Xây Dựng và Khai Thác Kho Ngữ Liệu Song Ngữ Anh-Việt Điện Tử

Tài liệu nghiên cứu Xây dựng và khai thác kho ngữ liệu song ngữ anh việt điện tử, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về kỹ thuật.

• Người hướng dẫn: GS. Nguyễn Đức Dân
• Trường học: Đại Học Quốc Gia Thành Phố Hồ Chí Minh
• Chuyên ngành: Ngôn Ngữ Học So Sánh
• Đề tài: Xây Dựng Kho Ngữ Liệu Song Ngữ Anh-Việt Điện Tử
• Loại tài liệu: Luận Án Tiến Sĩ
• Năm xuất bản: 2005
• Địa điểm: Thành Phố Hồ Chí Minh

Tóm tắt

I. Tổng Quan Về Xây Dựng Kho Ngữ Liệu Song Ngữ Anh Việt

So sánh đối chiếu là nhiệm vụ then chốt của ngôn ngữ học so sánh, nhằm tìm ra điểm tương đồng và dị biệt giữa các ngôn ngữ. Để thực hiện so sánh, cần có cơ sở dữ liệu ngôn ngữ. Việc này đòi hỏi thu thập, tổng hợp từ nhiều nguồn thực tế, sau đó phân tích, so sánh, đối chiếu. Luận án này nghiên cứu xây dựng mô hình kho ngữ liệu song ngữ Anh-Việt điện tử, giúp các nhà ngôn ngữ học so sánh xây dựng và khai thác tự động các kho ngữ liệu khác. Từ đó, có thể khai thác tự động để tìm ra quy luật về điểm tương đồng và dị biệt giữa các ngôn ngữ trên nhiều phương diện và cấp độ. Mục tiêu là xây dựng thử nghiệm kho ngữ liệu song ngữ Anh-Việt dạng điện tử (EVC), để so sánh đối chiếu Anh-Việt trên các phương diện hình thái, ngữ pháp và ngữ nghĩa ở cấp độ từ. Kho ngữ liệu này còn có công dụng khác như giảng dạy ngoại ngữ, huấn luyện cho các hệ xử lý tự động bằng máy tính. Để xây dựng được kho ngữ liệu song ngữ như vậy, cần giải quyết một loạt vấn đề do sự khác biệt về loại hình ngôn ngữ của tiếng Anh và tiếng Việt, các vấn đề về ngôn ngữ học – ngữ liệu và ngôn ngữ học – thống kê. Cần sử dụng nhiều kết quả nghiên cứu của chuyên ngành trí tuệ nhân tạo (AI) trong ngành tin học, cũng như các mô hình xử lý tự động của liên ngành ngôn ngữ học – máy tính.

1.1. Vai Trò Của Kho Ngữ Liệu Song Ngữ Trong Nghiên Cứu

Kho ngữ liệu song ngữ đóng vai trò quan trọng trong nghiên cứu ngôn ngữ học so sánh, đặc biệt là giữa tiếng Anh và tiếng Việt. Nó cung cấp nguồn dữ liệu phong phú và đa dạng, cho phép các nhà nghiên cứu phân tích và đối chiếu các khía cạnh khác nhau của hai ngôn ngữ, từ vựng, ngữ pháp đến ngữ nghĩa. Việc xây dựng một cơ sở dữ liệu song ngữ chất lượng cao là nền tảng để phát triển các ứng dụng tự động dịch và các công cụ hỗ trợ học tập ngôn ngữ hiệu quả. Theo luận án, ngữ liệu song ngữ là “nguyên liệu thô” bắt buộc phải có trước khi muốn tiến hành nghiên cứu so sánh đối chiếu ở bất kỳ một cấp độ nào giữa hai ngôn ngữ.

