211service.com
AAD22L: Automatische acroniemdetectie in 22 talen onthuld in Europa
We hebben allemaal de ervaring gehad een rapport, wetenschappelijk artikel of gewoon een lang nieuwsartikel te lezen dat is verpest door TMUA (Too Many Unnecessary Acroniemen). De auteur introduceert één acroniem in de eerste alinea, andere in de tweede en derde alinea, wat leidt tot een laatste alinea die niet meer is dan een aaneenschakeling van onbegrijpelijke hoofdletters.
Vandaag hebben we hulp dankzij het werk van Maud Ehrmann aan de Sapienza Universiteit van Rome in Italië en een paar vrienden die een tekstanalysator hebben ontwikkeld die meer dan 1 miljoen acroniemen in 22 verschillende talen herkent. Het werk maakt deel uit van een bredere inspanning om de inhoud van nieuwsberichten te analyseren om de berichtgeving in de media over organisaties, bedrijven, overheden enzovoort bij te houden.
De taak om acroniemen in tekst te herkennen is relatief eenvoudig. Deze jongens hebben een algoritme aangepast dat oorspronkelijk is ontwikkeld om acroniemen in medische teksten in het Engels te herkennen. Het zoekt naar korte uitdrukkingen in hoofdletters tussen haakjes en gaat ervan uit dat de woorden direct links van de haakjes de lange vormuitbreiding van het acroniem zijn.
Het algoritme filtert vervolgens de resultaten om letterreeksen te verwijderen die zaken als valutasymbolen en een spatie na de eerste letter enzovoort bevatten.
Dat leidt tot een paar onvermijdelijke problemen. De ene doet zich voor wanneer het algoritme het acroniem helemaal niet herkent. De belangrijkste reden voor niet-herkenning zijn gevallen waarin de korte vorm van het acroniem in een andere taal is dan de lange vorm, zoals in de Duitse Vereinigte Nationen (UNO), waar de Duitse lange vorm wordt gevolgd door de Engelse korte vorm, zeg Ehrmann and co. (UNO staat voor de Organisatie van de Verenigde Naties, beter bekend als de VN in het Engels.
Een ander probleem is wanneer het algoritme de verkeerde lange versie van een acroniem vindt. Een voorbeeld hiervan is Charles Otieno (CEO) en komt vaak voor met generieke acroniemen die kunnen worden toegepast op een groot aantal mensen of organisaties.
Desalniettemin zijn deze problemen klein en werkt het algoritme over het algemeen goed. Ehrmann en co zeggen dat het acroniemen vindt met een nauwkeurigheid van meer dan 90 procent voor alle 22 talen die ze hebben getest, met uitzondering van Frans (87 procent).
En ze speculeren dat het goed zou moeten werken met elke taal die hoofdletters gebruikt om acroniemen weer te geven. Hoewel we vermoeden dat de methode goed zal werken met talen die bijvoorbeeld het Cyrillische of Griekse alfabet gebruiken, zal het waarschijnlijk niet goed werken voor talen die het Arabische of Hebreeuwse schrift gebruiken, omdat deze geen onderscheid maken tussen hoofdletters, zeggen ze.
Ehrmann en co hebben plannen om het werk nog verder uit te breiden. Een idee is om manieren te vinden om de lange vormen van acroniemen in verschillende talen aan elkaar te koppelen. Een andere is manieren te vinden om acroniemen automatisch te herkennen en te begrijpen die niet gepaard gaan met hun lange vormuitbreiding (een lastig probleem, zelfs voor mensen). Dat is misschien mogelijk door de lokale context te ontginnen voor aanwijzingen, maar dit is een ambitieus doel.
Interessant is dat drie van de vier auteurs achter dit werk zich in het Gemeenschappelijk Centrum voor Onderzoek bevinden, het onderzoekslaboratorium van de Europese Commissie in België. Taal is een belangrijk en kostbaar probleem voor de EC, het uitvoerend orgaan van de Europese Unie. Het moet de communicatie vergemakkelijken tussen mensen in 28 landen die 24 officiële talen gebruiken, tegen een kostprijs van ongeveer 330 miljoen euro per jaar, of ongeveer 60 cent voor elke EU-burger.
Er is dus veel interesse om dit zoveel mogelijk te automatiseren. Acroniemen zijn kleine maar nuttige eerste stap.
Referentie: arxiv.org/abs/1309.6185 : acroniemherkenning en -verwerking in 22 talen