Estrazione terminologica per interpreti di conferenza

Transcript

1 Alma Mater Studiorum - Università di Bologna - Sede di Forlì Scuola Superiore di Lingue Moderne per Interpreti e Traduttori Corso di laurea in traduzione e interpretazione Tesi di laurea in interpretazione simultanea dal tedesco in italiano Estrazione terminologica per interpreti di conferenza Candidato Claudio Fantinuoli Relatore Gabi Mack Correlatore Marco Baroni Anno Accademico

2 Sommario Sommario Sommario...I Abstract... 1 Zusammenfassung... 2 Introduzione... 3 Capitolo I... 6 L uso del computer da parte dell interprete... 6 Capitolo II... 9 Estrazione terminologica... 9 Breve introduzione all estrazione terminologica semi-automatica...9 Il termine e la sua registrazione...10 Estrazione automatica: alcuni principi...13 Capitolo III Misure di associazione Relative risk e odd ratio...16 Mutual information...17 Log-likelihood ratio...18 Capitolo IV Scelta dei metodi di estrazione terminologica BootCaT...20 Nota sulla denominazione di BootCaT utilizzata in questo studio...21 BootCaT: un tool, due estrazioni...21 Wordsmith...22 Terminology Wizard...23 Capitolo V Analisi del glossario e del corpus di riferimento Considerazioni generali Caratteristiche del glossario di riferimento Caratteristiche dei corpora specialistici Capitolo VI Metodo di analisi dei dati ottenuti Recall e precision...29 Normalizzazione dei risultati...31 Tassonomia...32 Tassonomia di primo livello...33 Tassonomie di secondo livello...35 Selezione dei termini...37 Capitolo VII I

3 Sommario Estrazione terminologica con BootCaT(web) Il tool BootCaT Il principio di funzionamento La creazione del corpus specialistico Osservazioni sulla creazione di corpora specialistici con BootCaT...43 L estrazione Introduzione...44 Prima fase: estrazione degli unigrammi...45 Seconda fase: l annotazione...47 I risultati Capitolo VIII Estrazione terminologica con BootCaT(corpus) Il tool BootCaT(corpus)...51 I risultati...51 Capitolo IX Estrazione terminologica con Wordsmith Il tool Wordsmith...54 L estrazione...55 I risultati...57 Capitolo X Estrazione con Terminology Wizard Il tool Terminology Wizard...59 Il funzionamento...59 L estrazione...61 I risultati...61 Capitolo XI Analisi dei risultati Valutazione secondo la tassonomia di primo livello...63 Valutazione secondo i valori di recall...66 Valutazione secondo le tassonomie di secondo livello...67 Alcuni confronti fra BootCaT(web) e BootCaT(corpus)...72 Conclusioni Bibliografia Appendice Script Appendice Glossario di riferimento utilizzato per le estrazioni II

4 Introduzione Abstract This study aims at finding out if conference interpreters could profit from the new developments in terminology extraction methods. We present the results of an experiment conducted using three software: the BootCaT toolkit, Wordsmith and Terminology Wizard. We compare the results of a terminological extraction using the web as a corpus with the results obtained with a manual constructed corpus. We conducted an evaluation using an ad-hoc taxonomy that considers the specific needs of interpreters as well as a reference term list compiled by hand by a professional terminologist. The study is divided in three parts. The first part introduces several studies on the relationship between interpreters and computers, as far as terminology is concerned, the basic principles of terminology extraction, the features of the software we used, the characteristics of the reference corpus and glossary and the evaluation method. The second part describes the four extractions methods. Chapter seven deals with BootCaT and the web as a corpus, chapter eight with BootCaT and the use of a manually compiled corpus, chapter nine with Wordsmith and chapter ten with Terminology Wizard. The third part focuses on the evaluation of the results. The use of the ad-hoc taxonomy allows us to evaluate the terminology extractions bearing in mind the real needs of interpreters. Finally, we conclude by suggesting possible directions for further development of a terminology extraction toolkit. 1

5 Introduzione Zusammenfassung Die vorliegende Arbeit versucht die Frage zu klären, ob moderne Methoden zur Terminologieextraktion Konferenzdolmetschern hilfreich sein können. Es werden die Ergebnisse einer Untersuchung vorgestellt, die mit drei Softwares durchgeführt worden ist: BootCaT toolkit, Wordsmith und Terminology Wizard. Die Ergebnisse einer web basierten Extraktion werden mit den Ergebnissen verglichen, die mit einem manuell zusammengestellten Korpus erzielt worden sind. Die Evaluierung erfolgt sowohl auf der Basis einer ad-hoc Taxonomie, die die spezifischen Bedürfnisse der Dolmetscher berücksichtigt, als auch eines von einem Terminologen manuell erstellten Glossars. Die Arbeit setzt sich aus drei Teilen zusammen. Im ersten Teil werden unterschiedliche Studien zur Beziehung zwischen Dolmetschern und Computern, die grundlegenden Prinzipien der Terminologieextraktion, die Eigenschaften der verwendeten Software, die Attribute der Bezugskorpora und Bezugsglossare sowie die Evaluierungsmethode vorgestellt. Im zweiten Teil wird auf die vier durchgeführten Extraktionen näher eingegangen. Kapitel sieben befasst sich mit BootCaT und dem Web als Korpus, Kapitel acht mit BootCaT und der Verwendung eines manuell zusammengestellten Korpus, Kapitel neun mit Wordsmith und Kapitel zehn schließlich mit Terminology Wizard. Der dritte Teil ist der Evaluierung der Ergebnisse gewidmet. Die Verwendung einer ad-hoc Taxonomie ermöglicht die Evaluierung der Terminologieextraktionssysteme unter dem Gesichtspunkt der spezifischen Bedürfnisse des Dolmetschers. Zum Schluss werden mögliche Entwicklungsansätze zur Terminologieextraktion für Dolmetscher vorgestellt. 2