1.2. Ứng Dụng Thực Tiễn Của Kho Ngữ Liệu Song Ngữ Anh Việt

Ngoài việc phục vụ nghiên cứu ngôn ngữ học, kho ngữ liệu song ngữ Anh-Việt còn có nhiều ứng dụng thực tiễn quan trọng. Nó có thể được sử dụng để phát triển các công cụ dịch thuật Anh Việt tự động, cải thiện chất lượng giảng dạy và học tập tiếng Anh và tiếng Việt, và cung cấp dữ liệu huấn luyện cho các hệ thống xử lý ngôn ngữ tự nhiên (NLP). Việc xây dựng một kho ngữ liệu song ngữ đa dạng và phong phú sẽ mở ra nhiều cơ hội mới cho việc ứng dụng ngôn ngữ học vào các lĩnh vực khác nhau của đời sống. Luận án nhấn mạnh rằng các kết quả khai thác được từ kho ngữ liệu, sẽ được ứng dụng vào nhiều lĩnh vực khác nhau: từ việc so sánh ngôn ngữ Anh-Việt của ngành ngôn ngữ học so sánh, nghiên cứu, thống kê ngôn ngữ tiếng Anh và tiếng Việt, việc giảng dạy tiếng Anh cho người Việt hoặc tiếng Việt cho người nước ngoài, cho tới việc cung cấp ngữ liệu huấn luyện cho các hệ xử lý ngôn ngữ tự động bằng máy tính.

II. Thách Thức Trong Xây Dựng Kho Dữ Liệu Song Ngữ Điện Tử

Xây dựng kho ngữ liệu song ngữ Anh-Việt điện tử đối mặt với nhiều thách thức. Sự khác biệt về loại hình ngôn ngữ giữa tiếng Anh và tiếng Việt tạo ra khó khăn trong việc chuẩn hóa và xử lý dữ liệu. Tiếng Anh là ngôn ngữ biến hình, trong khi tiếng Việt là ngôn ngữ đơn lập. Điều này đòi hỏi các phương pháp xử lý khác nhau cho mỗi ngôn ngữ. Ngoài ra, việc gán nhãn ngữ pháp và ngữ nghĩa cho dữ liệu cũng là một thách thức lớn, đòi hỏi sự kết hợp giữa kiến thức ngôn ngữ học và kỹ năng xử lý ngôn ngữ tự nhiên (NLP). Việc đảm bảo tính chính xác và nhất quán của dữ liệu là yếu tố then chốt để đảm bảo chất lượng của kho ngữ liệu. Luận án chỉ ra rằng để xây dựng được kho ngữ liệu song ngữ như vậy, cần giải quyết một loạt vấn đề do sự khác biệt về loại hình ngôn ngữ của tiếng Anh và tiếng Việt, các vấn đề về ngôn ngữ học – ngữ liệu và ngôn ngữ học – thống kê.

2.1. Vấn Đề Về Chuẩn Hóa Dữ Liệu Ngôn Ngữ Song Ngữ

Chuẩn hóa dữ liệu là bước quan trọng trong xây dựng kho ngữ liệu song ngữ. Việc này bao gồm việc thống nhất các định dạng văn bản, mã hóa ký tự, và xử lý các lỗi chính tả và ngữ pháp. Đối với tiếng Việt, việc tách từ cũng là một thách thức, do đặc tính đơn lập của ngôn ngữ. Cần có các công cụ và quy trình chuẩn hóa hiệu quả để đảm bảo tính nhất quán và chất lượng của dữ liệu. Luận án đề cập đến việc xử lý chúng (chuẩn hoá, gán nhãn ngôn ngữ,…), để từ đó các nhà nghiên cứu sau này (không cần biết gì nhiều về chuyên môn tin học) mới có thể tiến hành khai thác từ ngữ liệu đó một cách có hiệu quả.

2.2. Khó Khăn Trong Gán Nhãn Ngữ Pháp và Ngữ Nghĩa

Gán nhãn ngữ pháp và ngữ nghĩa là quá trình gán các thông tin về từ loại, chức năng ngữ pháp, và ý nghĩa cho các từ và cụm từ trong văn bản. Việc này đòi hỏi sự hiểu biết sâu sắc về ngôn ngữ học và khả năng sử dụng các công cụ xử lý ngôn ngữ tự nhiên (NLP). Đối với ngữ liệu song ngữ Anh Việt, việc gán nhãn cần đảm bảo sự tương ứng giữa các nhãn của hai ngôn ngữ. Luận án nhấn mạnh rằng kho ngữ liệu song ngữ Anh-Việt của chúng ta phải được chuẩn hoá, cấu trúc hoá (liên kết câu, liên kết từ) và gán nhãn ngôn ngữ (chứa các thông tin về hình thái, ngữ pháp và ngữ nghĩa).

