Computergestützte Analyse multilingualer Korpora Elke Teich 3. Februar 2003

1. Computergestützte Analyse multilingualer KorporaElke Teich3. Februar 2003

2. Wozu Korpora? • empirische Grundlage bei linguistischen Fragestellungen • Grundlage für computerlinguistische Modellierung: Trainieren statistischer Verfahren, machine learning (z.B. Parser, Grammatiken) • Was will man an multilingualenKorpora untersuchen? Beispiele: • Sprachunterschiede unter Berücksichtigung von Gebrauchsbedingungen (Sprachtypologie, Texttypologie) • L2-Lehr/Lernmaterialien (kontrastive Linguistik) • Maße für Übersetzungsqualität (Übersetzungswissenschaft) • translation memories (Maschinelle Übersetzung) • Wie geht man dabei vor? • viele Daten (> zig tausend Wörter): computergestützte Analyse

3. Übersetzungen • Was ist daran interessant? Textsorte, • an der wir Multilingualität (z.B. Sprachtypologie, • kontrastive Linguistik) „in action“ sehen können • die wir im Alltag ständig antreffen • Übersetzungen haben etwas „Spezielles“, das sie von • Texten unterscheidet, die keine Übersetzungen sind. • Wie kann man dieses „Spezielle“ herausarbeiten? • Beobachtungen formulieren, • an multilingualem Korpus überprüfen, • computerlinguistische Techniken einsetzen.

4. leichteste Gasgeräten Hydrogen burns to form water Lexik Syntax The secret strength of hydrogen Übersetzung: Alta Vista (Systran) Aller chemischen Elemente ist Wasserstoff in der Struktur und zuerst in der Verschiedenartigkeit seines chemischen Verhaltens das einfachste. Das Element selbst besteht als das Molekül H2, das als das hellste aller Gase weithin bekannt ist. Obgleich Industrie dieses Gas auf einer großen Skala benutzt, wird sie selten im täglichen Leben aus- genommen angetroffen, um Ballone zu füllen. Gleichwohl in 25 Jahren Zeit festsetzen sie, kann dieses das Gas sein, das in unsere Häuser zu den Kraftstoffdampfkesseln und -kochern geleitet wird – einmal haben wir herauf Versorgungsmaterialien des natürlichen Methangases verwendet, CH4. Wasserstoff brennt, um Wasser zu bilden, und ist folglich sauberer als die Gase, die Carbon enthalten.

5. The secret strength of hydrogen Original: Scientific American Of all the chemical elements, hydrogen is the simplest in structure, and first in the diversity of its chemical behaviour. The element Itself exists as the molecule H2 which is well known as the lightest of all gases. Although industry uses this gas on a large scale it is rarely encountered in everyday life except to fill balloons. However in 25 years time this may be the gas which is piped into our homes to fuel boilers and cookers - once we have used up supplies of natural methane gas, CH4. Hydrogen burns to form water, and hence is cleaner than gases containing carbon. [Handout]

6. Die geheime Kraft des Wasserstoffs Übersetzung: Spektrum der Wissenschaft Wasserstoff ist seinem Aufbau nach das einfachste, aber seinem Verhalten nach das vielseitigste von allen chemischen Elementen. Es existiert als Molekül H2, das als das leichteste aller Gase allgemein bekannt ist. Obwohl es industriell in großem Umfang genutzt wird, kommt es im täglichen Leben – außer beim Füllen von Ballons – kaum vor. Doch könnte gerade dieses Gas in einem Vierteljahrhundert, wenn die Vorräte an natürlichem Methangas, CH4, aufgebraucht sind, in den Gasgeräten unserer Haushalte Verwendung finden. Wasserstoff verbrennt zu Wasser und ist Somit weniger umweltbelastend als Gase, die Kohlenstoff enthalten. [Handout]

7. Art Spiegelman, Maus I Übersetzung: Christine Brinck, Josef Joffe

8. Übersetzungen & ihre spezifischen Eigenschaften • (Auch gute) Übersetzungen haben spezifische Eigenschaften, die sie von Texten in derselben Sprache wie der Zielsprache (ZS) unterscheiden (vgl. Baker 95, 96; Toury 95, Teich 01) • Spezifischen Produktionsbedingungen von Übersetzungen: induziert durch quellsprachlichen Text, zielsprachenorientiert; Hypothesen: • Übersetzungen lassen die Quellsprache (QS) durchscheinen  shining through • Übersetzungen gehorchen der ZS-Norm mehr als vergleichbare ZS-Originaltexte  normalization • andere: explicitation, simplification, levelling-out • Was ist denn „normal“? Was kann übertrieben normal gemacht werden? Was kann durchscheinen?

