3. Stilkontrolle. 4. Terminologiekontrolle

Transkript

1 Heinz Dieter Maas Multilingualität in Mpro Im folgenden soll das System Mpro vorgestellt werden, an dem seit genau dem 20. Dezember 1992 im Institut für Angewandte Informationsforschung in Saarbrücken gearbeitet wird. Das Kürzel Mpro bedeutet Morphologisches Programm. Es handelt sich um ein Softwarepaket, das mit Lexika zusammenarbeitet, um jeder Wortform, wie sie in einem Text vorkommt, linguistische Informationen zuzuweisen. Mpro ist die Grundlage einer ganzen Reihe von Werkzeugen zur Textbearbeitung, die im folgenden etwas näher betrachtet werden sollen. 1. Rechtschreibkontrolle Die einfachste Anwendungsmöglichkeit für ein Morphologieprogramm ist die automatische Kontrolle der Rechtschreibung. Wenn das Programm ein Wort nicht analysieren kann bzw. diesem nur eine Minimalinformation zuweist, dann ist anzunehmen, daß dieses dem System unbekannte Wort wahrscheinlich falsch geschrieben ist. Natürlich kann es sich auch um einen ungewöhnlichen Namen oder um ein Wort aus einer fremden Sprache handeln. Jedenfalls ist es sinnvoll, den Verfasser des Textes darauf hinzuweisen, daß hier möglicherweise ein Fehler vorliegt. Viele Schreibprogramme enthalten bereits einen Modul zur Orthographiekontrolle, melden aber immer noch zu viele Wörter als möglicherweise falsch. Der Editor WORD, mit dem ich das Konzept zu diesem Artikel geschrieben habe, meldet mir die Wörter Morphologieprogramm und Orthographiekontrolle als mögliche Schreibfehler, obwohl er die Bestandteile Morphologie, Orthographie, Programm und Kontrolle kennt. Mit einer vollständigen morphologischen Analyse wie Mpro könnte man diese allzu große Strenge vermeiden. Andererseits bergen die morphologischen Verfahren auch die Gefahr, falsch geschriebene Wörter als richtig anzuerkennen. Auch WORD betrachtet das Wort Stielkontrolle als korrekt, genau wie Mpro, denn nach den Regeln der deutschen Wortbildung ist nichts daran auszusetzen. (Allerdings gibt es in MPRO die Möglichkeit, solche Fehler zu verhindern, wenn sie einmal aufgefallen sind). Die Rechtschreibkontrolle des IAI berücksichtigt außerdem Abkürzungen (wie usw. ) und Akronyme (wie IAI oder AIS), die mit einer benutzerspezifischen Liste verglichen werden können. Auch Ad-hoc-Abkürzungen werden identifiziert und dem Verfasser als mögliche Fehler angezeigt. 2. Grammatikkontrolle Wenn ein Text orthographisch korrekt und morphologisch analysiert ist, kann man eine komplexere Aufgabe in Angriff nehmen, nämlich den Text auf grammatische Fehler hin prüfen. Nach der Morphologieetappe trägt jedes Textwort morphologischsyntaktische Informationen, die es erlauben, die Struktur der einzelnen Sätze zu ermitteln. Dafür braucht man natürlich eine formale Grammatik, die den Satzbau in der vorliegenden Sprache beschreibt sowie ein Lexikon, dem zusätzliche grammatische oder semantische Informationen zu entnehmen sind, die man mit der Morphologie alleine nicht ermitteln kann. Beispielsweise kann die Morphologie feststellen, daß das Wort Straßenbahn ein gutes deutsches Wort ist, das aus Straße und Bahn zusammengesetzt ist, daß es ein feminines Substantiv im Singular ist aber es ist nicht zu erwarten, daß die Morphologie herauskriegen kann, daß eine Straßenbahn ein Verkehrsmittel ist, weil das Wort Bahn selbst zu mehrdeutig ist. Die Grammatikkontrolle ist ein wichtiges Instrument für alle, die Texte in einer Sprache verfassen müssen, die nicht ihre Muttersprache ist. Nicht-Muttersprachler