III. Phương Pháp Xây Dựng Kho Ngữ Liệu Song Ngữ Anh Việt

Có nhiều phương pháp để xây dựng kho ngữ liệu song ngữ Anh-Việt. Một phương pháp phổ biến là sử dụng các văn bản song song, tức là các văn bản gốc và bản dịch của chúng. Các văn bản này có thể được thu thập từ nhiều nguồn khác nhau, như sách, báo, tạp chí, và trang web. Sau khi thu thập, các văn bản cần được chuẩn hóa và gán nhãn. Các công cụ xử lý ngôn ngữ tự nhiên (NLP) có thể được sử dụng để tự động hóa một phần của quá trình này. Tuy nhiên, việc kiểm tra và sửa lỗi thủ công vẫn là cần thiết để đảm bảo chất lượng của dữ liệu. Luận án sử dụng phương pháp so sánh đối chiếu hai chiều trong ngôn ngữ học so sánh đối chiếu giữa tiếng Anh với Việt. Việc so sánh đối chiếu được thực hiện trên nhiều mặt khác nhau (hình thái, cú pháp, ngữ nghĩa) ở cấp độ từ.

3.1. Thu Thập và Xử Lý Văn Bản Song Song Anh Việt

Việc thu thập văn bản song song là bước đầu tiên trong xây dựng kho ngữ liệu song ngữ. Cần xác định các tiêu chí lựa chọn văn bản phù hợp, đảm bảo tính đa dạng và đại diện của dữ liệu. Sau khi thu thập, các văn bản cần được xử lý để loại bỏ các thông tin không cần thiết và chuẩn hóa định dạng. Luận án đề cập đến việc thu thập ngữ liệu ở đây bao gồm việc xác định những tiêu chí nhất quán trong việc chọn mẫu ngữ liệu cũng như xác định tỉ lệ và khối lượng của các mẫu ngữ liệu.

3.2. Sử Dụng Công Cụ Xử Lý Ngôn Ngữ Tự Nhiên NLP

Các công cụ xử lý ngôn ngữ tự nhiên (NLP) có thể giúp tự động hóa một phần của quá trình xây dựng kho ngữ liệu song ngữ. Các công cụ này có thể được sử dụng để tách từ, gán nhãn ngữ pháp, và phân tích cú pháp. Tuy nhiên, cần lưu ý rằng các công cụ NLP vẫn chưa hoàn hảo và có thể mắc lỗi. Do đó, việc kiểm tra và sửa lỗi thủ công vẫn là cần thiết. Luận án cũng phải sử dụng đến nhiều kết quả nghiên cứu của chuyên ngành trí tuệ nhân tạo (AI) trong ngành tin học, cũng như các mô hình xử lý tự động của liên ngành ngôn ngữ học – máy tính.

IV. Ứng Dụng Kho Ngữ Liệu Song Ngữ Anh Việt Trong Dịch Thuật

Kho ngữ liệu song ngữ Anh-Việt có nhiều ứng dụng trong lĩnh vực dịch thuật Anh Việt. Nó có thể được sử dụng để huấn luyện các hệ thống tự động dịch, cải thiện chất lượng bản dịch, và cung cấp thông tin ngữ cảnh cho người dịch. Bằng cách phân tích các văn bản song song, các hệ thống tự động dịch có thể học được các quy tắc và mẫu dịch. Kho ngữ liệu cũng có thể được sử dụng để tìm kiếm các ví dụ dịch phù hợp cho các từ và cụm từ cụ thể. Luận án cho rằng so sánh Anh-Việt còn giúp cho việc giảng dạy tiếng Anh cho người Việt hoặc tiếng Việt cho người nước ngoài được hiệu quả hơn. Ngoài ra, như phần trên vừa phân tích, chọn song ngữ Anh-Việt còn là một cách để lợi dụng những kết quả nghiên cứu về xử lý tự động tiếng Anh để phục vụ cho việc xử lý tiếng Việt.

