Das Europarl-Korpus ist ein Korpus (eine Sammlung von Dokumenten), das die Protokolle des Europäischen Parlaments von 1996 bis 2012 umfasst. In seiner ersten Veröffentlichung im Jahr 2001 enthielt es elf Amtssprachen der Europäischen Union (Dänisch, Niederländisch, Englisch, Finnisch, Französisch, Deutsch, Griechisch, Italienisch, Portugiesisch, Spanisch und Schwedisch). [ 1 ] Mit der politischen Erweiterung der EU wurden die Amtssprachen der zehn neuen Mitgliedstaaten in die Korpusdaten aufgenommen. [ 1 ] Die neueste Veröffentlichung (2012) [ 2 ] umfasst bis zu 60 Millionen Wörter pro Sprache, wobei die neu hinzugekommenen Sprachen etwas unterrepräsentiert sind, da Daten für sie erst ab 2007 verfügbar sind. Diese neueste Version umfasst 21 europäische Sprachen: Romanische Sprachen (Französisch, Italienisch, Spanisch, Portugiesisch, Rumänisch), Germanische Sprachen (Englisch, Niederländisch, Deutsch, Dänisch, Schwedisch), Slawische Sprachen (Bulgarisch, Tschechisch, Polnisch, Slowakisch, Slowenisch), Finnisch-Ugrische Sprachen (Finnisch, Ungarisch, Estnisch), Baltische Sprachen (Lettisch, Litauisch) und Griechisch. [ 1 ]

Die Daten des Korpus wurden von der Website des Europäischen Parlaments extrahiert und anschließend für die linguistische Forschung aufbereitet. [ 1 ] Nach der Satzsegmentierung und Tokenisierung wurden die Sätze mithilfe eines von Gale & Church (1993) entwickelten Algorithmus sprachübergreifend angeglichen. [ 1 ]

Das Korpus wurde von einer Forschergruppe unter der Leitung von Philipp Koehn an der Universität Edinburgh zusammengestellt und erweitert. Ursprünglich für Forschungszwecke im Bereich der statistischen maschinellen Übersetzung (SMT) konzipiert, wird es seit seiner ersten Veröffentlichung jedoch für zahlreiche weitere Forschungszwecke eingesetzt, beispielsweise zur Wortbedeutungsdisambiguierung . Europarl kann auch über das Korpusverwaltungssystem Sketch Engine durchsucht werden . [ 3 ]

Europarl-Korpus und statistische maschinelle Übersetzung

In seiner Arbeit „Europarl: Ein paralleles Korpus für statistische maschinelle Übersetzung“ [ 1 ] fasst Koehn zusammen, inwieweit das Europarl-Korpus für die Forschung im Bereich der statistischen maschinellen Übersetzung (SMT) nützlich ist . Er verwendet das Korpus, um SMT-Systeme zu entwickeln, die jede Sprache in jede der zehn anderen Sprachen des Korpus übersetzen , wodurch insgesamt 110 Systeme entstehen. Dies ermöglicht es Koehn, SMT-Systeme für ungewöhnliche Sprachpaare zu erstellen, die von SMT-Entwicklern bisher nicht berücksichtigt wurden, wie beispielsweise Finnisch-Italienisch.

Qualitätsbewertung

Das Europarl-Korpus kann nicht nur zur Entwicklung von SMT-Systemen, sondern auch zu deren Bewertung verwendet werden. Durch den Vergleich der Systemausgabe mit den Originalkorpusdaten der Zielsprache lässt sich die Qualität der Übersetzung beurteilen. Koehn verwendet hierfür die BLEU-Metrik von Papineni et al. (2002), die die Übereinstimmungen der beiden verglichenen Versionen – SMT-Ausgabe und Korpusdaten – zählt und darauf basierend einen Wert berechnet. [ 4 ] Je ähnlicher die beiden Versionen sind, desto höher ist der Wert und damit die Qualität der Übersetzung. [ 1 ] Die Ergebnisse zeigen, dass einige SMT-Systeme besser abschneiden als andere, z. B. Spanisch–Französisch (40,2) im Vergleich zu Niederländisch–Finnisch (10,3). [ 1 ] Koehn führt dies darauf zurück, dass verwandte Sprachen leichter ineinander übersetzt werden können als nicht verwandte. [ 1 ]

Rückübersetzung

Darüber hinaus untersucht Koehn mithilfe von SMT-Systemen und den Daten des Europarl-Korpus, ob die Rückübersetzung eine geeignete Methode zur Evaluierung maschineller Übersetzungssysteme darstellt . Für jede Sprache außer Englisch vergleicht er die BLEU- Werte für Übersetzungen aus und ins Englische (z. B. Englisch > Spanisch, Spanisch > Englisch) mit den Werten, die sich durch den Vergleich der englischen Originaldaten mit den Ergebnissen der Übersetzung aus dem Englischen in die jeweilige Sprache und der Rückübersetzung ins Englische (z. B. Englisch > Spanisch > Englisch) erzielen lassen. [ 1 ] Die Ergebnisse zeigen, dass die Werte für die Rückübersetzung deutlich höher sind als die für die unidirektionale Übersetzung und – was noch wichtiger ist – dass sie überhaupt nicht mit den unidirektionalen Werten korrelieren. Beispielsweise sind die unidirektionalen Werte für Englisch<>Griechisch (27,2 und 23,2) niedriger als die für Englisch<>Portugiesisch (30,1 und 27,2). Der Wert für die Rückübersetzung von Griechisch (56,5) ist jedoch höher als der für Portugiesisch (53,6). [ 1 ] Koehn erklärt dies damit, dass Fehler im Übersetzungsprozess durch Rückübersetzung einfach korrigiert werden können, was zu einer hohen Übereinstimmung zwischen Eingabe- und Ausgabetext führt. [ 1 ] Daraus lassen sich jedoch keine Rückschlüsse auf die Qualität des Textes in der eigentlichen Zielsprache ziehen . [ 1 ] Daher hält Koehn die Rückübersetzung nicht für eine geeignete Methode zur Bewertung maschineller Übersetzungssysteme.

Anmerkungen und Verweise

  1. ^ a b c d e f g h i j k l m Koehn, Philipp (2005): "Europarl: Ein paralleles Korpus für die statistische maschinelle Übersetzung" , in: MT Summit , S. 79–86.
  2. ^ Parallelkorpus der Verhandlungen des Europäischen Parlaments 1996–2011
  3. ^ Kilgarriff, A., Baisa, V., Bušta, J., Jakubíček, M., Kovář, V., Michelfeit, J., ... & Suchomel, V. (2014). Die Sketch Engine: zehn Jahre später. Lexikographie , 1(1), 7-36.
  4. ^ Papineni, Kishore et al (2002): "BLEU. Eine Methode zur automatischen Bewertung maschineller Übersetzungen" , in: Proceedings of the 40th Annual Meeting of the Association of Computational Linguistics (ACL), S. 311–318.