsk K”>¹⁰ <stycke> <nummer=”1”> <avskiljare=””> <mellanslag> <nummer=”2007”> <avskiljare=”–”>

⁷ Program som automatiskt identifierar termer med hjälp av olika metoder brukar oftast känna igen möjliga termer, så kallade termkandidater (se Zeller 2005), även om de automatiskt identifierade orden eller uttrycken ofta omfattar helt meningslösa ordkombinationer eller meningsfulla icke-terminologiska ordkombinationer, till exempel kollokationer. De faktiska termerna bland dessa ord och uttryck identifieras vanligen av en expert inom det aktuella området.

⁸ Se http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use. för en mer ingående beskrivning.

⁹ Word anger den konkreta ordform som används i texten, lemma – grundformen (lemman), type – detaljerad morfologisk information.

¹⁰ Det bör noteras att den morfologiska annoteringen utförs automatiskt och därför kan innehålla fel. I det här exemplet har till exempel en felaktig form angetts på grund av kasusynkretism: i stället för nominativ femininum plural har genitiv femininum singular angetts. Mer information om felaktigheter som uppstår till följd av den morfologiska annotatorns egenskaper finns i avsnittet Problem vid automatisk termidentifiering.

Terminologija | 2012 | 19

57

<number=”2013”>

<space>

<m=”m” lemma=”m” type=”sntrmp”

<sep=”.”>

<space>

Principen bakom hur program som automatiskt identifierar GT fungerar kan kort och enkelt beskrivas så här: morfologiskt annoterad text analyseras och kedjor av sammanhängande ord söks. Det första kriteriet är att välja ut obrutna ordkombinationer utifrån de markerade text- och meningsgränserna. En del textgränser är markerade som skiljetecken, medan andra kan vara markerade som HTML-taggar, till exempel stycketaggen <p>, taggen för mellanrum mellan ord <space> och så vidare. Därefter behöver vissa lingvistiska regler utarbetas och tillämpas i programmet. Följande grundläggande regler utarbetades och tillämpades för att identifiera termer inom utbildning och vetenskap¹¹:

1. Endast kombinationer som innehåller minst ett substantiv analyseras. Om en GT består av två eller fler ord kan de andra ordklasserna i kombinationen vara adjektiv och particip.

2. Endast kombinationer vars sista ord måste vara ett substantiv analyseras¹².

3. I tvåords-GT analyseras inte egennamn, eftersom de oftast ingår i namn på personer, företag, institutioner och liknande, vilka inte betraktas som facktermer (vid identifiering av längre termer inkluderas även egennamn i termlistorna för GT).

4. Ta bort tal skrivna med siffror från fraserna.

5. Analysera inte ord eller fraser som innehåller minst ett ord som den morfologiska annotatorn inte har känt igen. Det rör sig oftast om inslag på främmande språk, felstavade ord och förkortade ordformer¹³.

När sådana regler tillämpades identifierades GT, ur vilka experten¹⁴ valde ut termer inom utbildning och vetenskap (ŠM). Dessa termer analyserades mer ingående; deras struktur beskrivs i avsnittet Strukturen hos termer inom utbildning och vetenskap.

¹¹ Reglerna är universella och lämpar sig i stort sett för automatisk identifiering av termer inom vilket ämnesområde som helst.

¹² Det finns också andra möjliga termstrukturer, till exempel ett substantiv tillsammans med en infinitiv med prefix eller en substantiv–prepositionskonstruktion. Det finns få termer av denna typ, och därför analyserades de inte. Om forskningen fortsätter i framtiden bör även de termstrukturer som inte behandlas i denna artikel analyseras.

¹³ Genom att tillämpa vissa begränsningar vid urvalet av GT kan värdefull information gå förlorad. I denna studie beräknades inte hur många verkliga termer som inte identifierades. När program för automatisk termigenkänning används måste man acceptera att en del information går förlorad, men den information som identifieras automatiskt blir enklare att bearbeta och de erhållna fraserna blir grammatiskt korrektare.

¹⁴ Projektets expert är litauisten Giedrius Viliūnas, som har omfattande pedagogisk, administrativ och ledningsmässig erfarenhet inom utbildning och vetenskap.