4.1. Huấn Luyện Hệ Thống Tự Động Dịch Anh Việt

Kho ngữ liệu song ngữ là nguồn dữ liệu quan trọng để huấn luyện các hệ thống tự động dịch. Các hệ thống này sử dụng các thuật toán học máy (Machine Learning) để học các quy tắc và mẫu dịch từ các văn bản song song. Chất lượng của hệ thống tự động dịch phụ thuộc vào kích thước và chất lượng của kho ngữ liệu huấn luyện. Luận án nhấn mạnh rằng lý do sâu xa trong việc chọn đề tài “xây dựng kho ngữ liệu song ngữ Anh-Việt điện tử” này của chúng tôi chính là để có được kho ngữ liệu nhằm “huấn luyện” cho máy tính bằng công nghệ “máy học” (hay “học bằng máy”).

4.2. Cải Thiện Chất Lượng Bản Dịch Anh Việt

Kho ngữ liệu song ngữ có thể được sử dụng để cải thiện chất lượng bản dịch bằng cách cung cấp thông tin ngữ cảnh và các ví dụ dịch phù hợp. Người dịch có thể sử dụng kho ngữ liệu để tìm kiếm các cách diễn đạt tương đương trong tiếng Anh và tiếng Việt, và để đảm bảo tính chính xác và tự nhiên của bản dịch. Luận án cũng cho rằng chúng tôi nghiên cứu so sánh giữa tiếng Anh và tiếng Việt còn nhằm để giúp cho việc dịch tự động Anh-Việt có mô hình dịch chính xác hơn.

V. Đánh Giá và Quản Lý Kho Ngữ Liệu Song Ngữ Anh Việt

Việc đánh giá và quản lý kho ngữ liệu song ngữ Anh-Việt là rất quan trọng để đảm bảo chất lượng và tính hữu dụng của dữ liệu. Cần có các tiêu chí đánh giá rõ ràng để xác định mức độ chính xác, đầy đủ, và nhất quán của dữ liệu. Việc quản lý kho ngữ liệu bao gồm việc lưu trữ, cập nhật, và bảo trì dữ liệu. Cần có các quy trình và công cụ quản lý hiệu quả để đảm bảo rằng kho ngữ liệu luôn sẵn sàng để sử dụng. Luận án cũng đề cập đến việc khai thác để kiểm nghiệm thực tế các giả thuyết ngôn ngữ trước đây.

5.1. Tiêu Chí Đánh Giá Chất Lượng Kho Ngữ Liệu

Các tiêu chí đánh giá chất lượng kho ngữ liệu bao gồm tính chính xác, tính đầy đủ, tính nhất quán, và tính đại diện. Tính chính xác đề cập đến mức độ chính xác của các thông tin trong kho ngữ liệu, như các nhãn ngữ pháp và ngữ nghĩa. Tính đầy đủ đề cập đến mức độ bao phủ của kho ngữ liệu, tức là liệu nó có chứa đủ các loại văn bản và các hiện tượng ngôn ngữ khác nhau hay không. Tính nhất quán đề cập đến mức độ nhất quán của các thông tin trong kho ngữ liệu, tức là liệu các nhãn ngữ pháp và ngữ nghĩa có được gán một cách nhất quán hay không. Tính đại diện đề cập đến mức độ đại diện của kho ngữ liệu, tức là liệu nó có phản ánh đúng các đặc điểm của ngôn ngữ trong thực tế hay không.

5.2. Quy Trình Quản Lý và Bảo Trì Kho Dữ Liệu

Quy trình quản lý và bảo trì kho ngữ liệu bao gồm việc lưu trữ dữ liệu, cập nhật dữ liệu, và bảo trì dữ liệu. Dữ liệu cần được lưu trữ một cách an toàn và có tổ chức để dễ dàng truy cập và sử dụng. Dữ liệu cần được cập nhật thường xuyên để phản ánh các thay đổi trong ngôn ngữ và trong các lĩnh vực ứng dụng. Dữ liệu cần được bảo trì để đảm bảo tính toàn vẹn và sẵn sàng sử dụng. Luận án cũng đề cập đến việc trước đây, các ngữ liệu song ngữ chủ yếu tồn tại trên giấy, nên việc lưu trữ, tìm kiếm, cập nhật vô cùng khó khăn và chậm chạp. Với sự phát triển của ngành công nghệ thông tin, nhất là từ khi có Internet, các kho ngữ liệu song ngữ đó đã được “điện tử hoá” để có thể dễ dàng lưu trữ, tìm kiếm, cập nhật một cách nhanh chóng và chính xác.

