Tabu. Jaargang 31

[p. 183]

Nieuwe boeken

W. Daelemans, K. Sima'an, J. Veenstra en J. Zavrel, Computational Linguistics in the Nederlands 2000. Selected papers from the eleventh CLIN meeting. Rodopi, Amsterdam - New York, 2001, Pp. 204, (Language and Computers no 37.) ISBN: 90-420-1257-9 (gebonden), 90-420-1247-1 (paperback). Prijs: Euro 48,- (gebonden) en euro 23,- (paperback).

Dit boek is een selectie uit de lezingen die op de elfde CLIN-dag aan de KU Tilburg werden gehouden op 3 november 2000. Zoals de redactie reeds opmerkt in zijn voorwoord, wordt de CLIN-dag steeds meer een internationaal fenomeen, en het aandeel van niet-Benelux lezingen op die dag was bijna 50%. Een ander teken des tijds valt op te merken in de verwijzingen bij elk artikel: meer en meer vinden we urls in plaats van de gebruikelijke bibliografische verwijzingen. De bundel bestaat uit een keynote address van Gregory Grefenstette (Clairvoyance Corp., Pittsburgh) over ‘Very Large Lexicons’, gevolgd door de reguliere lezingen.

Grefenstette gaat in op enkele belangwekkende nieuwe ontwikkelingen, zoals de opkomst van het World Wide Web, dat middels zoekmachines als Altavista of Google gezien kan worden als een enorm groot en steeds groeiend corpus, en de beschikbaarheid van steeds grotere harde schijven. Samen maken deze ontwikkelingen het mogelijk om iets te maken dat nog niet bestaat, en dat Grefenstette aanduidt als ‘very large lexicon’, een lexicon gebaseerd op het Web, via abstractie en vereenvoudiging van de informatie die daar te vinden is. Dit moet een woordenboek worden dat niet alleen woorden met hun woordsoort en betekenis(sen) bevat, maar ook informatie geeft over hun relatieve frequentie, hun collocatiepatronen en afhankelijkheidsrelaties. Een dergelijk woordenboek kan nuttig zijn voor bijv. OCR (het automatisch omzetten van optische patronen in tekst), ter correctie van foutief geïnterpreteerde letters, automatische herkenning van spraak, e.d., maar ook voor automatisch vertalen. Ik veronderstel dat een dergelijk woordenboek voorlopig nog wel niet buiten de sturende hand van getrainde lexicografen zal kunnen, maar het staat buiten kijf dat veel van het vieze werk van de lexicograaf, zeg maar het kaartenbakkenwerk, tegenwoordig gemakkelijk kan worden geautomatiseerd, en feitelijk gebeurt dat ook al in ruime mate. Het Very Large Lexicon, dat een beetje lijkt op reeds bestaande lexicons zoals CELEX, maar dan gebaseerd op een corpus dat vele malen groter is, zal wel niet lang op zich laten wachten. Misschien zien de bedrijven die zoekmachines bouwen en onderhouden er brood in.

Julie Carson-Berndsen, Gina Joue en Michael Walsh van University College Dublin presenteerden ‘Phonotactic Constraint Ranking for Speech Recognition.’ Het model dat zij voorstellen blinkt overigens niet echt uit, met een percentage herkende lettergrepen van slechts 37%.

In ‘Through a glass darkly’ bespreekt het duo Lars Borin en Klas Prütz van de universiteit van Uppsala woordsoortdistributie in oorspronkelijke en vertaalde teksten, in het kader van een ‘attempt to move studies of translation effects into the syntactic arena.’ De auteurs hebben n-grammen van woordsoorttags in naar het Engels vertaalde Zweedse teksten vergeleken met het oorspronkelijke Zweeds en enkele standaardcorpora van het Engels. Hieruit bleek onder meer dan zinnen die beginnen met een voorzetsel frequenter zijn in uit het Zweeds vertaald Engels dan in gewoon Engels. De oorzaak hiervoor is de grotere mate van topicalisatie in het Zweeds. Hoewel het Engels zeker topicalisatie kent en toestaat, is de mate waarin dit gebeurt minder omvangrijk dan in talen als het Zweeds (of Nederlands). Juist in het overbenutten van een overigens

[p. 184]

niet verboden mogelijkheid verraad zich het ‘translationese.’ De auteurs melden dat ze ook het een en ander te zeggen hebben over het onderbenutten van mogelijkheden, maar dat bewaren ze voor een andere gelegenheid.