58

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

TERMURVAL

När metoden, programmet och de regler som används i det och som beskrivits i föregående avsnitt tillämpades, identifierades omkring 11 000 GT bestående av ett till femton ord¹⁵. Med tanke på den stora datamängden tillämpades flera urvalskriterier. Det första var termens längd: med hänsyn till de allmänna tendenserna i termstrukturen beslutades att analysera termer med högst sju ord. Det andra kriteriet var hur ofta termerna förekom. Man valde att analysera mer ingående enords-GT som förekom minst 20 gånger i utbildnings- och vetenskapstextkorpusen, tvåords-GT som förekom minst 10 gånger, treords-GT som förekom minst 8 gånger, fyrords-GT som förekom minst 6 gånger, femords-GT som förekom minst 4 gånger, sexords-GT som förekom minst 3 gånger och sjuaords-GT som förekom minst 2 gånger.

Vid automatisk beräkning av GT-frekvensen utgick man från ordens uppslagsformer, det vill säga lemman. Efter tillämpning av dessa urvalskriterier undersöktes de identifierade termerna mer ingående (deras struktur presenteras i nästa avsnitt).

Efter att experten granskat de GT som identifierats enligt de tidigare nämnda kriterierna valdes de egentliga termerna inom utbildning och vetenskap ut. Deras fördelning efter längd redovisas i tabell 1.

Tabell 1. Fördelning av termer inom utbildning och vetenskap efter längd

Antal ord som bildar termerna

Antal termer

Andel termer,%

1

155

19,87

2

474

60,77

3

125

16,03

4

22

2,82

5

4

0,51

Totalt

780

100,00

¹⁵ Här följer några av de längsta funna termerna: återbetalning av ett statligt understött lån till låntagaren genom beslut av den kommission som fondens direktör har tillsatt i de fall som anges i punkten (15 ord; siffrorna, det vill säga numret på punkten, har utelämnats här); till den adress på låntagarens bostadsort som anges i det avtal om statligt understött lån som kreditinstitutet har upprättat (13 ord); betalningsordningen för universitetsstudenternas studieavgifter för läsåret fastställs genom rektors beslut (11 ord). Det är uppenbart att dessa textfragment inte kan betraktas som möjliga termer.

Terminologija | 2012 | 19

59

Tabelluppgifterna visar att ungefär 97% av alla utbildnings- och vetenskapstermer består av termer med 1–3 ord. I GT hittades inga utbildnings- och vetenskapstermer med sex eller sju ord, och därför analyserades de inte vidare.

STRUKTUREN HOS UTBILDNINGS- OCH VETENSKAPSTERMINOLOGIN

I detta kapitel beskrivs ingående strukturen hos de automatiskt identifierade utbildnings- och vetenskapstermerna och de som valts ut av en expert, och deras grammatiska modeller presenteras. Termerna beskrivs från de kortaste, det vill säga enordiga, till de längsta, det vill säga femordiga.

1. Enordiga termer. Totalt identifierades 7635 enordiga GT, varav 1311 förekom i korpusen mer än 20 gånger. Endast dessa ord analyserades närmare. Av de 1311 orden kan 155 betraktas som utbildnings- och vetenskapstermer, det vill säga omkring 20%. De utbildnings- och vetenskapstermer som förekom oftast i korpusen är: studentas (4208¹⁶), universitetas (3959), studijos (1562), mokslas (1508), sritis (1403).

2. Tvåordiga termer. I en korpus med 4 miljoner ord hittades 145 468 tvåordiga GT. Som tidigare nämnts analyserades vidare endast de tvåordiga GT vars frekvens var minst 10 gånger – 4889 sådana termer hittades. Efter granskning av GT återstod endast 474 tvåordiga termer i den slutliga förteckningen över utbildnings- och vetenskapstermer, och de utgör den största delen av alla analyserade termer – mer än två tredjedelar (se tabell 1). Tvåordiga termer kan delas in i tre typer utifrån deras grammatiska former.

1) substantiv i nominativ + substantiv-typen omfattar 250 utbildnings- och vetenskapstermer, det vill säga 52,7% av alla tvåordiga termer.

De vanligaste utbildnings- och vetenskapstermerna av denna struktur i korpusen är studijų programa (1432), studijų pakopa (306), studijų kryptis (303), mokslo darbuotojas (289), studijų kokybė (253).