VI. Tương Lai Của Kho Ngữ Liệu Song Ngữ Anh Việt Điện Tử

Tương lai của kho ngữ liệu song ngữ Anh-Việt điện tử rất hứa hẹn. Với sự phát triển của công nghệ xử lý ngôn ngữ tự nhiên (NLP) và học máy (Machine Learning), kho ngữ liệu sẽ ngày càng trở nên quan trọng trong nhiều lĩnh vực, từ dịch thuật Anh Việt đến giáo dục và nghiên cứu ngôn ngữ. Việc xây dựng các kho ngữ liệu lớn hơn, đa dạng hơn, và chất lượng cao hơn sẽ mở ra nhiều cơ hội mới cho việc ứng dụng ngôn ngữ học vào các lĩnh vực khác nhau của đời sống. Luận án cũng cho rằng chúng ta cũng có thể áp dụng kết quả nghiên cứu của luận án này sang để xây dựng kho ngữ liệu song ngữ thuộc lĩnh vực KHKT cho cặp ngôn ngữ khác, như: Pháp-Việt, Nhật-Việt, Hoa-Việt,.

6.1. Xu Hướng Phát Triển Của Công Nghệ Ngôn Ngữ

Các xu hướng phát triển của công nghệ ngôn ngữ bao gồm việc sử dụng các thuật toán học sâu (Deep Learning), việc phát triển các mô hình ngôn ngữ lớn, và việc tích hợp công nghệ ngôn ngữ vào các ứng dụng di động và web. Các công nghệ này sẽ giúp cải thiện chất lượng và hiệu quả của các ứng dụng dịch thuật Anh Việt, giáo dục ngôn ngữ, và các ứng dụng khác. Luận án cũng đề cập đến việc trên thế giới, các phương pháp trên đã được áp dụng trong việc nghiên cứu tiếng Anh, Pháp, Nga, Nhật, Hoa,… nhưng chưa được áp dụng cho tiếng Việt.

6.2. Cơ Hội Ứng Dụng Kho Ngữ Liệu Trong Tương Lai

Kho ngữ liệu song ngữ sẽ có nhiều cơ hội ứng dụng trong tương lai, bao gồm việc phát triển các hệ thống tự động dịch thông minh hơn, việc tạo ra các công cụ học tập ngôn ngữ cá nhân hóa, và việc hỗ trợ nghiên cứu ngôn ngữ học sâu hơn. Việc xây dựng một cộng đồng các nhà nghiên cứu và phát triển kho ngữ liệu sẽ giúp thúc đẩy sự tiến bộ của lĩnh vực này. Luận án cũng cho rằng thậm chí việc mở rộng này có thể lan sang đến lĩnh vực kinh tế, thương mại, … nhưng không thể lan tới lĩnh vực văn học vì trên thế giới cũng chưa thể xử lý được lĩnh vực này.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUỐC GIA THÀNH PHỒ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KHOA HỌC XÃ HỘI & NHÂN VĂN Đinh Điền Luận án tiến sĩ XÂY DỰNG VÀ KHAI THÁC KHO NGỮ LIỆU SONG NGỮ ANH - VIỆT ĐIỆN TỬ Chuyên ngành Ngôn ngữ học so sánh Mã ngành: 5.27 NGƯỜI HƯỚNG DẪN KHOA HỌC GS. Nguyễn Đức Dân - TP. HỒ CHÍ MINH - 2005 – 1 MÔÛ ÑAÀU So saùnh ñoái chieáu ñeå tìm ra caùc ñieåm töông ñoàng vaø dò bieät ôû caùc caáp ñoä khaùc nhau giöõa caùc ngoân ngöõ laø nhieäm vuï chính cuûa ngaønh ngoân ngöõ hoïc so saùnh. Nhöng ñeå so saùnh, ta phaûi coù cöù lieäu cuûa caùc ngoân ngöõ maø ta ñang caàn so saùnh.