9. Scientific American/Systran/ Spektrum der Wissenschaft (Original: Englisch) Hydrogen burns to form water, and hence is cleaner than gases containing carbon. Wasserstoff brennt, um Wasser zu bilden, und ist folglich sauberer als die Gase, die Carbon enthalten. Wasserstoff verbrennt zu Wasser und ist somit weniger umweltbelastend als Gase, die Kohlenstoff enthalten. (vgl. Doherty 93; Hawkins 84)  Sprachtypologie (System)

10. CAD/CAM User Manual; AutoCad (Original: Englisch) Englisch: To draw a polyline. Deutsch: So zeichnen Sie eine Polylinie. (Eine Polylinie zeichnen.) Russisch: Chtoby narisovatj poliliniju. IN-ORDER-TO DRAW POLYLINE Bulgarisch: Chertane na polilinija. DRAWING OF POLYLINE to-Infinitiv finiter Satz, deklarativ um zu + Infinitiv Nominalisierung (vgl. Copernicus Project AGILE)  Texttypologie (Register)

11. Hypothesen & ihre Herleitung • Sprachenpaar Englisch-Deutsch, Register populärwissenschaftlicher Texte • Sprachtypologie (System): Prä/Postmodifikation der NP (E: Postmodifikation, D: Prämodifikation), Themaoptionen (E: grammatical word order, D: pragmatic word order), Transitivität (D: transitiv; E: ergativ) • Texttypologie (registerspezifisch): Passiv, Nomina, komplexe Nominalgruppen, einfache Satzstruktur (relationale Prädikate)

12. Beispiele Sprachtypologie • Transitivität (1) E: A material known as ionophore, which binds to membranes... (2)D: Eine Substanz, die als Ionophor wirkt. Sie setzt sich an der Membran fest. (3) E: Thus in water the hydrogen atoms exchange billions of times per second. (4)D: In Wasser etwa werden die Wasserstoffatome Milliardenmale pro Sekunde ausgetauscht. • Prä/Postmodifikation (5)E: The voltages that would be expected to be produced in the cytoplasm of Fucus embryos, only 0.1 mm in length, would unfortunately be too close to the limits of microelectrode sensitivity to be measurable. (6)D: Die zu erwartenden Spannungen im Zellplasma würden bei den 0.1 mm lange Fucusembryonen leider schon unterhalb der fürMikroelektroden messbaren Grenze liegen.

13. Beispiele Texttypologie • Einfache Satzstruktur, komplexe Nominalgruppen (1) E:So in Fucus, one of the events that translates asymmetry in the environment into asymmetry in the embryoisa polarised pumping of electric current, in the form of Ca++ ions. (2) D: Beim Fucus ist damit einer derProzesse, der eine Asymmetrie aus der Umgebung in eine Asymmetrie des Embryos umsetzt, ein polarisierter elektrischer Strom von Ca++-Ionen. • Nicht agentivische Darstellung (z.B. Passiv) (3) E: The behavior of acids is generally observed in water. (4)D: Gewöhnlich untersucht man das Verhalten von Säuren in Wasser. (5) D: Somit lassen sich auch bei diesen Spielen verschiedene Strategien in einer Auszahlungsmatrix gegenüberstellen und bewerten. (6)D: Dabei ist eine sehr bemerkenswerte Verlagerung zu verzeichnen. (7)D: In Lehrbüchern wird dieser Prozess oft durch die Gleichung HCl H++ Cl- dargestellt. (8)E: Text books often write this process as HCl H++ Cl-. (9)E: Thus in water the hydrogen atoms exchange billions of times per second.

14. G-ORI E-ORI active 389 278 79 165 passive 2 = 45.5; Signifikanz: 0.001 (1 df > 10.83) G-ORI E-ORI passive 79 165 passive 146 64 alternatives 2 = 62.1; Signifikanz: 0.001 (1 df > 10.83) Beispiel Passiv/Passivalternativen G-ORI – E-ORI Subkorpus • Passiv typischer für E als für D • Passivalternativen typischer für D als für E

15. Hypothesen & ihre Herleitung: Passiv/Passivalternativen • Hypothesenformulierung E-ORI—G-TL • In Übersetzungen vom Englischen ins Deutsche liegt shining-through im Passivbereich vor, wenn in G-TL signifikant mehr Passive auftreten als in vergleichbaren deutschen Texten (G-ORI) • In Übersetzungen vom Englischen ins Deutsche liegt normalization im Passivbereich vor, wenn in G-TL signifikant mehr Passivalternativen auftreten als in vergleichbaren deutschen Texten (G-ORI)

