NorNa: Datafangst ved hjælp af en nordisk søgemaskine Arbejdsmøde 10. til 12. oktober 2003 på Hotel KOLDINGFJORD. Notat fra mødet

Transkript

1 NorNa: Datafangst ved hjælp af en nordisk søgemaskine Arbejdsmøde 10. til 12. oktober 2003 på Hotel KOLDINGFJORD Notat fra mødet Deltagere: Nina Pilke, Niina Nissilä, Øivin Andersen, Magnar Brekke, Marita Kristiansen, Lotte Weilgaard, Gert Engel, Ruth Feil lørdag: Torben Dahl Jensen, Bertha Toft Fra NorFa: Henrik Holmboe Referat: udarbejdet af Ruth Feil Korpusopbygning TV-brugervejledning Fremskaffelsen af de planlagte tekstsæt har vist sig at være vanskeligere end forudset. Derfor valgtes som første tekstsæt en TV-brugervejledning, der forelå på alle arbejdssprog, således at arbejdet i det hele taget kunne komme i gang og deltagerne kunne blive bekendt med softwaren. Behandlingen af teksten skal ses som en eksemplarisk øvelse, der kan give anledning til diskussioner af forskellige problemstillinger. Ad denne vej er der tilvejebragt et brugbart testkorpus. ARKTIS (Arktisk Miljø i Norden) Lotte har fået kontakt til en medarbejder ved Nordisk Ministerråd, Lars Ballieu Christensen, som havde fået kendskab til NorNa gennem årbogen, og som viste sig at være meget interesseret i projektet. Gennem ham var det lykkedes at få skaffet noget materiale, der foreligger på alle de nordiske sprog, der er relevante for projektet, og på engelsk: Arktisk miljø i Norden. Udgangsteksten for ARKTIS har været svensksproget. For at undgå, at der opstår problemer med rettigheder til teksten, vil Gert kontakte Nordisk Ministerråd, eventuelt med lovning om at deponere den elektroniske udgave af teksten hos dem. Ulempen ved materialet er, at det ikke foreligger i elektronisk form. Derfor skal teksterne scannes, inden de kan alignes og behandles terminologisk. Alignment gennemføres således, at den tekst, der står på venstre side i det alignede dokument, er på det sprog, på hvilket termkandidaterne skal ekstraheres, mens teksten i højre side skal forekomme på de sprog, på hvilke ækvivalenterne skal findes. De scannede tekster kan stilles til rådighed både i txt-format og som Word-dokumenter, de alignede filer kommer til at foreligge i Word-format. Txt-formatet ønskes af hensyn til en eventuel XML-kodning. Det blev nævnt, at ARKTIS-korpus på længere sigt kan udbygges med andre tekster, der omhandler samme emne. 1

2 Økonomi/bankvæsen Det tredje tekstsæt, der skal behandles, bør handle om økonomi/bankvæsen. Hvad der måtte komme til at mangle, hvis alle sprogene ikke er repræsenterede, må blive suppleret vha. Internettet/andre kilder. Marita nævnte, at der foreligger/kommer til at foreligge internationale regnskabsstandarder på alle EU-sprog, som kunne indgå i projektets tekster. Teksterne foreligger på dansk og finsk, mens man i Norge søger efter oversættere, der kan påtage sig oversættelsen til norsk. Perspektiver De to tekstsæt, der nu skal arbejdes med, vil kunne karakteriseres på følgende måde: Arktis er et ægte fællesnordisk emne, mens de internationale regnskabsstandarder er et område, hvor vi alle bliver presset udefra af engelsk, og hvor der på norsk skal fastlægges en terminologi. For projektet som sådan er det positivt, hvis man allerede nu kan se, at man har potentielle interessenter, for Arktis' vedkommende Nordisk Ministerråd, og for de internationale regnskabsstandarder kan man forestille sig, at norske oversættere/de, der skal sørge for oversættelserne, måtte være interesseret. Header Ang. teksternes headere blev følgende besluttet: Kildebeskrivelse Ændringer/bemærkninger Forfatter man skelner mellem anonym og ukendt Virksomhed ændres til 'firma' Teksttitel Værktitel (ugeblad ol.) Lokalisering (fx sider) ændres til 'kildehenvisning' (f.eks. s ) Forlag Udgivelsessted Udgivelsesår Tekstbeskrivelse Sprog Kommunikationspartnere / Setting Teksttype Genre Emne Oversættelse (ja/nej) Omfang (antal ord/tokens) ændres til 'fagsproglighedsgrad', med 'høj', 'middel, 'lav' ændres til teksttype/tekstfunktion med følgende muligheder: informativ, argumentativ, expositorisk (= forklarende) direktiv, instruktiv, appellativ udelades, dvs. skal slettes ændres til klassifikation THT-systemet Gert og Ruth præsenterede THT-systemet i den videreudviklede udgave, og Torben viste, hvordan man anvendte systemet. Kollokation vs. kontekst: Vi kan nøjes med et felt med overskriften 'context/collocation'. Definitionsfeltet skal som overskrift have 'definition/explanation'. De 'associerede begreber' har i programmet fået betegnelsen 'associerede termer', hvilket skal ændres. ASSO-begrebernes placering i begrebsvinduet: 2