6 Introduzione Introduzione In un epoca segnata sempre di più dal progresso tecnologico ed informatico, progresso che interessa direttamente anche la professione dell interprete, è riscontrabile una totale assenza di applicazioni informatiche interamente progettate e realizzate per gli interpreti simultaneisti. A differenza dei tanti prodotti in commercio destinati ai traduttori, non esiste ancora una piattaforma software che integri la serie di applicazioni informatiche necessarie all interprete nelle varie fasi che caratterizzano il suo lavoro di documentazione estrazione e gestione terminologica, organizzazione della documentazione, utilizzo in cabina della terminologia elaborata e che richiede caratteristiche e funzionalità particolari appositamente studiate per tali attività. Questo studio si propone di dare impulso alla ricerca e alla realizzazione pratica di applicazioni informatiche che soddisfino le esigenze degli interpreti professionisti. Gli interpreti simultaneisti che operano in conferenze o incontri internazionali di argomento specialistico devono far fronte ad un notevole sforzo preparatorio e spesso elaborare centinaia di pagine fra manoscritti, informazioni di background e nuova terminologia. Appare ovvio che ciò non può essere realizzato in tempi ragionevoli senza l ausilio del computer. Le modalità di preparazione oggi praticate appaiono inoltre spesso poco efficienti: l elaborazione del materiale fatto pervenire dagli organizzatori della conferenza, le informazioni sul tema trattato raccolte autonomamente dall interprete (utilizzando oggi prevalentemente internet), l estrazione terminologica manuale dai testi precedentemente preparati, la redazione di glossari mono o plurilingue e infine la sistematizzazione delle informazioni ottenute per essere accessibili in futuro costituiscono operazioni dispendiose soprattutto in termini di tempo e denaro. Come è noto, l interprete si trova spesso a dover affrontare da un lato scadenze e ritmi di lavoro che spesso lasciano poco spazio alla fase preparatoria, dall altro l esigenza di acquisire ugualmente una serie di competenze, linguistiche e non, senza le quali le sue prestazioni specifiche nella singola conferenza ne risentirebbero 3

7 Introduzione negativamente. Per poter facilitare e velocizzare queste procedure è dunque necessario individuare o realizzare degli strumenti informatici che permettano di agevolare l interprete in tutte queste fasi. La nostra ricerca si concentra su uno di questi temi: l estrazione terminologica semi-automatica. Sulla base di un confronto fra diverse metodologie di estrazione, commerciali e sperimentali, si cercherà di valutare se essa possa essere d aiuto all interprete professionista nella fase di preparazione ad una conferenza. L estrazione oggetto di questo studio è di tipo monolingue. Ad oggi l estrazione bilingue da testi non paralleli e/o annotati sta ancora muovendo i primi passi e non permette di raggiungere risultati che possano essere di qualche interesse nell applicazione pratica. Liste di termini monolingue possono comunque essere un aiuto prezioso per l interprete nella fase di preparazione costituendo ad esempio il punto di partenza su cui basare la propria strategia di apprendimento linguistico ed extralinguistico in vista di una nuova conferenza. Il presente lavoro è suddiviso in tre parti: una parte introduttivo/teorica, una parte sperimentale e una parte conclusiva incentrata sulla valutazione dei risultati ottenuti. La prima parte è composta da sei capitoli che, dopo una breve presentazione degli studi che analizzano il rapporto dell interprete con il computer, in particolar modo per gli aspetti relativi alla terminologia, introducono i principi generali dell estrazione terminologica, le motivazioni che hanno portato alla scelta dei sistemi utilizzati nei nostri esperimenti, le caratteristiche del materiale di confronto impiegato e la procedura seguita per la valutazione dei risultati ottenuti. La seconda parte è costituita da quattro capitoli ognuno dei quali è dedicato all estrazione terminologica effettuata con i sistemi individuati per il nostro esperimento. Il settimo capitolo è dedicato a BootCaT con estrazione da web, l ottavo alla versione di BootCaT che utilizza un corpus raccolto manualmente, il nono a WordSmith e il decimo a TerminologyWizard. 4

8 Introduzione La terza parte si occupa invece della valutazione e dell interpretazione dei risultati ottenuti. Si propongono diverse modalità con cui osservare i risultati raccolti con i singoli sistemi così da permettere una valutazione il più possibile aderente alle esigenze del fruitore finale. Le conclusioni riassumono le valutazioni fin qui proposte e forniscono indicazioni per possibili sviluppi futuri. Completano il presente lavoro la descrizione della procedura seguita per l estrazione terminologica con BootCaT e il glossario di riferimento utilizzato come metro di paragone per la valutazione dei tool. 5

9 Capitolo I Capitolo I L uso del computer da parte dell interprete Numerosi sono gli studi che negli ultimi anni hanno cercato di scattare un istantanea sul rapporto tra interpreti e nuove tecnologie. Fra i più importanti possiamo ricordare quelli condotti dallo SCIC (My Computer, 2001), da associazioni di categoria come il BDÜ (2000), da ricercatori come Will (2000) nonché l inchiesta condotta da Valentini (2002). La maggior parte di queste indagini, in primis Valentini (2002) e Will (2000), analizzano, a nostro avviso molto giustamente, i bisogni terminologici degli interpreti differenziandoli in uso prima e durante la simultanea nonché nella possibilità di utilizzo del computer come supporto alla documentazione ed alla gestione della terminologia sia nella fase di preparazione sia durante il lavoro vero e proprio. Anche Gile (1995:148), seppur non riferendosi a possibili strumenti informatici ma alla sola preparazione dell interprete, si avvale di una simile differenziazione distinguendo fra long-term, in-conference e last-minute preparation. La fase preparatoria ad una conferenza specialistica di argomento non ancora noto costituisce una fase essenziale per la buona gestione dell intera attività lavorativa di un interprete professionista. In questa fase l interprete è chiamato ad acquisire una serie di dati e nozioni, sia di tipo enciclopedico che di tipo linguistico, che gli permetteranno di affrontare con successo la simultanea. Secondo Kalina (1998:203) infatti l elaborazione del materiale a disposizione unito ad altre strategie preparatorie permettono di trasferire una parte consistente dei processi cognitivi di apprendimento di dati nuovi alla fase antecedente l interpretazione vera e propria, il che permette di diminuire il carico cognitivo durante l interpretazione stessa. Tale preparazione avviene sulla base di documenti riguardanti il tema oggetto della conferenza che lo stesso interprete provvederà a raccogliere 6

