Computerlinguïstiek is het analyseren van natuurlijke taal met behulp van computers. Het wordt ook wel natuurlijketaalverwerking genoemd, taaltechnologie, computationele taalkunde of NLP (natural language processing).
Wat doen wij op het gebied van computerlinguïstiek?
Het Instituut voor de Nederlandse Taal (INT) doet veel aan computerlinguïstiek. We beschrijven de woordenschat op basis van corpora die met behulp van verschillende computerprogramma’s worden geanalyseerd en verrijkt. Dit gebeurt zowel voor hedendaags Nederlands als voor historische teksten. Er zijn bijvoorbeeld programma’s die woordsoorten bij woorden zoeken (‘part-of-speech tagging’), die namen herkennen (‘named entity recognition’) en die de opbouw van woorden analyseren (morfologie). Al deze informatie wordt aan de oorspronkelijke teksten toegevoegd. Vervolgens kun je met behulp van andere programmatuur lexicografisch interessante informatie op een efficiënte manier uit de teksten halen, zoals frequentiegegevens of verwante woorden.
Enkele voorbeelden:
GiGaNT
GiGaNT (Groot Geïntegreerd Lexicon van de Nederlandse Taal) wordt een computationeel lexicon van het Nederlands van de zesde eeuw tot nu. Computerlinguïstische tools spelen een grote rol in de totstandkoming van dit lexicon, bijvoorbeeld voor de morfologie en voor het zoeken van attestatiemateriaal. Bovendien kunnen veel taaltechnologische programma’s hun voordeel doen met de informatie uit GiGaNT, bijvoorbeeld spellingvariatiemodules, part-of-speechtaggers en lemmatiseringssoftware.
Spelling
Het INT is een autoriteit op het gebied van spelling. Computerlinguïstische software kan veelvoorkomende spelfouten opsporen en neemt ook fonetische kenmerken mee (zodat bijvoorbeeld obergine kan worden herkend als aubergine). Dit soort software is ingezet voor HulK (Hulpmiddel Keurmerk). Bij HulK kunnen bijvoorbeeld woordenboekleveranciers hun trefwoordenlijst op spelling laten controleren.
IMPACT
IMPACT (Improving Access to Text) is een Europees project met als doel het verbeteren van het digitaliseren en toegankelijk maken van historische teksten.
Softwarepakket voor lexiconbouw en -toepassing
Het Instituut voor de Nederlandse Taal heeft een softwarepakket ontwikkeld waarmee computationele lexica van historisch taalmateriaal gemaakt en toegepast kunnen worden. Het bevat zowel software voor automatische bewerking als uitvoerig uitgewerkte werkomgevingen om handmatig taaldata te bewerken.
Voorbeelden:
- Een spellingvariatiemodule
- Een programma voor het automatisch afleiden van spellingvariatieregels uit woordmateriaal van een bepaalde periode
- Een lemmatiseerder: een programma dat automatisch een modern equivalent toekent aan elk woord in een tekst
Andere taaltechnologische hulpmiddelen
Het INT heeft de bestaande technieken verbeterd voor named entity recognition (automatische herkenning van namen) in historisch materiaal. Daarnaast hebben we een programma ontwikkeld voor morfologische analyse van woorden. Dit programma kan gebruikt worden tijdens de digitalisering van teksten. Alle software die ontwikkeld is, kan ook voor andere talen worden ingezet.
Europese samenwerking
Aan IMPACT doen, buiten het INT, ongeveer 30 bibliotheken en onderzoeksinstellingen mee uit de volgende landen: Duitsland, Oostenrijk, Frankrijk, Spanje, Tsjechië, Slovenië, Polen, Bulgarije, Griekenland, Groot-Brittannië, Israël, Rusland en Nederland.