Ñeå coù caùc cöù lieäu ngoân ngöõ naøy, taát nhieân chuùng ta phaûi thu thaäp, toång hôïp töø nhieàu nguoàn khaùc nhau trong thöïc teá söû duïng ngoân ngöõ, sau ñoù, ta môùi tieán haønh caùc böôùc phaân tích, so saùnh, ñoái chieáu döïa treân kho döõ lieäu ngoân ngöõ ñoù. Chính vì vaäy, maø muïc ñích cuûa luaän aùn naøy laø nghieân cöùu xaây döïng moät moâ hình kho ngöõ lieäu song ngöõ ñieän töû ñeå caùc nhaø ngoân ngöõ hoïc so saùnh sau naøy söû duïng moâ hình ñoù trong vieäc xaây döïng vaø khai thaùc töï ñoäng caùc kho ngöõ lieäu khaùc. Chính töø nhöõng kho ngöõ lieäu ñöôïc xaây döïng theo moâ hình ñoù, chuùng ta hoaøn toaøn coù theå khai thaùc töï ñoäng nhaèm tìm ra caùc quy luaät veà ñieåm töông ñoàng vaø dò bieät giöõa caùc ngoân ngöõ treân caùc phöông dieän khaùc nhau ôû caùc caáp ñoä khaùc nhau. Treân tinh thaàn ñoù, chuùng toâi seõõ xaây döïng thöû nghieäm moät kho ngöõ lieäu song ngöõ Anh-Vieät daïng ñieän töû (goïi laø EVC: English – Vietnamese Corpus) sao cho caùc nhaø ngoân ngöõ hoïc so saùnh coù theå khai thaùc ñeå so saùnh ñoái chieáu Anh- Vieät treân caùc phöông dieän hình thaùi, ngöõ phaùp vaø ngöõ nghóa ôû caùc caáp ñoä (böôùc ñaàu laø caáp ñoä töø).

Ngoaøi ra, kho ngöõ lieäu naøy coøn coù caùc coâng duïng khaùc nhö: giaûng daïy ngoaïi ngöõ, huaán luyeän cho caùc heä xöû lyù töï ñoäng baèng maùy tính,… Tuy nhieân, ñeå xaây döïng ñöôïc kho ngöõ lieäu song ngöõ nhö vaäy, tröôùc heát chuùng toâi caàn phaûi giaûi quyeát moät loaït vaán ñeà do söï khaùc bieät veà loaïi hình ngoân ngöõ cuûa tieáng Anh vaø tieáng Vieät, caùc vaán ñeà veà ngoân ngöõ hoïc – ngöõ lieäu vaø ngoân ngöõ hoïc – thoáng keâ. Ngoaøi ra, chuùng toâi cuõng phaûi söû duïng ñeán nhieàu keát quaû nghieân cöùu cuûa chuyeân ngaønh trí tueä nhaân taïo trong ngaønh tin hoïc, cuõng nhö caùc moâ hình xöû lyù töï ñoäng cuûa lieân ngaønh ngoân ngöõ hoïc – maùy tính. LYÙ DO CHOÏN ÑEÀ TAØI Treân tinh thaàn so saùnh caùc phöông dieän cuûa tieáng Anh vaø tieáng Vieät, chuùng toâi choïn ñeà taøi “Xaây döïng vaø khai thaùc kho ngöõ lieäu song ngöõ Anh-Vieät ñieän töû” vì nhöõng lyù do sau (chuùng toâi xin giaûi thích töøng töø/cuïm töø ñöôïc gaïch döôùi trong phaàn teân ñeà taøi ñöôïc trích ra): a. “Xaâây döïng … kho ngöõ lieäu …” : Ngöõ lieäu song ngöõ laø “nguyeân lieäu thoâ” baét buoäc phaûi coù tröôùc khi muoán tieán haønh nghieân cöùu so saùnh ñoái chieáu ôû baát kyø moät caáp ñoä naøo giöõa hai ngoân ngöõ.

