211service.com
AAD22L: Automatisk akronymdetektion på 22 sprog afsløret i Europa
Vi har alle haft oplevelsen af at læse en rapport, videnskabelig artikel eller bare en lang nyhedsartikel, der er ødelagt af TMUA (Too Many Unnecessary Acronyms). Forfatteren introducerer et akronym i første afsnit, andre i andet og tredje afsnit fører til et sidste afsnit, der ikke er mere end en sekvens af uforståelige store bogstaver.
I dag har vi hjælp takket være Maud Ehrmanns arbejde ved Sapienza Universitet i Rom i Italien og nogle få venner, der har udviklet en tekstanalysator, der genkender over 1 million akronymer på 22 forskellige sprog. Arbejdet er en del af en bredere indsats for at analysere indholdet af nyheder for at holde styr på mediernes dækning af organisationer, virksomheder, regeringer og så videre.
Opgaven med at spotte akronymer i tekst er forholdsvis enkel. Disse fyre har tilpasset en algoritme, der oprindeligt blev udviklet til at se akronymer i medicinske tekster på engelsk. Den leder efter korte udtryk med store bogstaver i parentes og antager, at ordene umiddelbart til venstre for parenteserne er den lange formudvidelse af akronymet.
Algoritmen filtrerer derefter resultaterne for at fjerne bogstavsekvenser, der inkluderer ting som valutasymboler og et mellemrum efter det første bogstav og så videre.
Det fører til et par uundgåelige problemer. Den ene opstår, når algoritmen slet ikke kan genkende akronymet. Den væsentligste årsag til ikke-anerkendelse er tilfælde, hvor akronymets korte form er på et andet sprog end den lange form, såsom i den tyske Vereinigte Nationen (UNO), hvor den tyske lange form efterfølges af den engelske korte form, siger Ehrmann og co.(UNO står for Organisationen af De Forenede Nationer, mere almindeligt kendt som FN på engelsk.
Et andet problem er, når algoritmen finder den forkerte langformede version af et akronym. Et eksempel på dette ville være Charles Otieno (CEO) og har en tendens til at forekomme med generiske akronymer, der kan anvendes på et stort antal mennesker eller organisationer.
Ikke desto mindre er disse problemer mindre, og algoritmen fungerer generelt godt. Ehrmann og co siger, at den finder akronymer med en præcision på mere end 90 procent for alle 22 sprog, som de testede, med undtagelse af fransk (87 procent).
Og de spekulerer i, at det burde fungere godt med ethvert sprog, der bruger store bogstaver til at repræsentere akronymer. Selvom vi har mistanke om, at metoden vil fungere godt med sprog, der bruger for eksempel det kyrilliske eller græske alfabet, vil den sandsynligvis ikke fungere godt for sprog, der bruger de arabiske eller hebraiske skrifter, fordi disse ikke skelner mellem små og store bogstaver, siger de.
Ehrmann og co har planer om at udvide arbejdet yderligere. En idé er at finde måder at forbinde de lange former for akronymer på tværs af forskellige sprog. En anden er at finde måder til automatisk at genkende og forstå akronymer, der ikke er ledsaget af deres lange formudvidelse (et vanskeligt problem selv for mennesker). Det er måske muligt ved at finde spor i den lokale kontekst, men dette er et ambitiøst mål.
Interessant nok er tre ud af de fire forfattere bag dette arbejde på Joint Research Centre, Europa-Kommissionens forskningslaboratorium i Belgien. Sprog er et betydeligt og dyrt problem for EF, EU's udøvende organ. Det skal lette kommunikationen mellem mennesker i 28 lande, der bruger 24 officielle sprog til en pris på omkring 330 millioner euro om året, eller omkring 60 cent for hver EU-borger.
Så der er en betydelig interesse i at automatisere så meget af dette som muligt. Akronymer er små, men nyttige første skridt.
Ref: arxiv.org/abs/1309.6185 : Akronymgenkendelse og -behandling på 22 sprog