10 Capitolo I manualmente (secondo l inchiesta della BDÜ l 88,5% degli intervistati utilizza per questa fase Internet) e/oppure sulla base del materiale fornito dal committente. Il metodo di trattamento del materiale raccolto sembra essere in prevalenza ancora molto tradizionale ed affidato al supporto cartaceo, ovvero tramite l estrazione manuale della terminologia (Valentini, 2002:36). Questo atteggiamento dipende con molta probabilità, oltre dalle abitudini degli interpreti più anziani, anche dal fatto che ad oggi non esistono in commercio prodotti per l estrazione terminologica di facile uso che raggiungano risultati tali da conquistare la fiducia dell interprete professionista. Se è vero che la preparazione dell interprete non si risolve soltanto nell apprendimento di liste preconfezionate di significanti (l output di un sistema di estrazione terminologico automatico) ma in quella di un sistema di concetti (e da qui forse anche la predilezione per un lavoro manuale, in cui l interprete acquisisce oltre che al significante anche il significato), è altrettanto vero che tali liste possano agevolare l interprete nell elaborazione del materiale in suo possesso. Esse possono infatti costituire il punto di partenza per esplorare il corpus di testi disponibili in maniera puntuale e precisa, utilizzando ad esempio dei concordancer 1, semplici software che permettono di studiare le parole nei loro contesti d uso. Si ha così una nuova possibilità di esplorare il materiale a disposizione: [ ] the use of terminology gives another possibility: instead of navigating through the collection documents, it s possible to navigate through the collection terminology and access the documents from the relevant terms. (Jones e Phrasier, 1999) Se si considera poi la forte pressione temporale che l interprete deve gestire, visto che spesso è costretto in poco tempo a far propri saperi a lui poco conosciuti e che, anche quando viene reso disponibile, il materiale preparatorio viene consegnato nella maggior parte dei casi meno di 5 giorni prima della conferenza (Valentini, 2002:33), appare ovvio che sistemi di estrazione 1 TextSTAT, un semplice ma ottimo concordancer può essere scaricato gratuitamente 7

11 Capitolo I terminologica possano favorire una migliore gestione del tempo e delle risorse da parte dell interprete. La terminologia estratta, qualunque sia la metodologia con cui essa viene ottenuta, necessita inoltre di essere gestita. La maggior parte degli interpreti utilizza programmi generici di trattamento testo come Word (67,7%) o fogli di calcolo come Excel (11,4%) invece di usufruire delle funzioni di software specifici di gestione terminologica come Multiterm (6,5%) o banche dati personalizzabili come Filemaker Pro (4,9%) (Valentini, 2000:153). Nonostante gli evidenti deficit di software non dedicati come Word ed Excel, poco adatti alla gestione di banche dati terminologiche, questi prodotti vengono prediletti forse a causa del più alto grado di familiarità che la maggior parte degli utenti ha con essi o della maggior semplicità di utilizzo. Due software di recente commercializzazione e specificatamente designati per l interprete simultaneista, LookUp e Interplex, non sono invece, per ragioni temporali 2, stati presi in considerazione dalle inchieste sopra citate. La relativa semplicità d uso e le funzioni specifiche li rendono adatti ad essere utilizzati in cabina e potrebbero portare ad un cambiamento nell atteggiamento degli interpreti nei confronti di programmi più specifici di gestione terminologica. Il presente studio si concentrerà sulle problematiche relative all estrazione terminologica. 2 I software sono di recente commercializzazione. 8

12 Capitolo II Capitolo II Estrazione terminologica Breve introduzione all estrazione terminologica semiautomatica La questione della natura dell estrazione terminologica automatica o semi-automatica dipende in gran parte dal risultato che si vuole ottenere, cioè dal tipo di dati che si intende estrarre e dalle finalità dell utente. Mediatori linguistici, traduttori, interpreti e terminologi non costituiscono infatti le uniche categorie potenzialmente interessate ai risultati dell estrazione di termini tecnico-specialistici. Ritroviamo fra gli interessati all estrazione terminologica, fra le altre, le imprese che offrono prodotti informatici per la classificazione dei testi, la ricerca e l estrazione di informazioni (Information Retrieval e Information Extraction), un campo che a sua volta poterebbe riservare per il futuro degli interpreti dei risvolti molto interessanti. La struttura dei dati, cioè dei termini estratti, può essere ricondotta fondamentalmente a due tipologie (Heid, 2001:186): - semplici liste di termini - inventari strutturati e relazionali Le liste terminologiche semplici sono liste di parole, mono o plurilingui, depositarie di sapere linguistico, che elencano i termini di un linguaggio specialistico o di un particolare testo. Gli inventari strutturati e relazionali fungono invece da base per la costruzione di vere e proprie strutture del sapere. Relazioni caratteristiche tipiche degli inventari strutturati sono 9

13 Capitolo II quelle tra iperonimi e iponimi, sinonimi, equivalenze/traduzioni interlinguistiche, ecc. Il nostro studio si occupa della realizzazione di liste terminologiche monolingui che costituiscono la prima fase verso l estrazione terminologica bilingue 3. Tali liste però possono essere considerate un primo obiettivo nella creazione di strumenti informatici utilizzabili proficuamente dall interprete di conferenza (v. L uso del computer da parte dell interprete). Il termine e la sua registrazione Il primo aspetto che deve essere analizzato quando si affronta l estrazione terminologica riguarda la tipologia di termini a cui si vuole dare spazio in un lavoro terminologico, indipendentemente dal fatto che si voglia ottenere una lista di termini o un inventario strutturato. Innanzitutto è necessario chiarire cosa si intende con il concetto di termine: [ ] una parola che dovrebbe denominare un oggetto materiale e immateriale, visto nella sua dimensione categoriale e non individuale, in modo univoco, e senza alcuna sfumatura connotativa di tipo né diatonico (ossia relativo alla variazione linguistica in dipendenza dell area geografica), né diastrico (ossia relativo alla variazione linguistica in dipendenza della classe sociale), né diafasico (ossia relativo alla variazione linguistica in dipendenza del registro impiegato, del grado di formalità), né diacronico (ossia relativo alla variazione linguistica nel tempo). (Rega, 2002: 49-50) È questa una definizione classica del termine che riprende quella del circolo di Vienna, elaborata da Wüster negli anni Trenta. Si tratta però di una definizione normativa che poco si adatta all applicazione nell estrazione 3 Per approfondimenti sull acquisizione automatica di equivalenti traduttivi si vedano: Déjean, Gaussier, Sadat (2001) e Volk, Pantli, Malka (2002). 10