16. Hypothesen & ihre Herleitung: Passiv/Passivalternativen • Hypothesenformulierung G-ORI—E-TL • In Übersetzungen vom Deutschen ins Englische liegt shining-through im Passivbereich vor, wenn in E-TL signifikant mehr Passivalternativen auftreten als in vergleichbaren englischen Texten (E-ORI) • In Übersetzungen vom Deutschen ins Englische liegt normalization im Passivbereich vor, wenn in E-TL signifikant mehr Passive auftreten als in vergleichbaren englischen Texten (E-ORI)

17. parallel corpus monolingually comparable corpus monolingually comparable corpus parallel corpus multilingually comparable corpus Korpus English original texts German translations English translations German original texts (Register: populärwissenschaftliche Prosa; ca. 10 000 Wörter pro Subkorpus)

18. Analysetechniken & Methoden • Korpusanreicherung: PoS (Part-of-Speech) tagging • Korpusquery: reguläre Ausdrücke • Resultate und Interpretation: • Paare von Merkmalen, Chi-Quadrat • Bewertung im Sinne von shining through, normalization

19. Passiv: VB* ... VVN Techniken: Korpusanreicherung • PoS-tagging: TnT (Brants 2000); Englisch (Susanne; Sampson 95), Deutsch (STTS; Hinrichs et al. 95) • TnT output: If however a rapid , preferably instant , effect is desired , strophanthin will be needed . CS RR AT1 JJ YC RR JJ YC NN1 VBZ VVN YC PN1 VM VB0 VVN YF

20. Query Konkordanz Techniken: Korpusquery • Extraktion von Instanzen der ausgewählten lexiko-grammatischen Merkmale: CQP/ XKWIC (Christ 94) • Query-Syntax: reguläre Ausdrücke

21. Resultate & Interpretation E-ORI G-TL G-ORI active 278 357 389  schwaches shining-through (Passiv) in G-TL 165 100 79 passive G-ORI – G-TL: 2 = 3.6; Signifikanz: 0.10(1 df > 2.71) E-ORI G-TL G-ORI passive alternatives 64 163 146 165 100 79 passive G-ORI – G-TL: 2 = 0.0; nicht signifikant  kein normalization-Effekt (Passivalternativen) in G-TL

22. Resultate & Interpretation G-ORI E-TL E-ORI active 389 218 278  normalization (Passiv) in E-TL 79 186 165 passive E-ORI – E-TL: 2 = 7.9; Signifikanz: 0.01(1 df > 6.64) G-ORI E-TL E-ORI passive alternatives 146 62 64 79 186 165 passive E-ORI – E-TL: 2 = 0.1; nicht signifikant  kein shining-through-Effekt (Passivalternativen) in E-TL

23. Resultate & Interpretation • Effekte: komplementär (1, 9), bidirektional (4, 5), unidirektional (6) • mehr Effekte in G-TL; mehr shining through in G-TL, mehr normalization in E-TL • Effekte, die nicht auf normalization/shining through zurückzuführen sind (3, 7, 8)

24. Resultate & Interpretation • E-TL normalisiert mehr, G-TL lässt mehr durchscheinen (1)E-ORI: Thus, in water the hydrogen atoms exchange billions of times per second. G-TL: In Wasser etwa werden die Wasserstoffatome Milliardenmale pro Sekunde ausgetauscht. (2) E-ORI: ... this choice minimizes the risk of errors during translation G-TL: ...und damit die Gefahr von Übermittlungsfehlern verringert wird. (3)G-ORI: Für den praktischen Gebrauch benötigt man große Zahlen. E-TL: ...for practical application large numbers are needed. (4) G-ORI: Die Übermittlung einer Nachricht mit öffentlichen und geheimen Schlüsseln lässt sich auch in der Kryptologie verwircklichen. E-TL: Transmission of a signal with public and secret keys can be realized also in cryptology.  „habituelle“ Übersetzung • TL kann Durchscheinen aus typologischen Gründen verkraften (TL-System macht spezifischere Unterscheidungen) • TL muss aus typologischen Gründen kompensieren (geringere Spezifik des TL-Systems) – Normalisierung