2) adjektiv + substantiv.¹⁷ Kombinationerna utgör 200 utbildnings- och vetenskapstermer (42,2% av de tvåordiga termerna). De vanligaste utbildnings- och vetenskapstermerna är aukštoji mokykla (2160), moksliniai tyrimai (918), aukštasis mokslas (730), nuotolinis mokymas (453), profesinis mokymas (403).

Kombinationer av typen adjektiv + substantiv betraktas som GT när adjektivet kongruerar med substantivet i genus, numerus och kasus. I annat fall ga-

¹⁶ Inom parentes anges termens frekvens i utbildnings- och vetenskapskorpusen med 4 miljoner ord.

¹⁷ För modellerna för tvåordiga termer anges inte kasus, eftersom adjektiv och particip kongruerar med substantiv, och substantiv vanligtvis står i nominativ singular.

60

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

grammatiskt felaktiga¹⁸ fraser, t.ex. närmare universitet, viktigaste lagstiftning, viktigaste lärande, bästa året, eller så är frasen korrekt, även om den ofta är ofullständig, och detta är inte utbildnings- och vetenskapstermer, t.ex. störst i världen, mest dynamisk i världen, gynnsamt för studenter.

3) adverb + substantiv-fraser som utbildnings- och vetenskapstermer uppgår till endast 24, dvs. 5%. De vanligaste utbildnings- och vetenskapstermerna är examensarbete (162), valbar kurs (109), vuxenutbildning¹⁹ (65), återkoppling (63), tillämpad forskning (45).

3. Treords termer. Totalt identifierades 119 881 treords GT. 2438 fraser analyserades närmare, med en frekvens på minst 8 förekomster i korpusen. 125 utbildnings- och vetenskapstermer hittades, dvs. 16,03% av alla termer. De vanligaste utbildnings- och vetenskapstermerna är högskoleinstitution (251), yrkesutbildningsanstalt (205), statligt stödd lånefinansiering (149), allmänbildande skola (147), yrkesutbildningsinstitution (77).

Utbildnings- och vetenskapstermer med tre ord följer sju grammatiska mönster. Bland treordstermerna är fraser av typen adjektiv genitiv + substantiv genitiv + substantiv²⁰ vanligast (de utgör 48% av alla treordstermer), t.ex.: högskoleinstitution (251), yrkesutbildningsanstalt (205), allmänbildande skola (147).

Näst vanligast bland utbildnings- och vetenskapstermerna med tre ord är fraser av typen substantiv genitiv + substantiv genitiv + substantiv (24,8%), t.ex.: studieinriktningsförordning (66), beskrivning av studieinriktningar (60), statligt forskningsinstitut (50).

Den tredje vanligaste strukturella modellen för utbildnings- och vetenskapstermer med tre ord är adjektiv nominativ + adjektiv nominativ + substantiv (12%), t.ex.: nationellt komplext program (69), grundläggande vetenskaplig forskning (61), grundläggande yrkesutbildning (52).

Nedan följer några exempel på strukturella modeller för utbildnings- och vetenskapstermer med tre ord, med endast ett fåtal exempel per modell: substantiv genitiv + particip nominativ + substantiv (4%), t.ex.: statligt stödd lånefinansiering (149), statligt erkänd kvalifikation (33), statsfinansierad student (21); substantiv genitiv + adjektiv nominativ + substantiv (4%), t.ex.: utländsk högskola (41), högskolans akademiska råd (32), doktorandens vetenskapliga handledare (20); particip nominativ/genitiv + substantiv genitiv + substantiv (3,2%), t.ex.: slutlig kvalifikationsbedömning (36), avgiftsfri studieplats (13), tillämpningsinriktad forskning (13); adjektiv nominativ +

¹⁸ I detta arbete betraktas fraser som grammatiskt korrekta när de underordnade orden kongruerar med huvudordet och de syntaktiska relationerna mellan frasens beståndsdelar är tydliga.

¹⁹ Även substantiverade particip har räknats in bland participen.

²⁰ Det sista substantivets kasus anges inte, eftersom det oftast står i nominativ.