14 Capitolo II terminologica. In quest ottica alcuni studiosi come Jacquemin e Bourigault arrivano addirittura a postulare che: In a definition of term that is better suited to corpus-based terminology, a term must be stated as the output of a procedure of terminological analysis. A single word, such as cell, or a multi-word unit, such a blood cell is a term because it has been decided that it would be so. The decision process can involve a community of researchers or practitioners, a normalisation institution, or even a single engineer or terminologist in charge of building a terminological resource for a specific purpose. (2000:2) La relatività delle definizioni classiche di termine viene sottolineata anche da Sager: The theories underlying applied fields of study benefit from being application driven rather than following separate paths as terminology theory has been doing in recent years. By adopting the engineering approach of identifying problems and seeking solutions, significant advances have been made [ ]. (1990:10) Heid (2001:188), nel tentativo di fornire al mediatore linguistico alcuni principi guida per determinare la rilevanza delle unità terminologiche e quindi la necessità o meno di registrare un termine in un glossario propone tre definizioni: la konzeptbasierte Definition, la übersetzungsbasierte Definition e la häufigkeitsbasierte Definition. Secondo la prima definizione, un termine come allgemeine Bedingungen o allgemeine Geschäftsbedingungen deve ottenere lo status di termine in una raccolta terminologica di dominio giuridico o commerciale poiché esiste un concetto giuridico o commerciale che viene identificato da questa espressione. Questo modo molto diffuso di concepire la rilevanza terminologica si rifà dunque all assunto secondo il quale un termine è rilevante se rappresenta un concetto tipico del dominio di interesse. 11

15 Capitolo II La übersetzungsbezoge Definition prevede la registrazione di un termine in una banca dati soltanto quando questo può presentare delle difficoltà durante il processo traduttivo. La häufigkeitsbasierte Definition definisce invece la rilevanza terminologica sulla base del confronto fra la ricorrenza di un espressione in un testo specialistico e la ricorrenza dello stesso termine in un corpus di riferimento non specialistico. I termini vengono considerati rilevanti se la loro ricorrenza nel testo specialistico è maggiore rispetto a quella nel corpus di riferimento. Fondamentalmente in questo caso ci si può trovare di fronte a due costellazioni: - alcuni termini possono ricorrere molto raramente nel linguaggio non specialistico: diodo, un componente elettronico, compare molto frequentemente in testi che riguardano, ad esempio, il settore radioelettrico, ma assai raramente in un corpus di testi giornalistici come quello della Repubblica (4 ricorrenze in tutto il corpus). Tale termine verrà quindi registrato nella banca dati specialistica; - altre parole invece possono essere ricorrenti sia nei testi specialistici sia nel corpus generico di riferimento, ma ciononostante vengono considerate tipiche di un particolare domino e vengono quindi incluse nel lavoro terminologico. Heid (2001:188) riporta l esempio di Kind che è da considerasi termine se il domino del testo analizzato è ad esempio Kindergeld. In questo caso però il termine Kind con tutta probabilità ricorrerà in un testo del dominio Kindergled con una frequenza relativa maggiore rispetto a quanto accade nel corpus generico. Tale caratteristica risulta essere quindi decisiva per la sua registrazione. La forma ritenuta appartenere per eccellenza alla schiera dei termini candidati in una raccolta terminologica tecnico-scientifica è quella del sostantivo. Ovviamente la rosa di termini considerati utili al fruitore finale non si esaurisce però con questa categoria. Molti ricercatori hanno anche 12

16 Capitolo II sottolineato l importanza di altre componenti soprattutto quando queste fanno parte della categoria collocazioni in primo luogo le combinazioni di sostantivi/verbi e sostantivi/aggettivi 4. Nel nostro studio ci si è concentrati tuttavia soprattutto sull estrazione di termini specialistici (sostantivi semplici e complessi) e meno su quella delle collocazioni, anche se queste ultime rivestono dal punto di vista traslatorio un ruolo molto importante 5. Estrazione automatica: alcuni principi Heid (2001:189) formula tre assunti riguardanti l estrazione terminologica automatica: - un sistema di estrazione deve sempre permettere la correzione manuale e quindi essere semi-automatico. Questo è il motivo per cui in genere, come anche nel nostro lavoro, si parla di termini candidati. Sarà comunque il terminologo, il traduttore o l interprete a decidere sull effettiva registrazione del termine nella banca dati o nel glossario; - l estrazione di termini candidati sarà sempre accompagnata da un certo rumore, cioè la presenza di termini indesiderati. L obiettivo di chi sviluppa tali sistemi deve essere quello di ridurre al minimo il livello di rumore; - un sistema di estrazione terminologica dovrebbe per contro ridurre al minimo il numero di candidati buoni che non vengono estratti, cioè il cosiddetto silenzio. La maggior parte dei terminologi accettano un certo rumore se possono essere sicuri di non aver escluso dei candidati buoni. Sempre Heid (2001:189) definisce anche le due fasi fondamentali che stanno alla base dei processi di estrazione terminologica: 4 5 Per un approfondimento si vedano le categorie definite da Wright (1997: 14-16). Per un approfondimento dell estrazione di collocazioni si rimanda a diversi studi e esperimenti in questo settore tra i quali Krenn. 13