3 Det blev foreslået at anbringe dem i en knude, der får betegnelsen 'associerede begreber til ' dvs. til den knude, de er associerede begreber til. Hierarkiske relationer Et diskussionspunkt var arterne af relationer. Det blev konstateret, at der ikke er mulighed for synliggørelse af relationernes art, udelukkende at der er tale om hierarkiske relationer. Spørgsmålet om hvorvidt der er behov for at markere, at en term tilhører et "hierarkisk" begreb eller et associeret begreb, blev gemt til senere, når man på baggrund af konkrete data bedre kan forholde sig til problemet. Projektet drejer sig om brugbare løsninger, ikke udelukkende rigtige løsninger! Problemet ang. afsending af søgebegreber blev berørt: P.t. kan man kun afsende et ad gangen. Ligeledes berørtes problemet ang. søgning på et bestemt sprogs internetsider. Muligheden for at afsende flere søgebegreber på en gang kræver, at brugeren kan notere de foreløbigt valgte søgebegreber. De endelige kravspecifikationer til THT-systemet En ny status OV (= ortografisk variant) skal tilføjes. Klassificerende status'er MA (Main Area), SA (Sub Area), CT (Concept Tree) skal tilføjes (Topterm udelades). I begrebsvinduet bør det være muligt at slå nummereringen til og fra; default bør være 'ingen tal'. 'Definition' udvides med '/explanation', 'context' med '/collocation'. ASSO-begreberne anbringes i en knude, der får betegnelsen 'associerede begreber til ' dvs. til den knude, de er associerede begreber til. Begrebsvinduet: Desuden blev det diskuteret, hvorvidt det var tilstrækkeligt at se begrebsvinduet i en monolingval udgave, eller om der var et ønske om (og mulighed for) at se benævnelserne på flere sprog på en gang. Resultatet på diskussionen blev, at Kolding forsøger at lave 3 forslag, som sendes til høring: 1. en løsning med et felt til ensprogede oplysninger og et til ækvivalenter 2. et forslag udelukkende med et felt til ensprogede data med statusangivelser 3. et forslag med udelukkende ækvivalenter og sprogkodeangivelse (og sandsynligvis uden mulighed for at medtage statusangivelser). Afsending af søgebegreber: Der skal etableres en mulighed for at man kan afsende flere søgebegreber ad gangen. Dette forudsætter, at brugeren har et sted, hvor han/hun kan notere de foreløbigt valgte søgebegreber. Meddelelser Nina og Niina berettede kort fra NorFa-seminaret i Reykjavik og Nordterm-konferencen på Gotland. 3