2 können sich leicht im Geschlecht eines Substantivs irren, eine Präposition mit falschem Kasus benutzen oder einen falschen Objektkasus gebrauchen. Aber auch für Muttersprachler ist die Syntaxprüfung sinnvoll. Wenn man sich vertippt und mir statt mit schreibt, wird dies natürlich nicht von der Rechtschreibkontrolle entdeckt. Oder man ändert das Wort durch in von ab und vergißt dabei, den nachfolgenden Artikel nun in den Dativ zu setzen. Am IAI gibt es einen auf Mpro beruhenden Syntax- Checker, der solche Fehler entdecken kann und eventuell sogar noch auf den entsprechenden Paragraphen in der Duden-Grammatik verweist. Ähnliche Hilfsmittel gibt es auch schon in handelsüblichen Editoren, wie z.b. WORD, das mir auch in diesem Aufsatz einen Flexionsfehler nachweisen konnte. Viele von diesem System vermutete Fehler sind allerdings nur darauf zurückzuführen, daß die Grammatikkomponente schwach entwickelt ist und etwas komplexere sprachliche Strukturen einfach nicht versteht. 3. Stilkontrolle Wenn der Text orthographisch und grammatisch in Ordnung ist, kann er immer noch unverständlich sein. Ein Programm zur Stilkontrolle sollte den Verfasser darauf hinweisen, wo Gründe für eventuelle Unverständlichkeit liegen. Diese Kontrolle hängt stark davon ab, welche Art Text man schreiben will. Am IAI ist ein solches Programm für technische Redakteure entwickelt worden, die Beschreibungen für Maschinenteile bzw. Reparaturanweisungen verfassen. In diesem Bereich achten wir beispielsweise darauf, daß keine zu langen Komposita im Deutschen verwendet werden. Spezifisch für Reparaturanweisungen ist, daß Arbeitsabläufe sprachlich in der Reihenfolge beschrieben werden sollen, wie sie tatsächlich auch ablaufen. Ein Satz wie Ehe Sie die Besenaufhängung ausbauen, sollten Sie den Kehrmaschinenmotor abstellen würde von diesem Programm mehrfach getadelt. Besser wäre a. Motor der Kehrmaschine abstellen. b. Besenaufhängung ausbauen Das Programm zur Stilkontrolle beachtet dabei auch, daß keine Modalverben benutzt werden und die Befehle als Infinitivsätze realisiert werden sollen. Neben dieser Art der Stilkontrolle gibt es ein Programm, das Texte wie ein Deutschlehrer benotet. Es benutzt dazu ein Wörterbuch, in dem allerlei sprachliche Dummheiten und Übertreibungen zu finden sind, die sich an einzelnen Wörtern festmachen lassen. Darüber hinaus verabscheut das Programm lange Komposita, Ableitungen auf ung, die Verwendung von werden und die Modalverben. Das Programm merkt sich alle tadelnswerten Wörter und berechnet dann für jeden Satz eine Note und am Ende eine Gesamtnote für den Text. Neben einem häufig vernichtenden Urteil über seinen schrecklichen Stil erhält der Benutzer allgemeine Verbesserungshinweise und diejenigen Sätze, die dem Computer am meisten mißfallen haben. Wir vermuten, daß der automatische Deutschlehrer keine große Marktchance hat. Seine Kritik zu ertragen, dazu bedarf es schon eines kräftigen Selbstbewußtseins! Übrigens ist an dem ersten Kapitel der Bibel nach Meinung dieses Programms nichts auszusetzen. 4. Terminologiekontrolle In technischen Texten hängt die Verständlichkeit auch vom Gebrauch der korrekten Fachbegriffe ab. Große Firmen haben zum Teil ihre eigene Terminologie, die nicht immer ganz mit der Terminologie des Fachgebiets, in dem sie tätig sind, übereinstimmt. Die technischen Redakteure besitzen daher Terminologielisten, die sie im Zweifelsfall konsultieren sollten. Ohne Computerunterstützung ist das jedoch eine etwas mühsame Arbeit. Am IAI wurde daher ein Programm entwickelt, das Wörter entdeckt, die möglicherweise anstelle eines korrekten Fachbegriffs verwendet wurden.