17 Capitolo II - identificazione dei termini candidati sulla base di un processo di analisi linguistica del testo; - filtraggio dei termini candidati secondo criteri linguistici o statistici così da ridurre al massimo il rumore e il silenzio. L elaborazione dei file di testo secondo il procedimento a due fasi qui introdotto avviene solitamente dopo aver preparato adeguatamente i testi, annotandoli. Le tre fasi tipiche di questa preparazione sono: - la tokenizzazione, cioè l identificazione dei token. In pratica suddividere il testo in modo che presenti una sola parola per riga; - la classificazione morfologica o POS-tagging (part of speech), cioè l assegnazione di un etichetta che segnali la categoria grammaticale di ogni parola (nome, aggettivo, verbo, ecc.); - la lemmatizzazione, il processo con cui si riporta ogni parola alla sua forma base (mangio->mangiare, ricordi->ricordo). Oggigiorno quest ultima operazione svolta automaticamente è ancora soggetta a molti errori soprattutto poiché nella maggior parte dei casi sia ha a che fare con testi altamente specialistici le cui terminologie non sono contenute nei repertori lessicografici utilizzati dai software preposti alla lemmatizzazione. L identificazione dei termini candidati si basa fondamentalmente su criteri linguistici. Heid (2001: ) distingue fra criteri legati direttamente ai termini e criteri legati ai contesti in cui essi compaiono. Alcuni criteri si concentrano quindi sulle caratteristiche morfologiche dei termini, altri sulla struttura morfosintattica dei termini composti (POS), altri ancora sul contesto in cui il termine compare, considerando ad esempio termine quelle parole che ricorrono nelle strutture: con X si definisce, cosiddetto X, ecc. L approccio sopra descritto come POS è quello probabilmente più diffuso fra i sistemi di estrazione terminologica. Esso sta alla base sia del metodo BootCaT sia di Terminology Wizard. Una volta preparati (v. Seconda fase: l annotazione), i testi vengono interrogati per estrarre solo quelle 14

18 Capitolo II combinazioni di parole che corrispondono ai pattern morfosintattici definiti dall utente. Tale procedimento ha come obiettivo finale quello di estrarre tutti quei termini candidati che morfologicamente o morfosintatticamente assomiglino a termini specialistici. Ciò non significa però che tali parole, pur rispettando tali criteri, siano così rilevanti o addirittura corretti da guadagnare lo status di termine ed essere poi registrati in un lavoro terminologico. La procedura più indicata per aumentare la probabilità che tali termini candidati siano davvero quelli desiderati è quella di filtrare i risultati che sono stati precedentemente identificati secondo i principi linguistici sopra descritti (POS). Ciò può avvenire o su base linguistica, utilizzando ad esempio delle stop word, liste di parole che vengono considerate improbabili termini candidati, o su base statistica, seguendo diversi procedimenti. Un semplice criterio statistico è quello di confrontare le frequenze con cui un termine compare nel testo da analizzare con quelle relative allo stesso termine in un corpus di riferimento. Se un termine compare un certo numero di volte in più nel testo rispetto al corpus di riferimento, esso viene considerato automaticamente termine da registrare. Metodi statistici più raffinati di quello appena presentato si fondano sulle misure di associazione utilizzate da vari sistemi, ad esempio i tre da noi impiegati, sia quelli che lavorano su testi annotati (BootCaT e Terminology Wizard) sia quelli che lavorano su testi non preparati (Wordsmith). Ovviamente entrambi i metodi, statistici e linguistici, possono essere combinati. Questo è il caso di BootCaT, il quale filtra i termini candidati con un procedimento che combinando un metodo statistico e uno linguistico (v. L estrazione) può essere definito ibrido. 15

19 Capitolo III Capitolo III Misure di associazione L idea che sta alla base delle misure di associazione deriva dalla psicolinguistica e venne introdotta per la prima volta nel tentativo di valutare la prontezza di risposta dei probandi ad uno stimolo linguistico. Si dimostrò che essi rispondevano infatti più celermente identificando ad esempio l ambiente di lavoro in cui opera una figura professionale come l infermiera, se tale termine (infermiera) veniva accompagnato da una parola fortemente associata ad esso, ad esempio dottore (Palermo e Jenkins, 1964). Anche in linguistica è prassi consolidata considerare le parole non come unità isolate, ma sulla base delle parole ad esse altamente associate (cooccurrence): «You shall know a word by the company it keeps». (Firth, 1957). Per agevolare la determinazione del livello di associazione fra due parole sono stati sviluppati diversi modelli matematici. Tutti hanno in comune il fatto di considerare non soltanto la frequenza delle singole coppie di parole (si potrebbe infatti pensare che se due parole ricorrono molto spesso insieme sono anche altamente associate) ma anche le caratteristiche dei corpora in cui sono contenute, cioè le loro dimensioni. Relative risk e odd ratio Il metodo più semplice per identificare le parole tipiche di un testo specialistico, e quindi quelle che con tutta probabilità possono essere considerate essere i termini tecnici del linguaggio in questione, è il cosiddetto relative risk. Esso consiste, come accennato in 2.2., nel calcolo del rapporto fra la frequenza relativa di una parola nel corpus specialistico e la sua frequenza relativa nel corpus generale di riferimento ed è definita dalla seguente formula: 16

20 Capitolo III log fq spec (w)/n spec fq gen (w)/n gen Ovviamente più il risultato di questo rapporto è alto, più è probabile che la parola considerata sia caratteristica del linguaggio specialistico. Quando la ricorrenza della parola w nei due corpora, fq spec (w) e fq gen (w), è molto bassa rispetto al numero di parole che costituiscono i corpora, N spec e N gen, come è il caso in testi molto specialistici, allora una misura più adatta a calcolare se una parola è potenzialmente tipica del corpus specialistico è la odd ratio: log fq fq spec gen ( w) / N ( w) / N spec gen fq fq spec gen Anche nel caso della odd ratio, più alto è il suo valore più è probabile che una parola sia tipica del linguaggio esaminato. Mutual information La mutual information (MI), proposta da Fano (1961) come misura dell interdipendenza fra due elementi in un messaggio e introdotta da Church e Hanks (1990) nella linguistica computazionale, è la misura di associazione classica di questo ambito. Essa viene espressa dalla seguente formula: MI ( x, y) = log 2 P( x, y) P( x) P( y) Church e Hanks (1990) propongono la seguente interpretazione della mutual information: Informally, mutual information compares the probability observing x and y together (the joint probability) with the probabilities of observing x and y independently (chance). If there is a genuine association between x and y, then the joint probability P(x,y) will be much larger than chance P(x) P(y), and 17