Terminologija | 2012 | 19

61

adjektiv i nominativ (eller particip om deltagaren är substantiverad) + substantiv (2,4%), t.ex.: tävlingsämne (15), icke-formell vuxenutbildning (13), vetenskapligt forskningsarbete (12); adjektiv i nominativ + adverb i nominativ + substantiv (1,6%), t.ex.: tillämpad vetenskaplig verksamhet (20), beställd vetenskaplig forskning (8).

4. Fyrords-termer. Totalt identifierades 77 961 fyrords-GT, och 760 flerordsuttryck förekom mer än 7 gånger. Av dessa identifierade experten 22 utbildnings- och forskningstermer (de utgör 2,82% av alla termer). De vanligaste uttrycken i denna termgrupp är institution för vetenskap och studier (568), park för vetenskap och teknologi (62), allmänt nationellt program för komplexa insatser (40), yrkesutbildning inom arbetsmarknadsområdet (40).

Fyrords-termerna i utbildnings- och forskningskorpusen uppvisar nio olika grammatiska modeller. Eftersom fyrords-termerna förekommer i litet antal illustreras varje modell bara av några få exempel eller endast ett exempel. Här presenteras alla strukturella modeller för fyrords-termer inom utbildning och forskning, grupperade efter frekvens, med ett exempel som illustrerar varje modell:

adverb i nominativ + substantiv i genitiv + substantiv i genitiv + substantiv (22,7% av alla fyrords-termer): internationell vetenskaplig databas (13);

adverb i nominativ + adverb i genitiv + substantiv i genitiv + substantiv (18,2%): gemensamt universitetsutbildningsämne (8);

substantiv i genitiv + substantiv i genitiv + adjektiv i nominativ + substantiv (13,6%): elev med särskilda behov (8);

substantiv i genitiv + konjunktion + substantiv i genitiv + substantiv (13,6%): institution för vetenskap och studier (568);

adverb i genitiv + substantiv i genitiv + adverb i nominativ + substantiv (9,1%): forskning på hög nivå (18);

adjektiv i nominativ + adverb i nominativ + substantiv i genitiv + substantiv (9,1%): erkänd internationell databas (11);

adverb i nominativ + adverb i nominativ + adverb i nominativ + substantiv (4,5%): allmänt nationellt program för komplexa insatser (40);

substantiv i genitiv + adjektiv i genitiv + substantiv i genitiv + substantiv (4,5%): statlig forskningsinstitution (31);

substantiv i genitiv + substantiv i genitiv + substantiv i genitiv + substantiv (4,5%): studieområde inom teknologiska vetenskaper (28);

5. Femords-termer. 49 768 femords-GT identifierades; 601 uttryck förekom mer än 5 gånger, varav 4 var utbildnings- och forskningstermer, det vill säga 0,51% av alla termer. Det är svårt att dra slutsatser om deras struktur utifrån ett så litet antal termer, därför har termerna inte strukturellt klassificerats. Alla femords-termer som förekommer i utbildnings- och forskningskorpusen: vetenskaplig forskning och experimentell utveckling (124), vetenskaplig forskning och teknisk utveckling (67), vetenskaplig forskning och teknikutveckling (13), forskningscentrum på hög nivå (7).

62

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

6. Termer med sex och sju ord. Som redan nämnts hittades inga utbildnings- och vetenskapstermer bland GT-termer med sex och sju ord, trots att totalt 30 298 GT-termer med sex ord (varav 750 kombinationer förekom mer än tre gånger) och 17 815 GT-termer med sju ord (varav 2 608 kombinationer förekom mer än två gånger) identifierades.

JÄMFÖRELSE MELLAN UTBILDNINGS- OCH VETENSKAPSTERMER OCH TERMERNA I LITAUENS REPUBLIKS TERM BANK

Termer som används i utbildnings- och vetenskapstextkorpusen kan jämföras med de godkända utbildnings- och vetenskapstermer som finns i Litauens republiks termbank²¹; de är 74 till antalet. Dessa termer har mycket varierande struktur: från termer med ett ord till kombinationer bestående av 18 ord. Mycket långa termer bestående av 15 respektive 18 ord förekom endast en gång vardera. Den längsta termen är program för icke-formell fortbildning av jordbrukare, skogsägare, medlemmar i lokala aktionsgrupper, andra landsbygdsbor och deras rådgivare. Det kan diskuteras om namnet på ett program ska betraktas som en term.