In ‘Alpino: Wide-coverage Computational Analysis of Dutch’ werpt het trio Gosse Bouma, Gertjan van Noord en Robert Malouf van de RU Groningen zich op het ontleden van unrestricted text. Met andere woorden, het gaat om parsers die robuust genoeg zijn om woorden aan te kunnen die niet in hun lexicon staan en ook niet opzij gaan voor een nieuw gebruik van een reeds bekend woord. De Alpino-grammatica is in de HPSG-traditie geschreven en bouwt voort op eerder werk in het kader van het OVIS-project, het project Corpus Gesproken Nederlands, en CELEX. Het artikel beschrijft een aantal technieken om uit een verzameling van mogelijke ontledingen de beste te kiezen.

Een meer beschouwend artikel is ‘Revolution in Computational Linguistics. Towards a Genuinely Applied Science’ van Pius ten Hacken (Universiteit van Basel). Deze auteur is van mening dat de computertaalkunde een revolutionaire verandering heeft ondergaan in de jaren negentig, eentje van het type dat met name door het werk van de wetenschapsfilosoof Kuhn in de belangstelling is komen te staan. Hierbij gaat ten Hacken vooral in op de ontwikkelingen rondom automatisch vertalen. Hij betoogt dat de revolutie bestond uit een heroriëntatie op het vakgebied, waarbij niet het toepassen van taalkundig theoretisch gedachtengoed op de eerste plaats kwam, zoals in de jaren zeventig en tachtig van de vorige eeuw, maar het vinden van passende oplossingen voor praktische problemen, waarbij grotendeels voorbij wordt gegaan aan theoretische ontwikkelingen. Het is inderdaad onmiskenbaar dat theoretische ontwikkelingen in de jaren negentig in de theoretische taalkunde, zoals Minimalisme, maar ook Optimality Theory, relatief weinig sporen hebben nagelaten in praktische toepassingen, zeker vergeleken met eerdere ontwikkelingen zoals de opkomst van theorieën als HPSG in de jaren tachtig die juist zeer invloedrijk zijn geweest in de computationele taalkunde. Ik denk dat een citatie-analyse van bladen als Computational Linguistics of Machine Translation ook een neergang van verwijzingen naar tijdschriften als Linguistic Inquiry of Language zal laten zien. Het is voor de computationele taalkunde goed dat ze meer toegepast is geworden, omdat dit fondsenverwerving, en daarmee de toekomst op de lange termijn van het gebied kan veiligstellen, maar of het ook goed is voor de theoretische taalkunde dat ze enigszins marginaal dreigt te worden voor praktische toepassingen, valt te betwijfelen, misschien ook te betreuren, maar denkelijk niet te verhelpen.

Van de hand van het kwartet Heleen Hoekstra, Michael Moortgat, Ineke Schuurman en Ton van der Wouden (Universiteit van Utrecht, en KU Leuven) is de bijdrage ‘Syntactic Annotation for the Spoken Dutch Corpus Project (CGN).’ Het Corpus Gesproken Nederlands zal, wanneer het voltooid is, ongeveer 10 miljoen woorden spraak bevatten, waarvan een deel (10%) syntactisch geannoteerd zal worden. Het artikel bevat onder meer een lijst van alle woordtags die onderscheiden worden. Hoewel het project gebruik zal maken van automatische woord-soorttoekenning, zal het resultaat door menselijke deskundigen gecontroleerd worden, omdat automatische woordsoorttoekenning nog altijd niet verder komt dan 96% tot 97% correct bij willekeurig tekstmateriaal.