21 Capitolo III consequently I(x,y) >> 0. If there is no interesting relationship between x and y, then P(x,y) P(x) P(y), and thus, I(x,y) ~ 0. If x and y are in complementary distribution, then P(x,y) will be much less than P(x) P(y), forcing I(x,y) << 0. Nella situazione in cui si hanno due corpora, uno specialistico ed uno di riferimento, possiamo interpretare la MI come il rapporto tra la probabilità di avere una data parola che appartiene al corpus specialistico e la probabilità di trovarsi di fronte la stessa parola indipendentemente dal corpus. Una parola tipica del corpus specialistico avrà dunque un alto valore di MI; e questo avviene proprio quando la probabilità che tale parola ha di capitare nel corpus specialistico è molto più alta di quella di ricorrere nel corpus di riferimento. Nel caso in cui si hanno due corpora, uno specialistico e uno di riferimento, si avrà: MI( w = x, corpus( w) = spec) = log 2 P( w = x, corpus( w) = spec) P( w = x) P( corpus( w) = spec) dove w = x rappresenta l evento che la parola analizzata sia x, mentre corpus(w) = spec l evento che la medesima parola sia quella estratta dal corpus specialistico. La MI sarà allora il rapporto tra la probabilità che la parola sia x dato che è noto che si tratta di una parola presa dal corpus specialistico e la probabilità che la parola sia x indipendentemente dal corpus da cui è presa. Log-likelihood ratio Il problema legato alla mutual information è che essa tende a privilegiare i termini che sono molto rari a svantaggio di quelli che hanno un elevata frequenza. Si sono così dovute trovare altre misure di associazione che cercano di risolvere il problema delle parole a bassa frequenza. La più diffusa è la log-likelihood (LL) 6 (Dunning, 1994), che fornisce dei valori molto plausibili anche per i termini a bassa frequenza (Krenn e Evert, 2001). Intuitivamente ci si può immaginare la LL come al rapporto della 6 Per approfondimenti si consiglia la lettura dei seguenti testi: Rayson, Berridge e Francis. 18

22 Capitolo III verosimiglianza delle frequenze estratte dal corpus se si ipotizza che esiste una dipendenza tra le due parole e la verosimiglianza delle medesime frequenze se si ipotizza che tale dipendenza non ci sia. Una possibile strategia, utilizzata anche nel corso dei nostri esperimenti con BootCaT, è quella di considerare termini candidati i migliori risultati ottenuti con entrambe le misure di associazione. 19

23 Capitolo IV Capitolo IV Scelta dei metodi di estrazione terminologica La nostra scelta dei software con cui affrontare l estrazione terminologica è dipesa da due motivazioni fondamentali. Innanzitutto si è cercato di offrire una vasta panoramica di approcci all estrazione terminologica (ET) che tenesse conto delle varie tipologie esistenti, ovvero: - sistema sperimentale libero (BootCaT); - sistema commerciale di analisi linguistica generico (Wordsmith); - sistema commerciale dedicato all ET (Terminology Wizard). Si è inoltre cercato di coprire diverse metodologie e principi di estrazione: - analisi statistica e linguistica (BootCaT); - analisi statistica (Wordsmith); - analisi linguistica (Terminology Wizard). BootCaT Nella nostra rosa di sistemi utilizzati, l estrazione con BootCaT è indubbiamente quella più sperimentale. Ad oggi non esiste ancora una versione con interfaccia grafica del tool, bensì una serie di script in PERL e di successioni di comandi Unix. Il sistema operativo richiesto non è il ben più diffuso Windows bensì Unix. BootCaT si distingue da qualsiasi altro sistema di estrazione terminologica per la sua capacità di raccogliere il corpus da cui effettuare l estrazione terminologica in maniera automatica, utilizzando il web come fonte da cui reperire i testi che lo compongono. Proprio questa sua caratteristica lo rende interessante per l interprete professionista che, come 20

24 Capitolo IV sottolineato in precedenza, deve fare i conti con l assimilazione di nuovi saperi in un tempo relativamente breve. Nota sulla denominazione di BootCaT utilizzata in questo studio Nella presente ricerca vengono utilizzate due costellazioni di BootCaT: la prima (v. Estrazione terminologica con BootCaT(web) ), completa di tutte le sue caratteristiche, mantiene il suo nome originario, BootCaT, mentre la seconda (v. Estrazione terminologica con BootCaT(corpus) ), che non prevede la fase di raccolta del corpus da web, ma utilizza lo stesso corpus compilato manualmente e analizzato anche da Wordsmith e da Terminology Wizard, si presenta in versione ridotta. Proprio per questo motivo nella presente ricerca si fa riferimento ad esso, onde evitare fraintendimenti, con il nome BootCaT(corpus). Talvolta, sempre per favorire la chiarezza, ci si potrà riferire alla versione completa di BootCaT, quella cioè che provvede automaticamente a creare il corpus linguistico dal web e proprio in natura di questa caratteristica, come a BootCaT(web). BootCaT: un tool, due estrazioni BootCaT è stato quindi utilizzato per effettuare due estrazioni: la prima, da web, rappresenta la finalità per cui questo tool è stato sviluppato, la seconda, da corpus manuale, ha uno scopo principalmente legato alla presente ricerca, cioè di confronto. L estrazione da corpus compilato manualmente, da considerarsi idealmente il punto di incontro tra BootCaT(web) e gli altri sistemi analizzati in questa sede, ha un duplice obiettivo: da un lato si desiderava verificare la precisione degli script per l estrazione terminologica di BootCaT, quindi il modulo di estrazione vero e proprio. Solo utilizzando lo stesso corpus per tutti i sistemi di estrazione terminologica, quello manuale, è infatti possibile effettuare un confronto obiettivo fra di essi e verificare la qualità dell output di BootCaT. L altro obiettivo era quello di servire da metro di confronto per verificare le differenze e le analogie fra i risultati che è possibile ottenere con i 21

