211service.com
Durchbruch in der Linguistik kündigt maschinelle Übersetzung für Tausende seltener Sprachen an
Die beste Vermutung ist, dass Menschen derzeit etwa 6.900 verschiedene Sprachen sprechen. Mehr als die Hälfte der Weltbevölkerung kommuniziert mit nur einer Handvoll davon – Chinesisch, Englisch, Hindi, Spanisch und Russisch. Tatsächlich kommunizieren 95 Prozent der Menschen in nur 100 Sprachen.
Die anderen Argots sind viel seltener. Tatsächlich schätzen Linguisten, dass etwa ein Drittel der Weltsprachen von weniger als 1.000 Menschen gesprochen werden und in den nächsten 100 Jahren vom Aussterben bedroht sind. Mit ihnen wird das einzigartige kulturelle Erbe gehen, das sie verkörpern – Geschichten, Phrasen, Witze, Kräuterheilmittel und sogar einzigartige Emotionen.
Es ist leicht zu glauben, dass maschinelles Lernen helfen kann. Das Problem ist, dass die maschinelle Übersetzung auf riesige annotierte Datensätze angewiesen ist, um ihren Beruf auszuüben. Diese Datensätze bestehen aus riesigen Korpora von Büchern, Artikeln und Websites, die manuell in andere Sprachen übersetzt wurden. Dies wirkt wie ein Rosetta-Stein für maschinell lernende Algorithmen, und je größer der Datensatz, desto besser lernen sie.
Eine Karte, die zeigt, wie sich die Vergangenheitsindikatoren für 100 der untersuchten Sprachen gruppieren.
Aber diese riesigen Datensätze existieren für die meisten Sprachen einfach nicht. Aus diesem Grund funktioniert die maschinelle Übersetzung nur für einen winzigen Bruchteil der gängigsten Lingos. Google Translate zum Beispiel spricht nur etwa 90 Sprachen.
Daher besteht eine wichtige Herausforderung für Linguisten darin, einen Weg zu finden, weniger gebräuchliche Sprachen automatisch zu analysieren, um sie besser zu verstehen.
Heute sagen Ehsaneddin Asgari und Hinrich Schütze von der Ludwig-Maximilians-Universität München in Deutschland, dass sie genau das getan haben. Ihr neuer Ansatz enthüllt wichtige Elemente fast jeder Sprache, die dann als Sprungbrett für die maschinelle Übersetzung verwendet werden können.
Die neue Technik basiert auf einem einzigen Text, der in mindestens 2.000 verschiedene Sprachen übersetzt wurde. Dies ist die Bibel, und Linguisten haben seit langem ihre Bedeutung in ihrer Disziplin erkannt.
Folglich haben sie eine Datenbank namens Parallel Bible Corpus erstellt, die aus Übersetzungen des Neuen Testaments in 1.169 Sprachen besteht. Dieser Datensatz ist nicht groß genug für die Art des industriellen maschinellen Lernens, das Google und andere durchführen. Also haben Asgari und Schutze einen anderen Ansatz entwickelt, der darauf basiert, wie Zeitformen in verschiedenen Sprachen erscheinen.
Die meisten Sprachen verwenden bestimmte Wörter oder Buchstabenkombinationen, um Zeitformen zu kennzeichnen. Der neue Trick besteht also darin, diese Signale in mehreren Sprachen manuell zu identifizieren und dann mithilfe von Data-Mining-Techniken andere Übersetzungen zu durchsuchen, um nach Wörtern oder Buchstabenfolgen zu suchen, die dieselbe Rolle spielen.
Zum Beispiel wird im Englischen das Präsens durch das Wort is, das Futur durch das Wort will und das Präteritum durch das Wort was bezeichnet. Natürlich gibt es auch andere Signifikanten.
Die Idee von Asgari und Schutze ist es, all diese Wörter in der englischen Übersetzung der Bibel zusammen mit anderen Beispielen aus einer Handvoll anderer Sprachübersetzungen zu finden. Suchen Sie dann nach Wörtern oder Buchstabenfolgen, die in anderen Sprachen dieselbe Rolle spielen. Zum Beispiel bedeutet die Buchstabenfolge -ed im Englischen auch die Vergangenheitsform.
Aber es gibt eine Wendung. Asgari und Schutze beginnen nicht mit Englisch, weil es eine relativ alte Sprache mit vielen Ausnahmen von der Regel ist, was das Erlernen erschwert.