Het volgende artikel, ‘Part-of-Speech Tagging with Two Sequential Transducers’ van André Kempe (Xerox Europe), houdt zich bezig met het zoëven gememoreerde probleem van woordsoorttoekenning langs automatische weg. Het finitestate-systeem dat Kempe bespreekt is iets minder accuraat dan bestaande taggers gebaseerd op hidden Markov models, maar wel tien keer zo snel. Kempe meent dat dit voordeel doorslaggevend kan zijn bij toepassingen als information retrieval, het

[p. 185]

onderwerp van ‘Different Approaches to Cross-Language Information Retrieval’ van Wessel Kraaij en Renée Pohlmann (TNO). Hier gaat het erom, bijv. in het Engels gestelde vragen te beantwoorden aan de hand van bijv. Franse of Italiaanse teksten.

Het Roemeens-Spaanse kwartet S. Marcus, C. Martín-Vide, V. Vitrana en Gh. P·un bespreekt ‘A New-Old Class of Linguistically Motivated Regulated Grammars.’ Hierin wordt een ‘mild contextgevoelig’ type formalisme besproken dat teruggaat op een voorstel van Bellert uit de jaren zestig.

In ‘CGN to Grail. Extracting a Type-Logical Lexicon From the CGN Annotation’ borduren Michael Moortgat en Richard Moot (Universiteit van Utrecht) voort op het thema van het corpus gesproken Nederlands. Ze laten zien hoe het werk, verricht in het kader van dit corpus, ook ingezet kan worden voor het bouwen van een categoriale grammatica.

Thierry Poibeau (Paris-Nord) en Leila Kosseim (Montreal) behandelen het thema ‘Proper Name Extraction from Non-Journalistic Texts.’ De auteurs betogen dat het vinden, langs automatische weg, van eigennamen in andere tekstsoorten dan kranten moeilijker is, omdat kranten vaak een eigennaam-markeerder als Mr. of Mrs. hanteren, in tegenstelling tot andere media. Dit probleem, hoe triviaal ook vanuit een taalkundig perspectief, is van groot belang in information retrieval. De auteurs bespreken een aantal van de problemen waarvoor diverse bestaande systemen komen te staan als ze worden losgelaten op niet-journalistieke teksten.

Ielka van der Sluis (KU Brabant) en Emiel Krahmer (IPO) bespreken in hun artikel ‘Generating Referring Expressions in a Multimodal Context’ een algoritme voor het genereren van definiete uitdrukkingen.

Erik F. Tjong Kim Sang (Universiteit van Antwerpen), ondanks zijn driedubbele achternaam een van de weinige niet-duo's, -trio's of -kwartetten in deze bundel, richt zijn pijlen in ‘Transforming a Chunker to a Parser’ op het onderwerp machine learning, terwijl de troika Antal van den Bosch, Emiel Krahmer en Marc Swerts (KU Brabant, IPO en Universiteit van Antwerpen) zich bezighouden met ‘Automatic Detection of Problematic Turns in Human-Machine Interactions.’

Al met al biedt deze bundel een aardig overzicht van wat er in de diverse takken van de computationele taalkunde verricht wordt in de Lage Landen. Alleen het belangrijke gebied van de computationele fonetiek blijft grotendeels onbelicht, waarschijnlijk omdat de fonetici en spraakmensen hun ei elders leggen. De redactie had van mij iets meer aandacht mogen besteden aan de verzorging van de teksten. De illustraties bij het artikel van Grefenstette doen nogal slordig aan (Fig. 5 bijv. bevat tellingen in een quasi-numerieke volgorde die wel wat exacter had gekund, fig. 7 vergelijkt ‘behalve hen’ met ‘behalve hun’ zonder rekening te houden met het feit dat hun naast een persoonlijk ook een bezittelijk voornaamwoord is, terwijl de voorbeelden ‘hun hebben het’ en ‘ze hebben het’ ten onrechte als ‘preposition choice errors’ worden gepresenteerd, etc.).

Jack Hoeksema