En jämförelse av strukturen hos utbildnings- och vetenskapstermerna i textkorpusen och termbanken visar att de vanligaste termerna i båda källorna består av ett till tre ord. Termer med ett till tre ord utgör visserligen 86,5% i termbanken, medan termer av samma längd som används i utbildnings- och vetenskapstextkorpusen utgör 97% (se tabell 1). Termbanken innehåller något fler termer med fyra ord än den textkorpus som presenteras här; termer med fem ord förekommer inte. Bland termerna med 6, 7, 8 och 9 ord finns det bara en eller två av varje i termbanken, och termer med 10 ord saknas. Däremot finns de redan nämnda termerna med 15 respektive 18 ord (se tabell 2).

Det kan ifrågasättas om flera termer i termbanken hör till utbildnings- och vetenskapsområdet, till exempel litauer, den globala litauiska gemenskapen, återemigration, nationalitet. Den erhållna termlistan visar att utbildnings- och vetenskapsområdet inte är helt täckt; till exempel anges traktorförare som en term inom yrkesutbildning, men skördetröskeförare, kock, snickare och liknande saknas; i synnerhet saknas termer som återspeglar forskningspolitiken. De termer som identifierades i den studie som behandlas i denna artikel bör alltså åtminstone i viss mån bidra till att fylla luckan i terminologin inom utbildnings- och vetenskapsområdet.

²¹ Förteckningen över godkända termer inom utbildnings- och vetenskapsområdet erhölls år 2010 från Litauens statliga kommission för det litauiska språket. Jämförelsen mellan textkorpusens och termbankens uppgifter bygger på just denna förteckning.

Terminologija | 2012 | 19

63

Tabell 2. Fördelning efter längd av utbildnings- och vetenskapstermer i Litauens republiks termbank

Antal ord som bildar termen

Antal termer

Andel termer,%

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

Totalt

74

100

PROBLEM VID AUTOMATISK TERMIDENTIFIERING

När termer identifieras med olika metoder uppstår två huvudsakliga problem: 1) vilka former som är grammatiskt korrekta termer, vilket är särskilt relevant vid fastställandet av uppslagsformen; 2) hur man skiljer allmänna fraser och allmänna termer från termer inom det analyserade området. Forskare i andra länder står inför liknande problem (jfr Cabré Castellví et al 2001).

Det andra problemet kan oftast lösas endast manuellt, det vill säga en expert inom området måste granska GT och fastställa vilka termer som hör till det analyserade området. Det går också att tillämpa vissa filter, det vill säga att skapa en lista över ord som inte ska analyseras (på engelska stop list) och använda den för att utesluta ord som inte kan fungera som termer inom det analyserade området. En sådan filtrering tillämpades även i denna studie. Några exempel: ord eller uttryck vars sista ord betecknar tid betraktades inte som utbildnings- och vetenskapstermer

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

substantiv, till exempel: år, månad, dag, vecka, morgon, kväll, januari, februari, måndag, tisdag och så vidare. Ord som betecknar måttenheter betraktas inte som termer, till exempel: millimeter, meter, centimeter, kilometer, mil, gram, kilogram, ton.

Det går att utesluta uttryck som innehåller ordkombinationer som är typiska för allmänna administrativa termer, till exempel: lagparagraf, i en del av lagparagrafen, enligt lag (förfarande), godkänt genom en punkt i en förordning, i enlighet med rättsakter, republikens regering, republiken stat, punkt i bestämmelserna, punkt i resolutionerna, ministerbeslut, enligt ministerns fastställda förfarande, godkänt av ministern, upprättat av ministern.