3 Eine der Grundlagen ist dabei die morphologische Struktur des fraglichen Wortes. Wenn diese ähnlich zu der Struktur eines Fachbegriffs ist, wird das entsprechende Wort als verdächtig markiert. Beispiele: a. Unterschiedliche Derivation b. Weglassung von Wortbestandteilen c. Verschiedene Schreibweisen Zur Terminologiekontrolle kann man auch die Überprüfung der Abkürzungen und Akronyme zählen. 5. Verschlagwortung Wenn man Textdokumente in einer Datenbank speichert, dann will man sie auch irgendwann wieder finden können. Man versucht das zu ermöglichen, indem man jedem Dokument Deskriptoren zuordnet, also Wörter, die den Text charakterisieren. Wenn man nach diesen Schlagwörtern sucht, ist die Chance groß, zutreffende Dokumente wieder aufzufinden. Am IAI wurde ein Programm entwickelt, das Texten derartige Schlagwörter zuordnet. Grundlage hierzu ist wieder Mpro, das vor allem jedem Substantiv eine semantische Beschreibung mitgibt, d.h. eine grobe Charakterisierung seiner Bedeutung. In einem ersten Schritt ermittelt das Programm diejenigen semantischen Merkmale, die am häufigsten im Dokument vorkommen. Die entsprechenden Substantive werden dann gesammelt, und falls Adjektive vorkommen, die von einem Substantiv abgeleitet sind, werden auch diese Substantive zur Liste der wichtigen Wörter hinzugefügt. Diese wichtigen Wörter sind aber meist nicht die, die vom Verwalter der Dokumentendatenbank als Deskriptoren zugelassen sind. Allerdings gehört zu einer solchen Datenbank normalerweise ein Thesaurus, d.h. ein Wörterbuch, das die zulässigen Deskriptoren zusammen mit sinnverwandten Wörtern sowie Ober- und Unterbegriffen enthält. Diesen Thesaurus kann man nun verwenden, um die zunächst ermittelten wichtigen Wörter durch Deskriptoren zu ersetzen. Das Deskribierungssystem des IAI verfügt außerdem noch über ein Lexikon, das Städten, Landschaften, Flüssen usw. das Land zuordnet, in dem sie liegen. Bekannten Firmen wird auch noch ihre Branche zugeordnet. Die so zu erzielenden Ergebnisse dürften nahe an die Qualität der manuellen Deskribierung heranreichen. 6. Abstracting Normalerweise sind Zeitungsartikel oder wissenschaftliche Aufsätze viel zu lang für eine Speicherung in einer Dokumentendatenbank. Außerdem möchte ein Benutzer zunächst einmal eine Zusammenfassung des Artikels lesen, um zu entscheiden, ob das Ganze für ihn wirklich interessant ist. Sehr hilfreich wäre es, wenn man aus einem langen Aufsatz eine Kurzfassung herstellen könnte, wenn noch kein vom Verfasser geschriebenes Resümee vorliegt. Auch hierzu gibt im IAI ein Verfahren, das auf Mpro basiert und die Liste der wichtigen Wörter wie oben beschrieben benutzt. Das Programm berechnet für jeden Satz so etwas wie seine Informativität (d.i. die relative Häufigkeit der darin enthaltenen wichtigen Wörter) und gibt am Ende die etwa zehn informativsten Sätze aus. Interessanterweise sind dies bei gegliederten Texten meist die Kapitelüberschriften, obwohl das Programm darauf überhaupt keinen expliziten Bezug nimmt. 7. Phonetisierung Neben den grammatischen Informationen kann Mpro auch die Aussprache jedes Textwortes ermitteln, die in der sog. SAMPA-Notation ausgegeben wird. Diese Textphonetisierung könnte die Grundlage für ein Vorlesegerät sein, und erste Versuche in dieser Richtung sind auch schon gemacht worden. Die Ermittlung der