25. Zusammenfassung und Ausblick • Übersetzungen „zwischen den Stühlen“: lassen QS durchscheinen, versuchen gleichzeitig ganz „normal“ für die ZS zu sein • Anwendungen: Übersetzerische „Intuitionen“ beschreiben  differenzierte Maße für Übersetzungsqualität, Einfluß von Übersetzungen im Sprachwandel • Theorie, z.B. Was ist „normal“? Registertheorie (Systemic Functional Linguistics; Halliday 85); wichtig für Hypothesen & Interpretation! • Methoden/Techniken: Sprachtypologie, Texttypologie, Computerlinguistik, Korpuslinguistik

26. Zusammenfassung und Ausblick • Methodologie zum Korpusvergleich; Beispiele: • Abgrenzung verschiedener Register/Fachsprachen • Entwicklung von Maßen für Textqualität in Abhängigkeit von Register/Genre • multi-layer annotierte Korpora – längerfristiges Potenzial für Forschung und Lehre • Linguistik: Theorie und Deskription auf Grundlage großer Datenmengen • Informatik: Linguistische Datenbanken – Repräsentation und Abfrage • Computerlinguistik: Training statistischer Verfahren auf Basis von annotierten Referenzkorpora (tree banks) • Interdisziplinär: Anwendungen an der Schnittstelle Linguistik/Computerlinguistik/Informatik (content syndication, z.B. Informationsextraktion)

27. Sprachtypologie Texttypologie Sprache Grammatik Text Übersetzungen, ML Texte Methoden: multi-layer annotierte Korpora, computerlinguistische Techniken

28. Thank you for your attention!

29. Literatur (Baker 95) M. Baker, Corpora in translation studies: An overview and some suggestions for future research, Target7(2):223-245. (Baker 96) M. Baker, Corpus-based translation studies: the challenges that lie ahead. In H. Somers (ed.), Terminology, LSP and Translation: Studies in Language Engineering in Honour of Juan C. Sager, Benjamins, Amsterdam, pp. 175-186. (Brants 00) T. Brants, TnT – A statistical part-of-speech tagger, Proceedings of the 6th Applied Natural Language Processing Conference (ANLP) 2000, Seattle, WA. (Christ 94) O. Christ, The IMS Corpus Workbench Technical Manual, Technical report, Institut für maschinelle Sprachverarbeitung, Universität Stuttgart. (Doherty 93) M. Doherty, Parametrisierte Perspektive, Zeitschrift für Sprach- wissenschaft12(1):3-38. (Halliday 85) MAK Halliday, An Introduction to Functional Grammar. Edward Arnold, London. (Hawkins 84) J.A. Hawkins, A comparative typology of English and German. Croom Helm, London and Sydney. [Handout]

30. Literatur (Hinrichs et al 95) E. Hinrichs, Feldweg, H., Boyle-Hinrichs, M. and Hauser, R. Abschlußbericht ELWIS. Korpusunterstützte Entwicklung lexikalischer Wissens- basen für die Computerlinguistik, Technical report, Universität Tübingen. (Sampson 95) G. Sampson, English for the Computer. Oxford University Press, Oxford. (Teich 01) E. Teich, Contrast and commonality between English and German in system and text. A methodology for the investigation of cross-linguistic variation in translations and multilingually comparable texts. Habilitationsschrift, Universität des Saarlandes, Saarbrücken. (Toury 95) G. Toury, Descriptive translation studies and beyond. Benjamins, Amsterdam. [Handout]

31. German original texts A n z a h l T o k e n s English translations T y p e – T o k e n R a t i o [Handout]

32. Korpusvergleich     max min     • E-TL: länger, geringere Vokabularvariation • G-TL: „dazwischen“ [Handout]

33. Resultate & Interpretation • Andere Effekte: explicitation, z.B. bei dense modification vs. full relative clauses E-ORI: At the heart of Rivest‘s asymmetric cypher is a one-way function based on the sort of modular functions described earlier... G-TL: Kern der asymmetrischen Verschlüsselung von Rivest ist eine Einwegfunktion, die auf oben beschriebenen Modulfunktionen beruht. G-TL: Kern der asymmetrischen Verschlüsselung von Rivest ist eine auf den oben beschriebenen Modulfunktionen beruhende Einwegfunktion. • Effekte, die nur in Übersetzungen auftreten (nicht in G-ORI – E-ORI) E-ORI: Thus, the history of bioelectricity produced a discontinuity in scientific history. G-TL: So kam es, dass die Wissenschaftsgeschichte der Bioelektrizität diskontinuierlich verlaufen ist. G-TL: So produzierte die Geschichte der Bioelektrizität eine Diskontinuität in der Wissenschaftsgeschichte. (ungewollte Personifizierung!) • bidirektionale Effekte: Kandidaten für universelle Merkmale? Übersetzungsprozessbedingte Erklärungen?