25 Capitolo IV corpora raccolti automaticamente dal web con BootCaT e quelli ottenuti da un corpus costruito manualmente. In questo caso si aveva a disposizione due corpora differenti, ma lo stesso metodo di estrazione. Poiché la procedura utilizzata può essere anche fine a se stessa, cioè all estrazione di terminologia specifica da corpora già a disposizione dell utente (ad es. il materiale messo a disposizione dall organizzatore di una conferenza), si è scelto di dedicare a tale procedimento un capitolo a sé stante e di considerarlo non solo in funzione al ruolo di verifica di BootCaT, ma come un vero e proprio metodo di estrazione. Wordsmith Wordsmith rappresenta la categoria dei software di analisi linguistica generici forse maggiormente diffuso sul mercato. Sebbene non sia stato concepito per l estrazione terminologica, alcune sue funzioni e il fatto che sia ormai diffuso fra molti professionisti, soprattutto traduttori, come il software per eccellenza per l analisi di corpora linguistici, ne rendono opportuna la valutazione per verificare il suo possibile impiego come estrattore di terminologia specifica. Il software gira su Windows e le sue funzionalità, sebbene non sempre semplici da utilizzare, sono comunque alla portata di chiunque abbia un po di dimestichezza con la piattaforma e i programmi Windows. Non essendo stato sviluppato con finalità di estrazione terminologica, tale processo richiede diversi passaggi e operazioni. Questi possono però essere standardizzati, quindi ripetuti meccanicamente, cosa che, avendo a disposizione i corpora di riferimento, rende il processo di identificazione della terminologia relativamente semplice e veloce (v. Estrazione terminologica con Wordsmith). 22

26 Capitolo IV Terminology Wizard Terminology Wizard appartiene al gruppo di software commerciali dedicati espressamente all estrazione terminologica presenti oggi sul mercato. La sua principale caratteristica è l estrema semplicità di utilizzo, il ché lo rende particolarmente adatto ad un pubblico poco informatizzato o non disposto a confrontarsi con una fase di apprendimento invece necessaria per gli altri sistemi. Una volta caricato il corpus e impostati i pattern morfosintattici per l estrazione, il software provvederà ad identificare la terminologia specialistica. Oltre a offrire la funzione di estrazione terminologica, Terminology Wizard è in grado di costituire una vera e propria banca dati per la gestione della terminologia acquisita. I termini estratti possono essere velocemente passati al setaccio per determinare quali scartare e quali conservare. Ulteriori funzioni prevedono inoltre anche la stampa dei risultati ottenuti e la possibilità di utilizzare un concordancer integrato con il software per analizzare il contesto d uso dei termini estratti automaticamente. 23

27 Capitolo V Capitolo V Analisi del glossario e del corpus di riferimento Considerazioni generali La prima questione che si è posta nella fase di progettazione del nostro esperimento è stata quella riguardante la necessità di confrontare i risultati ottenuti con i vari strumenti di estrazione terminologica con un glossario di riferimento, compilato manualmente. Dato il carattere molto particolare del presente lavoro, che intende verificare il possibile impiego di strumenti informatici per l'interprete professionista, è stata ponderata la possibilità di utilizzare come riferimento un glossario compilato da un'interprete professionista in visione di una conferenza tecnico-scientifica. Il problema insito però in questa procedura era quello dell'elevato grado di soggettività caratteristica della compilazione manuale di un glossario, aggravata dal fatto che un interprete compila sempre un glossario pensando al proprio fabbisogno personale (terminologia conosciuta/non conosciuta, espressioni che creano maggiori problemi, ecc.). Tale caratteristica rende un glossario di questo tipo, anche se molto aderente alla realtà, per forza di cose poco adatto ad essere utilizzato come parametro di paragone per la valutazione di sistemi di estrazione automatici e quindi per loro natura oggettivi. Vista questa considerazione, si è infine optato per un glossario compilato professionalmente nell ambito di una tesi di laurea in campo terminologico e quindi tendenzialmente più oggettivo. L'obiettivo è stato quello di reperire un glossario che avesse le seguenti caratteristiche: - provata qualità - tema molto specialistico - presenza di tre lingue 24

28 Capitolo V - realizzazione sulla base di corpora linguistici Visti i molti lavori di natura terminologica raccolti nelle varie tesi scritte con la collaborazione del Laboratorio di Terminologia della SSLiMIT, si è optato per quello compilato per la tesi Leucemia linfoblastica acuta in età pediatrica: proposta di glossario trilingue italiano-tedesco-inglese (Bordoni, 2001). Caratteristiche del glossario di riferimento Il glossario di riferimenti (GdR) è dunque un glossario trilingue altamente specializzato che si caratterizza per l elevata cura data alla ricerca dei traducenti nonché per l utilizzazione nella fase di compilazione del tool Wordsmith. Nell elaborazione del GdR il tool era però stato utilizzato come normale concordancer per analizzare i contesti d'uso dei vari termini e non come strumento per tentare un estrazione (semi)-automatica della terminologia specialistica. Il glossario è composto da tre liste di termini trilingue e da 544 schede terminologiche. Per il nostro esperimento sono state rilevanti soprattutto le liste trilingue che in ultima analisi costituiscono l'obiettivo da raggiungere con i metodi di estrazione automatica. In appendice è riportata la lista completa dei termini che costituiscono il glossario di riferimento. Il numero di termini, le cosiddette voci di ciascuna lingua, è riportato nella seguente tabella: Numero di termini Italiano 177 Tedesco 175 Inglese 193 Tabella 1: Termini contenuti nel glossario di riferimento Come è possibile evincere dalla Tabella 1 non siamo di fronte ad un glossario simmetrico, nel senso che ogni lista (monolingue) non è composta 25