4 Aussprache ist in den bisherigen Vorlesegeräten bei zusammengesetzten Wörtern ein ganz großes Problem, da die Aussprache stark von der Wortstruktur abhängt. Ein Wort wie Feierabend wird, falls es nicht in einer Ausnahmeliste steht, wie Fei-e-ra-bent und nicht als Fei-er-a-bent gelesen. Da die Morphologie dieses Wort als Feier-Abend beschreibt, ist die richtige Aussprache kein Problem mehr. Wie wir oben schon angedeutet haben, läßt sich das Ergebnis der morphologischen Analyse durch eine syntaktische Analyse vervollständigen. Wenn diese vorliegt, sind nicht nur die Wörter in ihre Bestandteile zerlegt, sondern auch die Sätze sind strukturiert, so daß zusammengehörende Wortgruppen als Einheiten erkennbar sind. Für das Vorlesen eines Textes ist diese Gliederung wichtig, da sich dadurch die Prosodie verbessern läßt und dem monotonen Tonfall beim automatischen Vorlesen entgegengewirkt werden kann. Auf diesem Gebiet haben wir jedoch bisher keine Experimente durchführen können, da andere Aufgaben vordringlicher waren. 8. Übersetzung Der Traum des Computerlinguisten ist die vollautomatische und perfekte Übersetzung, die von der Zeitschrift STERN zu Beginn der 70er Jahre für 1976 vorhergesagt wurde. Mittlerweile sind zwei Jahrzehnte vergangen und dem hohen Ziel ist man nur wenig näher gekommen. Immerhin können wir Übersetzungshilfen anbieten, vor allem für Deutsch-Englisch und Englisch-Deutsch, wofür wir über Lexika von jeweils Einträgen mit Fachgebietsmarkierungen verfügen. Technisch sind mehrere Möglichkeiten realisiert: Der Benutzer kann z.b. mit der Maus ein Wort anklicken und erhält dafür alle Übersetzungen in die vorher eingestellte Zielsprache. Wenn ein bestimmtes Fachgebiet bevorzugt werden soll, wird dies beim Übersetzen berücksichtigt. Ist ein zusammengesetztes deutsches Wort nicht als ganzes im zweisprachigen Lexikon zu finden, dann versucht das Programm eine Übersetzung aufgrund der Bestandteile, die ja wegen der stets mitlaufenden morphologischen Analyse bekannt sind. Der Benutzer kann aber auch ganze Wortgruppen oder Sätze markieren, die der Computer ihm übersetzen soll. In diesem Fall muß dann eine komplette Satzanalyse erfolgen, die Übersetzungsregeln müssen angewandt werden und schließlich muß auch eine syntaktische und morphologische Synthese in der Zielsprache durchgeführt werden. Bei dieser Vielzahl von Operationen gibt es natürlich auch viele Fehlerquellen, die bei komplizierten Texten das Ergebnis völlig unverständlich werden lassen. Bei der heutigen Geschwindigkeit der Computer geht dabei glücklicherweise nicht allzuviel Zeit verloren (Mein Computer schafft etwa 13 Worte pro Sekunde). Wenn man die Ausgangssprache kaum kennt, ist die vollautomatische maschinelle Übersetzung eines ganzen Textes schon eine große Hilfe, für einen Übersetzer meist aber reine Zeitverschwendung. Das Nachschlagen in einem großen Lexikon einfach durch Anklicken eines Wortes scheint mir dagegen sehr hilfreich zu sein. Eine weitere Übersetzungshilfe besteht darin, dem Benutzer ein alphabetisch sortiertes zweisprachiges Glossar zu seinem Text zu erstellen. 9. Lemmatisierung Bei der Lemmatisierung oder dem Tagging geht es darum, die Wörter in Abhängigkeit von ihrem Kontext zu disambiguieren, d.h. sie grammatisch zu vereindeutigen. Das Ergebnis kann dann für linguistische Untersuchungen verwendet werden oder man benutzt es als Grundlage für die maschinelle Übersetzung und andere Aufgaben. Fast alle oben skizzierten Anwendungen, die auf dem Morphologiemodul Mpro beruhen, sind im Rahmen des Projekts MULTILINT in einer Benutzeroberfläche

