Språkgranskningsverktyg, vt 2009

Transkript

1 , vt 2009 Föreläsning 8 Scania Checker evapet@stp.lingfil.uu.se 1

2 Föreläsningsöversikt Kontrollerat språk Scania-svenska Scania Checker Demo 2

3 Kontrollerat språk Delmängd av naturligt språk Restriktioner på vokabulär, grammatik och stil Man vill uppnå: enhetlig layout, terminologi och stavning ökad läsbarhet tydlighet (undvik tvetydighet, ex close) grammatisk och terminologisk korrekthet full täckning på vokabulär, terminologi och grammatik maskinöversättningsbar text 3

4 Restriktioner i Simplified English Undvik passiv form Använd artikel i nominalfraser i så stor utsträckning som möjligt Använd enkla tempusformer Var konsekvent i språkbruk och meningsuppbyggnad Undvik flerledade sammansättningar Använd korta meningar 4

5 Exempel på kontrollerade språk AECMA Simplified English luftfartsindustrin t ex Boeing Simplified English (1990) Caterpillar Technical English (CTE) KANT-systemet IBM EasyEnglish Scania Swedish 5

6 IBM EasyEnglish Different system users may operate on different objects using the same application program. 6

7 IBM EasyEnglish Different system users may operate on different objects using the same application program. Ambigous attachment of verb phrase: using the same application program. Who/what is using the same application program, Different system users or different objects? If Different system users, a possible rephrasing would be: by using the same application program ; If different objects, a possible rephrasing would be: different objects that use the same application program. 7

8 IBM EasyEnglish It is the number defined in the file or result field definition. 8

9 IBM EasyEnglish It is the number defined in the file or result field definition. Ambiguity in: "the file or result field definition". Possible rephrasings: "the result field definition or the file" or "the file definition or the result field definition" or "the file field definition or the result field definition" or "the definition of the file or of the result field" or "the field definition of the file or of the result" 9

10 IBM EasyEnglish (prototyp) Guilt, vengeance, and bitterness can be emotionally destructive to you and your children. You must get rid of them. 10

11 IBM EasyEnglish (prototyp) Guilt, vengeance, and bitterness can be emotionally destructive to you and your children. You must get rid of them. Ambiguous pronoun reference: them. 11

12 Hur upplevs kontrollerat språk? Finns ett motstånd från användarna: Krångligt och tidsödande att lära sig Känner sig inte fria att skriva som de vill Måste lära sig själva det kontrollerade språket Måste lära sig den programvara som används för att se till att det kontrollerade språket följs Den tid man spar på maskinöversättning äts upp av den tid det tar för skribenten att anpassa sitt skrivande till det kontrollerade språket 12

13 Uppnås målet? Undersökningar har visat att kontrollerat språk: ger högre kvalitet på texten ökar läsbarheten ger bättre översättningar (manuella såväl som maskinella) 13

14 Komponenter i en checker Ordkontroll rätt terminologi rätt stavningsvariant (color/colour) akronymer (IKEA/Ikea) Grammatikkontroll Stilkontroll ord- och meningslängd datumformat Ersättningsförslag 14

15 Scania Checker Mål: Minska översättningskostnaden Minska antalet termvarianter (öka läsbarheten) Korrekt grammatik 15

16 Bakgrund 1995: samarbete med Institutionen för lingvistik, UU projektkorpus, ca 7000 sidor 1996: korpus konverterad till TEI SGML definition av Scania-svenska 1997: prototyp av Scania Checker klar 1998: ny korpus (> 6000 filer) 16

17 Bakgrund (forts) 1999: UCP-analys klar administrationsverktyg klara 2000: driftsättning : samarbete med Convertus AB vidareutveckling av Checkern anpassning till maskinöversättning 17

18 Moduler Tokenisering och meningssegmentering (Perl) Lexikal databas (SQL) med webbgränssnitt för lexikonsökning och uppdatering: godkända ord minusord reguljära uttryck för alfanumeriska uttryck Grammatikkontroll med UCP3 Färguppmärkning 18

19 Principer för synonymval Om något av orden ingår i TermLex, så välj det Välj det ord som ligger närmast allmänspråket Välj det ord som har högst frekvens i servicelitteraturen Välj det mest översättningsvänliga ordet 19

20 Reguljära uttryck för hantering av alfanumeriska uttryck [0-9]+:e [0-9]*1:a [A-Z]+[0-9]+ [0-9]+\s\% [0-9][\*xX][0-9] DTOSB DTOSB XXX XXX XXX 20

21 Färguppmärkning Gulmarkering okända ord (saknas i lexikonet) Rödmarkering minusord med ersättningsförslag Lilamarkering stavfel 21

22 Färguppmärkning (forts) Blåmarkering ord som bör användas med försiktighet ex. turbo turboladdare/turboteknik dock bilen är utrustad med turbo Grönmarkering grammatikfel ordfel som inte kan hanteras av ordkontrollen 22

23 Exempel på grammatikfel som Scania Checker hanterar (1) Fel numerus på adjektivet i predikatsfyllnaden Fjäderbromscylindrarna är kombinerad med membrandel för färdbromsdelen Fel form på substantivet Detta läget används när man vill förvärma bränslefiltret alla områden med en belastningen större än 1 Fel form av pronominet efter preposition När de programmerade resistanserna läses ut från fordonet kan det hända att de som visas inte överensstämmer med de som programmerats 23

24 Exempel på grammatikfel som Scania Checker hanterar (2) Särskrivna sammansättningar D43 hindrar att utrustning ansluten till C89 kopplas bort vid fel på ABS systemet Varvtals avvikelsen är större än 10 % Fel verbform CTT måste var ansluten till fordonet när du direktstartar värmaren 24

25 Exempel på grammatikfel som Scania Checker hanterar (3) Överflödigt infinitivmärke Gör alltid fordonet strömlöst innan du börjar att arbeta med en krockkudde eller en bältessträckare Infinitivmärke saknas Detta för skydda systemet mot överhettning Om Du väljer Inaktiv så kommer man bara kunna ställa in tomgångsvarvtalet med hjälp av farthållarreglaget Byt ut klamma mot klämma Sätt fast elkablarna 13 och 14 med en klamma 25

26 Falska alarm i Scania Checker Arbetar mening för mening Partiell analys av meningen Om ord saknas i lexikonet, så kan det påverka analysen av omkringliggande ord Felaktig meningssegmentering Påfyllningsslang med anslutningar, Slangen är försedd med överfallsmutter i ena änden och gängad anslutning för lokal anpassning i den andra 26

27 Scania Checker idag Ca 60 användare Används och uppskattas av de tekniska skribenterna Språkutvecklare läser av användarlogg och lägger in nya ord i lexikonet Planer på integrering med maskinöversättning (Convertus-systemet) Samma analysformalism (UCP3) och lexikonuppbyggnad i båda systemen 27

28 Exempel på beställda uppdateringar av Checkern, 2008 Bättre förklaringar av grammatikfel Kontrollera att ersättningsordet finns med i lexikonet Felmarkera perifrastisk komparation om ordet går att böja morfologiskt Ta hänsyn till ordklass för minusord Spåra användningsfrekvens för ord 28

29 Dags att dema