För att så exakt som möjligt automatiskt skilja utbildnings- och vetenskapstermer från allmänna termer sammanställdes två jämförelsekorpusar, vardera med samma omfång som utbildnings- och vetenskapstextkorpusen, det vill säga 4 miljoner ord. Den första jämförelsekorpusen sammanställdes av texter i olika genrer och stilar; dess sammansättning liknar Dabartinės lietuvių kalbos tekstyną (den omfattar publicistik, skönlitteratur, administrativ litteratur och vetenskaplig litteratur). Den andra jämförelsekorpusen bestod av administrativa texter som inte hör till utbildnings- och vetenskapsområdet. Antagandet var att ju mer allmän en term är, desto oftare används den i den allmänna och/eller administrativa korpusen, medan ju mer specifik en term är, desto mer sällan förekommer den i den allmänna och/eller administrativa korpusen. Denna hypotes bekräftades delvis; exempelvis påträffades områdesspecifika termer inom utbildning och vetenskap judumas, kompetentingumas, nubyrejimas, siekinys inte i jämförelsekorpusarna, medan termer som studentas, universitetas, vadovėlis är vanliga både i utbildnings- och vetenskapstexterna och i jämförelsekorpusarna. Denna studie bör fortsätta för att tillförlitliga uppgifter ska kunna presenteras om i vilken utsträckning jämförelser mellan flera korpusar kan bidra till att åtminstone delvis automatiskt skilja allmänna termer från termer inom det analyserade området.

Nedan behandlas det första problemet mer ingående, det vill säga hur man automatiskt fastställer den korrekta lemman för termer (särskilt flerordsuttryck) och sammanför ord och uttryck som förekommer i olika böjningsformer i korpusen under en och samma lemma.

Studien visade att det inte alltid är lätt att fastställa en terms uppslagsform. När lemman fastställs automatiskt blir resultatet till exempel för uttrycket aukštoji mokykla aukštas mokykla. Denna form anges eftersom den morfologiska annotatorn anger maskulinum singularis nominativ i positiv som lemma för adjektiv (för en närmare beskrivning av annotatorns särdrag, se Zinkevičius 2000). Lemman för flerordstermer

Terminologija | 2012 | 19

65

En syntaktisk analysator skulle i hög grad hjälpa till att fastställa detta. Tyvärr finns det ännu ingen fungerande syntaktisk analysator²². Det innebär att det krävs vissa tilläggsregler när lemman fastställs – i det här fallet måste man ange att om en lemma består av ett substantiv, ska ett adjektiv eller particip kongruera med substantivets genus; om adjektivet eller participet är pronominalt, måste denna kategori bevaras även i lemmat.

Många frågor uppstår när det gäller numeruskategorin. Till exempel måste den första komponenten i termen studentų atstovybė stå i plural, i termerna akademiniai įgūdžiai, auditorinės darbo valandos måste samtliga komponenter stå i plural, medan båda komponenterna i termerna fakulteto taryba, universiteto autonomija, bendrasis priėmimas, mokslinis leidinys står i singular. Det är förstås enkelt för en människa att avgöra var plural- respektive singularformen behövs, men det är mycket svårt att göra det automatiskt. Det framgår visserligen av textkorpusen att vissa ord nästan alltid används endast i plural (t.ex.: asignavimai, duomenys, studijos, rūmai, žinios, pinigai, pareigos).

Det är också svårt att fastställa rätt numerusform eftersom vissa ord är homonymer, till exempel studija (vetenskapligt verk) och studijos (studier). Av denna anledning fastställdes lemman för följande termer automatiskt på ett felaktigt sätt: bakalauro studija, rezidentūros studija, magistro studija, dieninės studija, nuotolinės studija. Som nämnts används vissa substantiv oftast endast i plural, trots att singularformen anges som lemma i ordboken. Denna skillnad mellan den lexikografiska informationen och det faktiska språkbruket ledde till felaktigt fastställda lemman för termerna mokinio pasiekimas, švietimo resursas, praktinis gebėjimas, fizinis mokslas, akademinis užsiėmimas (det borde vara: mokinio pasiekimai, švietimo resursai, praktiniai gebėjimai, fiziniai mokslai, akademiniai užsiėmimai).

Ett annat problem gäller substantiva mobilia, till exempel: abiturientas – abiturientė, abonentas – abonentė. Eftersom former av både maskulinum och femininum förekom i textkorpusen angavs automatiskt lemman för båda genusen. För att endast lemmat i maskulinum skulle behållas som term inom utbildning och vetenskap behövde man tillämpa en regel enligt vilken substantiv av typen substantiva mobilia i maskulinum och femininum förs samman under ett lemma i maskulinum.

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

När lemman fastställs automatiskt anges ibland ordföljden felaktigt. Exempelvis angavs följande uppslagsformer: tipų studija (ska vara studijų tipas), lygmens kvalifikacija (ska vara kvalifikacijų lygmuo).