Stattdessen beginnen sie mit einer Reihe von Kreolsprachen, die sich aus einer Mischung anderer Sprachen entwickelt haben. Da sie jünger sind, hatten kreolische Sprachen weniger Zeit, diese sprachlichen Eigenheiten zu entwickeln. Und das bedeutet, dass sie im Allgemeinen bessere Marker für sprachliche Merkmale wie Zeitformen enthalten. Unsere Begründung ist, dass kreolische Sprachen regelmäßiger sind als andere Sprachen, weil sie jung sind und kein „historisches Gepäck“ angesammelt haben, das die Computeranalyse erschweren könnte, sagen sie.
Eine dieser Sprachen ist Seychellen-Kreolisch, das das Wort ti verwendet, um die Vergangenheitsform zu bezeichnen. Zum Beispiel bedeutet mon travay, dass ich in dieser Sprache arbeite, während mon ti travay bedeutet, dass ich gearbeitet habe, und mon ti pe travay bedeutet, dass ich gearbeitet habe. Also ist ti ein guter Signifikant der Vergangenheitsform.
Asgari und Schutze stellen eine Liste von Signifikanten der Vergangenheitsform in 10 anderen Sprachen zusammen und durchforsten dann das Parallel Bible Corpus nach anderen Wörtern und Buchstabenfolgen, die die gleiche Funktion erfüllen. Sie wiederholen dies für das Präsens und das Futur.
Die Ergebnisse sorgen für eine interessante Lektüre. Die Technik enthüllt linguistische Konstruktionen, die mit Zeitformen in gebräuchlichen Sprachen wie -ed im Englischen und -te im Deutschen verwandt sind, sowie die Wörter und Phrasen, die die gleichen Funktionen in viel weniger gebräuchlichen Sprachen erfüllen, wie z Sprache aus Burkino Faso und yi in Yalunka, gesprochen in Mali, und so weiter.
Diese Arbeit ermöglicht es den Forschern, Karten zu erstellen, die zeigen, wie Sprachen mit ähnlichen Zeitkonstruktionen verwandt sind (siehe Diagramm).
Das ist eine interessante Arbeit. Asgari und Schutze haben eine Computermethode entwickelt, um zu analysieren, wie Menschen Vergangenheit, Gegenwart und Zukunft in über 1.000 Sprachen verwenden. Dies ist die größte sprachübergreifende computergestützte Studie, die jemals durchgeführt wurde. Tatsächlich ist die Anzahl der beteiligten Sprachen um eine Größenordnung größer als in anderen Studien.
Die Arbeit hat eine bedeutende Anwendung. Die Sprachkarten ermöglichen es den Forschern, die Beziehungen zwischen Sprachen und ihre Verbindungen schnell herauszufinden. Das könnte genutzt werden, um die Evolution der Sprache besser zu verstehen.
Und derselbe Ansatz könnte auch für andere sprachliche Merkmale verwendet werden. Wir verlangen nur, dass ein sprachliches Merkmal in einigen von Tausenden von Sprachen offen markiert wird, anstatt zu verlangen, dass es in allen untersuchten Sprachen markiert wird, sagen Asgari und Schutze.
Die Implikationen gehen weiter. Die Computerlinguistik hat einen tiefgreifenden Einfluss auf unser Verständnis von Sprache, die Art und Weise, wie sie auf der ganzen Welt variiert und wie Maschinen sie verstehen können. Diese aufstrebende Disziplin hat es ermöglicht, viele Sprachen schriftlich und mündlich automatisch direkt in andere zu übersetzen. In der Tat ist das Versprechen, dass die sofortige maschinelle Übersetzung bald die Fähigkeiten menschlicher Dolmetscher erreichen und dann übertreffen wird.
Aber die Nützlichkeit der maschinellen Übersetzung für bestimmte Sprachen macht sie beliebter auf Kosten von Sprachen, die nicht berücksichtigt werden. Aus diesem Grund könnte die maschinelle Übersetzung den Niedergang gefährdeter Sprachen beschleunigen.
Linguisten haben in der Tat ein ähnliches Phänomen bei anderen Massenkommunikationsformen wie Satellitenfernsehdiensten beobachtet. Diese werden im Allgemeinen in einer einzigen Sprache ausgestrahlt, die dann wünschenswerter und beliebter wird als Sprachen, die nicht ausgestrahlt werden.
Die Arbeit von Asgari und Schutze könnte dazu beitragen, dieses Muster des Niedergangs umzukehren. Natürlich ist es ein großer Schritt von dieser Arbeit zu einer genauen maschinellen Übersetzung, aber es ist ein Schritt in die richtige Richtung.
Ref: arxiv.org/abs/1704.08914 : Vergangenheit, Gegenwart, Zukunft: Eine rechnerische Untersuchung der Typologie der Zeitform in 1.000 Sprachen