4 Planlægning og fordeling af arbejdsopgaver TV-brugervejledning: Ruth skal sørge for, at de alignede tekster dansk-svensk (TV-brugervejledningen) bliver sendt til Bergen. Bergen indlæser de manglende svenske ækvivalenter til TV-brugervejledningens termbase. (det bør checkes med Henrik Nilsson, om han er gået i gang) og sender dem til Ruth. Hun indføjer desuden eksempler med de nye statuskategorier og udsender herefter den komplette termbase til alle deltagere sammen med en ny version af Termplus-programmet. Økonomi/Bankvæsen Bergen fremskaffer tekster til sættet Økonomi/Bankvæsen. Hvis der er mulighed for det, bør deltagerne kunne få de nye tekstsæt at se inden det næste Bergenmøde. ARKTIS Fra Kolding skal der komme et forslag til, hvordan vi trinvis går videre med Arktis et samlet udspil ang. Arktis og et forløbsskema, som Bergen så eventuelt kan tage udgangspunkt i. Arktisteksterne skal scannes, i mindre bidder sendes til korrekturlæsning og til sidst alignes (Kolding). Finnerne tager sig af både svensk og finsk. Behandlingen af Arktisteksten (termkandidater, klassificering) blev delt op på den måde, at Kolding tager sig af teksten frem til s. 54, finnerne tager sig af s , og hvis der er tid, fortsætter Kolding med den efterfølgende tekst. Dette betyder følgende for alignmentet af teksterne: s skal foreligge med den danske tekst i venstre side og så hhv. norsk, svensk, finsk og engelsk i højre side, s skal foreligge med svensk i venstre side og hhv. dansk, norsk, finsk og engelsk i højre side, - og hvis Kolding kan nå at behandle nogle af de efterfølgende sider, bliver alignmentet som ved siderne Sluttelig blev det kort berørt, om man skulle tage kontakt til Arktis-miljøer, hvilket i forbindelse med en validering af de ekstraherede termer vil være ønskeligt. Bidrag til NorFas årbog Bidrag til NorFas årbog skal foreligge ultimo oktober (muligvis lidt senere). NorNas bidrag bliver i form af en afrapportering/statusrapport inkl. planerne for den kommende tid (ikke en forskningsrapport). Blackboard Brugen af Blackboard blev kort berørt. Indtil videre er Blackboard kun blevet brugt til udsendelse af mails til alle deltagere, men Blackboard rummer jo også muligheder som diskussionsforum. Hjemmeside Afsluttende blev det bemærket, at NorNas hjemmeside skal opdateres. 4

5 Budget Lotte fremlagde budgettet for projektet. Bl.a. er der afsat penge til deltagelse i TAMA i Köln i november 2004, jf. nedenfor. De vigtigste bemærkninger kan sammenfattes til følgende: Til udarbejdelse af arbejdsmateriale i Kolding er der afsat godt DKK Desuden er der kalkuleret med DKK til studentermedhjælp i efteråret Dette tal er er noget usikkert, da det bl.a. afhænger af, hvor meget af ARKTIS korpus, der skal scannes. Til software er der pr. sprog afsat DKK 5.000, dvs. i alt DKK Dækning af arbejdstid ifm. administration er placeret i afslutningen af projektet; hertil er der i alt afsat DKK Til møder ol. i løbet af 2004 er der afsat knap DKK : marts (på mødet rykket til april) i Bergen, afsluttende møde i Kolding i august og deltagelse i TAMA-konferencen i november/december. Det bemærkes, at det netop afholdte arbejdsmøde sandsynligvis kommer til at ligge godt DKK under det budgetterede beløb. Det næste møde blev aftalt til d april 2004 i Bergen. På mødet i foråret 2004 skal hovedpunktet være korpusarbejde. På det sidste møde var Corpus Bench blevet nævnt som et muligt korpusbehandlingsprogram. Desværre vil ikke alle deltagere kunne arbejde hermed, da det kun kører på Unix. Det vil derfor være ønskeligt at finde alternativer, der ligger på en WINDOWS-platform. Desuden bør det drøftes, i hvilken udstrækning der skal foretages en opmærkning med XML. Øivin vil udsende et notat om minimal opmærkning. Endelig skal det diskuteres, hvordan evalueringen skal tilrettelægges. Afsluttende møde: august i Kolding. Forelæggelse af slutrapport på TAMA-konferencen (Köln, november 2004). 5