Eftersom syntaktisk analys inte tillämpades när lemman fastställdes kongruerar attributen inte alltid med huvudordet, till exempel tarptautinis (= tarptautinio) lygio mokslas, eller så uppstår andra syntaktiska fel, till exempel: paskolų gyvenimo išlaidos (= paskola gyvenimo išlaidoms).

Svårigheter uppstår också när termgränser ska fastställas, till exempel: är dėstytojų ir mokslininkų kvalifikacijos bei kompetencijos atitiktis en enda term, eller bör flera termer urskiljas här:

1) överensstämmelse mellan lärarnas kvalifikationer och kompetens,

2) överensstämmelse mellan forskarnas kvalifikationer och kompetens,

3) överensstämmelse mellan lärarnas och forskarnas kvalifikationer,

4) överensstämmelse mellan lärarnas och forskarnas kompetens,

5) lärarnas kvalifikationer,

6) forskarnas kvalifikationer,

7) lärarnas kompetens,

8) lärarnas kompetens,

9) överensstämmelse med kvalifikationerna,

10) kompetensöverensstämmelse.

Vid lemmatisering och vid terminidentifiering i allmänhet uppstår svårigheter även på grund av den morfologiska annotatorns egenskaper, när fel ordklass eller grammatisk form väljs bland flera möjliga. Om till exempel ett adjektiv kongruerar med det intilliggande substantivet i genus, kasus och numerus är det mycket sannolikt att en sådan fras är grammatiskt korrekt. Fraser som består av två substantiv, där det första ledet inte står i genitiv, är inte alltid grammatiskt korrekta. De måste granskas noggrannare, vilket tar mer tid. Det innebär att den angivna ordklassen avgör om frasen kommer att räknas som en GT och om den är grammatiskt korrekt. Några exempel som illustrerar denna typ av fel: metinėms (kan vara adj. eller subst.; den morfologiska annotatorn angav subst.) ataskaitoms; keliais (kan vara pron. eller subst.; subst. valdes) procentais; bendrais (kan vara adj. eller subst.; subst. valdes) teiginiais; uždarus (kan vara adj. eller subst.; subst. valdes) posėdžius.

På grund av den felaktigt angivna ordklassen och eftersom orden inte analyseras syntaktiskt framstår frasen žemiausias balas, som hittats i en morfologiskt annoterad korpus, vid första anblicken som grammatiskt felaktig, eftersom

Terminologija | 2012 | 19

67

det första ordet har följande taggar: adj., superlativ, obestämd, mask., sing., nominativ; det andra: subst., fem., plur., genitiv, och lemmat anges som bala. Därmed framgår att substantivets lemma i detta fall har fastställts felaktigt – det ska vara balas. Följaktligen är den tidigare nämnda frasen grammatiskt korrekt.

I detta avsnitt har de svårigheter som oftast uppstår vid automatisk identifiering av utbildnings- och vetenskapstermer behandlats. Dessa problem och sätt att lösa dem kommer att diskuteras i andra arbeten.

SLUTSATSER

Programmet och metoden för automatisk termidentifiering behöver fortfarande förbättras. Trots detta kan de första resultaten bedömas som ganska goda. Som exemplen visar synliggör den automatiska analysen inte bara specifika, tekniska problem, utan även problem som terminologer också ställs inför, till exempel valet av numeruskategori.

När den morfologiska annotatorn har förbättrats och ett program för automatisk syntaktisk analys har tillämpats, blir det lättare och mer tillförlitligt att identifiera termer automatiskt.

Trots de svårigheter som uppstår påskyndar ett program som identifierar termer automatiskt processen för att fastställa GT avsevärt. En annan viktig fördel med den automatiska termidentifieringsprocessen är objektiviteten i dataanalysen.

Det konstaterades att 97% av de automatiskt utvalda och granskade utbildnings- och vetenskapstermerna består av 1–3 ord. Tvåordstermer är vanligast – de utgör nästan 61% av alla termer.

De vanligaste strukturella modellerna för utbildnings- och vetenskapstermer är subst. gen. + subst., adj. + subst., adj. gen. + subst. gen. + subst., subst. gen. + subst. gen. + subst. (det sista substantivet kan stå i olika kasus).

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