5 zusammengefaßt worden, wo sie durch Mausklicks aufgerufen und gesteuert werden können. Sobald man eine Textdatei zum Bearbeiten öffnet, wird notwendigerweise Mpro gerufen, da dessen Ergebnisse die Grundlage für jede weitere Arbeit sind. Da Mpro mehrere Sprachen bearbeiten kann, wird zuerst die Sprache des Textes festgestellt, auch wenn der Benutzer schon festgelegt hat, welcher Quellsprache der Text angehört. Das System läuft in dieser Form auf Workstations, da unser Kooperationspartner, der das System auf seine praktische Verwendbarkeit testet, mit Workstations arbeitet (und auch unser Institut fast nur Workstations benutzt). Alle Komponenten, die am IAI entwickelt wurden, sind aber in der Programmiersprache C geschrieben, so daß es kein Problem macht, sie unter DOS auf einem PC laufen zu lassen. Bisher haben wir nur davon gesprochen, welche Anwendungen die Existenz von Mpro möglich macht. Wir wollen deshalb auch noch einiges zur Funktionsweise von Mpro selbst sagen. Unter dem Aspekt der Analyse besteht die Aufgabe von Mpro darin, jeder Buchstabenfolge je nach der gewählten Sprache ein Paket von Informationen zuzuordnen. Bei normalen Wörtern erwartet man mindestens die Angabe der Grundform (Zitatform) und die Wortklasse (Substantiv, Verb, Adjektiv usw.). Mpro liefert weiterhin Flexionsinformationen (Kasus, Numerus, Genus, Tempus, Person je nach der Wortart), sowie die Wortstruktur, d.h. die Zerlegung des Wortes in seine Bestandteile. Wie erwähnt, wird auch immer eine semantische Klassifikation geliefert und eventuell auch die Aussprache. In normalen Texten gibt es aber auch viele Buchstabenfolgen, die der Verfasser oder seine Firma ad hoc gebildet hat, z.b. Akronyme oder irgendwelche Handelsbezeichnungen (etwa S318 und ähnliches). Natürlich müssen auch Datumsangaben oder Zahlen in Ziffern klassifiziert werden. Vom linguistischen Standpunkt aus gesehen sind die richtigen Wörter natürlich viel interessanter. Mpro arbeitet bei der Analyse eines Wortes mit einem Morphemlexikon zusammen, nicht etwa mit einer Riesenliste von Wortformen oder Stämmen. Die Morpheme sind sozusagen die Atome einer Sprache, die nicht mehr weiter zerlegt werden können (es sei denn in einzelne Buchstaben). Ähnlich wie man aus Wörtern unter Beachtung einer Grammatik Sätze bilden kann, so werden aus Morphemen unter Beachtung der Wortbildungsregeln Wörter geformt. Mpro kennt die Wortbildungsregeln für einige Sprachen, vor allem für Deutsch, Französisch und Englisch, aber auch für Spanisch, Portugiesisch, Italienisch, Latein, Russisch, Bulgarisch, Griechisch, Esperanto und auch etwas für Niederländisch. Die Lexika für Deutsch, Französisch und Englisch sind etwa gleich umfangreich. Sie enthalten jeweils etwa Einträge, die Allomorphen, d.h. verschiedenen Formen von Morphemen entsprechen. ( Beispielsweise sind haus und häus die Allomorphe des Morphems Haus). Im Deutschen entsprechen den Allomorphen rund Morpheme. Diese Anzahl scheint auf den ersten Blick nicht sehr groß, es ist aber fast unmöglich, irgendein deutsches Wort, auch ein Fremdwort aus der Medizin oder ein Kunstwort aus der Chemie zu finden, das Mpro nicht identifizieren kann. Vermutlich kennt man als durchschnittlich gebildeter Deutscher nicht einmal die Hälfte dieser Wörter. Das deutsche Morphemlexikon enthält auch eine große Anzahl von Namen (Familiennamen, Vornamen, auch ausländische) sowie viele Namen von Städten, Ländern und Flüssen. Zum Teil besitzen die Einträge eine Markierung, aus welcher Sprache sie stammen. Ein großer Teil des lateinischen und griechischen Wortschatzes ist im deutschen Morphemlexikon vertreten, da diese Morpheme vor allem in der Medizin auftreten und dort auch sehr produktiv weitere Wörter bilden (die es in den Originalsprachen nie gegeben hat!).

