Fünfte Sitzung - Das Lexikon in der Computerlinguistik (CL1), der Computerlexikographie (CL2) und der Computerkorpuslinguistik (CL3)

Was ist Computerlexikographie (CL2)?

• lexikalische Informationen aus MRD extrahieren
• Lexika erstellen für NLP-Systeme
• Computertechniken verwenden um Wörterbücher für Menschen zu erstellen
• keine Unterscheidung zwischen Computerlexikologie und Computerlexikographie
• drei Ziele für CL2:
  • Techniken zur automatischen Lexikonerstellung (sowohl neuer als auch übernommener)
  • Entwicklung von Methoden für die automatische Lexikonerstellung für die:
    • maschinelle Verwendung
    • Verwendung durch den menschlichen Benutzer

Menschliche versus maschinelle Verwendung

• MRD besteht aus einem Band mit Wörterbuch und Informationen zum Setzen
• reiche Quelle für lexikalisches Wissen
• deshalb besser ein existierendes MRD umzusetzen, als ein neues selbst zu bauen
• trotzdem bleibt es ein Wörterbuch für den menschlichen Benutzer
• setzt linguistische Hintergrundinformation und Weltwissen beim Benutzer voraus
• verwendet visuelle Attribute um bestimmte Informationen anzuzeigen
• Liste der Lexikoneinträge ist in alphabetischer Reihenfolge organisiert
• Wörterbuch für maschinellen Gebrauch muß explizite formale Beschreibung der Daten haben
• Vergleiche und Beziehungen zwischen den Lexikoneinträgen sollen möglich sein
• Wörterbücher für menschlichen Gebrauch sind meist nicht detailiert genug
• erste Ausgabe des LDOCE enthielt eine detaillierte Unterkategorisierung der wichtigen Wortklassen
• wie sinnvoll ist es, ein MRD für NLP umzusetzen

Das Lexikon in CL2

• kritsche Phase in CL2 als automatische Erstellung von Wörterbüchern für fortgeschrittenere Anwender erwartet wurde
• NLP-Systeme benötigen explizite Informationen:
  

  Information-Retrieval - IR:

  braucht relationelle Thesauri

  Frontends und Textanalyse:

  braucht Wortmuster und Wortformen

  Textgenerierung:

  braucht größeren lexikalischen Datenbestand

  maschinelle Übersetzung:

  braucht Lexikondatenbanken für mehrere Sprachen

• Korpus jetzt auch Datengrundlage für OALD, LDOCE, CIDE und TCEED

Beispiele von Erzeugnissen der CL2:

• ,,Oxford Advanced Learner's Dictionary`` (OALD)
  • brauchbarer Umfang an Informationen
  • es lesen zu können war dabei die einzige Computeranwendung
  • unstrukturierte Form der Zeilen
  • schwierig verschiedene Informationen zu identifizieren
• ,,Longman Dictionary of Contemporary English`` (LDOCE)
  • Computer wurde aktiver eingesetzt
  • Programme zur Konsistenzprüfung
  • eigens entworfener Satz von Verbmustern und Adjektivkategorien
  • Auswahl des Vokabulars der Definitionen anhand von Frequenzkriterien und pädagogischer Eignung
  • Wortbedeutungsinformationen
• ,,Collins-Birmingham University International Language Database`` (COBUILD)
  • von einem Korpus (7,3 Millionen Wortformen) hergeleitet
  • verwendet daher nur real vorkommende Beispiele
  • Programme für die Extraktion der Daten, zur Erstellung der Datenbankeinträge und für den Zugriff darauf
  • Verwendung des Computers in allen vier Schritten der traditionellen Lexikographie:
    1. Sammlung der Daten
    2. Auswahl der Lexikoneinträge
    3. Erstellung der Lexikoneinträge
    4. Zusammenstellung der Lexikoneinträge
  • gedruckte Version hat eine Extra-Spalte für:
    • formale/grammatische Charakteristika:
      • Syntax
      • Kollokationen
      • Morphologie
      • Etymologie
      • Phonologie
    • sematische Charakteristika:
      • Einheitlichkeit von Referent und Weltwissen
      • lexikalische Mengen (Wortfelder)
      • Nebenbedeutungen und Anspielungen
      • Übersetzungsäquivalente
      • Rede- und Satzfunktionen
      • Pragmatik
  • Surface-Grammar von Sinclair

Was ist Computerkorpuslinguistik (CL3)?

• Korpuslinguistik betreibt das Studium der Sprache auf der Basis von Korpora
• zunehmender Einsatz von Computern zur Speicherung, Verarbeitung und Analyse
• Speicherung riesiger Datenmengen sowie Methoden und Technologien der Informatik
• Wandelung vom Teilgebiet der Sprachuntersuchung zur methodologischen Grundlage
• Fokus der Computerkorpuslinguistik:
  1. linguistische Performanz
  2. linguistische Beschreibung
  3. quantitative Modelle der Sprache
  4. empirische Sicht der wissenschaftlichen Untersuchung
• In Zukunft sind immer größere Mengen von Daten zu verarbeiten
• Früher war eine Million laufender Wortformen viel, heute sind es erst 100 bis 1.000 Millionen
• nicht alleine die Größe ist das Maß aller Dinge
• Sammlung von maschinenlesbaren Texten ist Korpus, wenn sie repräsentativ sind
• vier Sorten von Textsammlungen:

  Archiv:

  elektronisch lesbare Texte ohne Zusammenhang

  Elektronische Bibliothek:

  zusammenhängende elektronisch lesbare Texte

  Korpus:

  Untermenge einer elektronischen Bibliothek

  Subkorpus:

  Untermenge eines Korpus

Das Lexikon in CL3

• Lexikon ebenfalls als eine periphere Komponente betrachtet
• Techniken für qualifizierte Analyse der Sprache
• Methoden, um die lexikalischen und lexikographischen Informationen zu extrahieren
• als eine Alternative oder Ergänzung zu den MRDs
• Methodologie vom COBUILD-Projekt dazu besser geeignet als herkömmliche Lexikographie oder Intuition eines CL1-Linguisten
• erweiterbar zum Erwerb von lexikalischem Wissen
• schritthalten mit der Entwicklung der Sprache