29 Capitolo V dallo stesso numero di termini e conseguentemente non tutti i termini hanno trovato il proprio traducente in tutte le lingue. Uno sguardo alle varie voci è sufficiente per comprendere che si tratta di un glossario altamente specializzato in cui hanno trovato spazio soltanto i termini più tecnici relativi all'ambito delle leucemie linfoblastiche. Questo fa pensare che il bacino di utenza di tale glossario possa essere quello di esperti del settore o di traduttori specializzati che non abbiano quindi bisogno di quella terminologia, sempre medica, ma più generale, che è comunque indispensabile alla buona riuscita della comunicazione intra e interlinguistica. Il fatto che è possibile identificare il pubblico cui è destinato tale glossario si ricollega al principio della relatività del termine, e quindi del glossario, e della sua dipendenza dal fruitore finale a cui più volte si fa riferimento in questa ricerca (v. Il termine e la sua registrazione, Tassonomia). Caratteristiche dei corpora specialistici I corpora specialistici conservati nel Laboratorio di Terminologia e gentilmente messi a disposizione per il nostro studio sono dei comparable corpora, cioè «corpora whose components are chosen to be similar samples of their respective languages» (Tognini e Bonelli, 2001:7). Tali corpora monolingui vengono descritti da Gavioli e Zanettin come: Collections of texts in languages of similar types and on similar topics [ ] which provide with material for contrastive analysis not just of lexical and grammatical usage, but also of features of text structure and discourse organization. (1997) Gavoli e Zanettin approfondiscono anche lo status dei corpora specialistici in un'ottica contrastiva che è anche alla base del nostro studio: 26

30 Capitolo V A specialized corpus is not to be taken as representing general language to a lesser extent than a large corpus, but as representing the particular population of texts it is a sample of to a greater extend than a large corpus is able to. (1997) I corpora da cui è stato creato il glossario di riferimento sono costituiti da file di diversi formati (DOC, PDF, HTML, PPT) convertiti in file di testo (ASCII) per poter essere elaborati con Wordsmith. Il corpus italiano è composto da 16 testi, quello tedesco da 15 e quello inglese da 34: Linee Parole Byte Italiano Tedesco Inglese Tabella 2: Dimensioni dei corpora specialistici compilati manualmente Per verificare che tutti i termini riportati nel GdR fossero effettivamente presenti nella raccolta di testi a disposizione si è passato al setaccio i corpora a disposizione. Questa operazione ha evidenziato che un certo numero di termini (quantificabile nel 10% del totale) non erano stati estratti dai corpora in formato testo a disposizione. Con molta probabilità questi traducenti provengono dagli altri testi non formattati in TXT e che quindi non sono diventati parte integrante dei corpora ufficiali del lavoro terminologico (forse per le difficoltà di formattazione in file testo di file PPT o PDF protetti da password), ma che sono stati ugualmente utilizzati per le ricerche terminografiche. Per far sì che venissero considerati a fini statistici solo i termini effettivamente presenti nei corpora, si è provveduto a ripulire il GdR di tutti i termini non contenuti nei suddetti corpora. Il numero di lemmi per ogni lingua dopo questa fase è riportato in Tabella 3: 27

31 Capitolo V Termini iniziali Termini finali Italiano Tedesco Inglese Tabella 3: Numero di termini del GdR presenti nei corpora 28

32 Capitolo VI Capitolo VI Metodo di analisi dei dati ottenuti Recall e precision Nella linguistica computazionale e in particolar modo nell ambito dell estrazione terminologia e dell Information Retrieval si ricorre spesso a due concetti, recall e precision, che possiamo definire molto concisamente con le parole di Ahmad e Roger: Recall is the proportion of relevant materials retrieved from a text collection given a set of terms. Precision is the proportion of retrieved materials that are relevant. (2001: 748) In altre parole, dato un corpus contenente un certo numero di termini, recall è la percentuale di termini candidati effettivamente estratta in relazione al numero totale di termini contenuti nel corpus. La percentuale di quei termini considerati validi, calcolata in relazione ai termini estratti, costituisce invece la precision. Come osserva Strehlow (201: 429), il rapporto tra recall e precision è in genere inversamente proporzionale: all aumentare del valore di recall tipicamente diminuisce la precision. Questa caratteristica gioca un ruolo molto importante nel determinare le condizioni di lavoro dei software di estrazione terminologica. Risulta sempre necessario, come nel caso dei nostri esperimenti, determinare un punto in cui fermare l estrazione o, più esattamente, un punto che faccia da cesura fra i possibili termini candidati e quelli che non si vogliono considerare. L obiettivo ideale è ovviamente quello di avere una lista 29

33 Capitolo VI finale di termini candidati che contenga tutte le unità terminologiche che compongono il testo da cui sono stati estratti e nessun termine da scartare. Il principio che sta alla base del rapporto recall/precision può essere meglio compreso se si pensa al seguente paradosso: se si operasse un estrazione terminologica in cui tutte le parole si utilizza il termine parola per identificare qualsiasi combinazione di lettere e non per forza un termine (v. Il termine e la sua registrazione) venissero estratte (recall 100%), allora avremmo sì tutti i termini, ma al contempo anche il più alto numero possibile di quelle non desiderate, il cosiddetto rumore, e di conseguenza il valore della precision sarebbe basso. Diminuendo il valore di recall, oltre a ridurre il numero di termini che vengono estratti, si andrà invece con tutta probabilità a eliminare anche alcuni termini che si avrebbe voluto ottenere come output del processo. Nonostante ciò, se al diminuire dei termini estratti aumenterà la proporzione dei termini considerati accettabili, l andamento del valore di precision tenderà comunque ad aumentare. Estremizzando ci si potrebbe trovare nuovamente di fronte ad un paradosso: estrarre una sola parola, un termine, ottenendo così una precision del 100%. Idealmente il sistema di estrazione terminologica perfetto è quello in grado di operare un estrazione in cui la precision risulti essere del 100% tutti i termini da estrarre sono stati individuati e che presenti al contempo un valore di recall del 100% fra le parole estratte ritroviamo soltanto termini. Ovviamente un sistema di questo tipo non esiste e probabilmente non esisterà mai. A impedirne la realizzazione non concorre soltanto l aspetto tecnico, ma anche quello teorico: cosa si vuole davvero estrarre? È sufficiente pensare al lavoro terminologico tradizionale. Due terminologi che lavorano sullo stesso testo e per lo stesso committente tenderanno comunque a identificare una serie leggermente differente di termini. Risultati più uniformi si possono ottenere soltanto istruendo i terminologi su cosa esattamente dovrà essere estratto. Lo stesso principio vale anche per l estrazione semi-automatica. I modelli di estrazione fino ad ora sviluppati non sono però ancora così sofisticati da poter raggiungere quel grado di risoluzione che permetta di 30