6 Das Vorgehen bei der Erkennung eines Wortes ist folgendes: Zunächst wird versucht, das Wort nach allen Möglichkeiten in Bestandteile zu zerlegen, für die es im Lexikon einen Eintrag gibt. Danach wird diesen einzelnen Buchstabenketten die im Lexikon vorhandene Information zugeordnet. Als nächstes werden wieder Wortbestandteile entfernt, von denen es klar ist, daß sie nie in die Wortbildung eingehen (etwa er als Suffix am Wortanfang). Nach dieser Aufräumarbeit wird die morphologische Grammatik angewandt, die versucht, zwei oder drei Stämme zu einem weiteren Stamm zusammenzufügen. Dabei spielen natürlich die Informationen aus dem Lexikon eine wichtige Rolle. Wenn es gelingt, wenigstens eine komplette Struktur für das gesamte Wort zu bauen, ist die Analyse beendet und die Ergebnisse werden ausgegeben. Für die Analyse benutzen wir zwei unterschiedliche Programme, die durch die unterschiedlichen Möglichkeiten der Wortbildung in den vorliegenden Sprachen bedingt sind. Für alle behandelten Sprachen gilt, daß sie ihre Wörter durch Derivation, Flexion und Präfigierung bilden, so daß ein Wort fast immer nach der Formel zerlegt werden kann. Hierbei bedeutet S = ^pref + nva + *deriv W = S + flex S: Stamm ^pref: Es ist ein oder kein Präfix vorhanden nva: Es ist genau ein Morphem der Klasse Nomen, Verb oder Adjektiv vorhanden *deriv: Es ist eine Folge von Derivationsmorphemen vorhanden, eventuell auch keines W: Wortform flex: Es ist immer ein Flexionsmorphem vorhanden (darf Null-Morphem sein) Im Deutschen gibt es darüber hinaus die Zusammensetzung oder Komposition, d.h. Textwörter können auch die Form W = S + S + flex, W = S + S + S + flex usw. haben. Dabei können zwischen den Stämmen noch Fugenelemente wie s, es, n, en, - auftreten. Die meisten in Texten vorkommenden deutschen Wörter sind natürlich einfach, d.h. sie besitzen nur einen Stamm (ein S). Die meisten zusammengesetzten Wörter bestehen aus zwei Stämmen, aber auch dreigliedrige Komposita sind nicht allzu selten. Komposita mit fünf oder gar sechs Stämmen sind kaum zu finden. Trotzdem zeigt die Formel, daß es praktisch unmöglich ist, den Umfang des deutschen Wortschatzes abzuschätzen. Ein Morphologieprogramm, das nur die Flexion behandelt, wäre für das Deutsche zum Scheitern verurteilt. Ein vor kurzem durchgeführtes Experiment hat gezeigt, daß man mit einem Wörterbuch von etwa Grundformen (die also noch flektiert werden dürfen) nur etwa 70 % des Wortschatzes eines (technischen) Textes abdecken kann.