Ñeå nghieân cöùu so saùnh ñoái chieáu Anh-Vieät, vieäc ñaàu tieân laø phaûi xaây döïng ñöôïc kho “nguyeân lieäu thoâ” aáy. Tuy nhieân, vieäc “xaây döïng” khoâng chæ ñôn thuaàn laø taäp hôïp caùc ngöõ lieäu thoâ maø coøn phaûi tieán haønh xöû lyù chuùng (chuaån hoaù, gaùn nhaõn ngoân ngöõ,…), ñeå töø ñoù caùc nhaø nghieân cöùu sau naøy (khoâng caàn bieát gì nhieàu veà chuyeân moân tin hoïc) môùi coù theå tieán haønh khai thaùc töø ngöõ lieäu ñoù moät caùch coù hieäu quaû. “Khai thaùc kho ngöõ lieäu …” : Muïc ñích chính cuûa vieäc xaây döïng kho ngöõ lieäu ñoù laø nhaèm cho caùc nhaø nghieân cöùu sau naøy “khai thaùc” chuùng ñeå phuïc vuï cho caùc nghieân cöùu veà ngoân ngöõ hoïc so saùnh, ngoân ngöõ hoïc – maùy tính, ngoân ngöõ hoïc – thoáng keâ,… Vì vaäy, chuùng toâi cuõng chuù yù ñeán phaàn khai thaùc töø kho ngöõ lieäu song ngöõ moät caùch nhanh choùng, chính xaùc vaø hoaøn toaøn töï ñoäng. Caùc keát quaû khai thaùc ñöôïc töø kho ngöõ lieäu, seõ ñöôïc öùng duïng vaøo nhieàu lónh vöïc khaùc nhau: töø vieäc so saùnh ngoân ngöõ Anh-Vieät cuûa ngaønh ngoân ngöõ hoïc so saùnh, nghieân cöùu, thoáng keâ ngoân ngöõ tieáng Anh vaø tieáng Vieät, vieäc giaûng daïy tieáng Anh cho ngöôøi Vieät hoaëc tieáng Vieät cho ngöôøi nöôùc ngoaøi, cho tôùi vieäc cung caáp ngöõ lieäu huaán luyeän cho caùc heä xöû lyù ngoân ngöõ töï ñoäng baèng maùy tính.

“… ngöõ lieäu song ngöõ Anh-Vieät…” : Ñeå nghieân cöùu so saùnh ñoái chieáu Anh-Vieät, chaéc chaén chuùng ta phaûi coù ngöõ lieäu song ngöõ Anh-Vieät. Neáu ta chæ xaây döïng ngöõ lieäu ñôn ngöõ, vieäc ñoù chæ giuùp ích cho vieäc nghieân cöùu chính ngoân ngöõ ñoù maø thoâi (hoaëc tieáng Anh hoaëc tieáng Vieät). Nhöng neáu ta xaây döïng ngöõ lieäu song ngöõ, coù nghóa laø ta ñaõ bao haøm vieäc xaây döïng ngöõ lieäu ñôn ngöõ cho caû hai thöù tieáng (ôû ñaây laø tieáng Anh vaø tieáng Vieät), ñoàng thôøi ta laïi coù ngöõ lieäu ñeå so saùnh giöõa hai ngoân ngöõ. Ngoaøi ta, coù nhöõng xöû lyù (nhö taùch töø tieáng Vieät, ñaùnh daáu nhaõn ngöõ nghóa, phaân tích cuù phaùp, …) cho tieáng Vieät maø ñeán nay ta chöa theå thöïc hieän töï ñoäng hoaøn toaøn ñöôïc neáu khoâng coù tieáng Anh ñi keøm.

Chính vì vaäy, vieäc xaây döïng ngöõ lieäu song ngöõ Anh-Vieät cuõng chính laø moät caùch maø ta lôïi duïng nhöõng gì tieáng Anh ñaõ xöû lyù töï ñoäng ñöôïc roài (coøn tieáng Vieät chöa xöû lyù töï ñoäng ñöôïc) ñeå aùp duïng sang cho tieáng Vieät. “…song ngöõ Anh-Vieät …” : Trong boái caûnh hieän nay, tieáng Anh laø thöù tieáng quoác teá, thöù tieáng chính treân Internet, thöù tieáng phoå bieán trong Khoa hoïc – Kyõ thuaät (KHKT). Ngoaøi ra, rieâng ñoái vôùi tieáng Anh laø thöù tieáng maø ñaõ coù raát nhieàu coâng trình cuûa ngaønh ngoân ngöõ hoïc vaø caùc ngaønh coù lieân quan ñeán ngoân ngöõ hoïc nghieân cöùu veà noù, chính vì vaäy chuùng toâi choïn tieáng Anh. Beân caïnh ñoù, chuùng toâi choïn tieáng Vieät, vì ñaây laø tieáng “meï ñeû” cuûa chuùng toâi.

Chuùng toâi nghieân cöùu so saùnh giöõa tieáng Anh vaø tieáng Vieät coøn nhaèm ñeå giuùp cho vieäc dòch töï ñoäng Anh-Vieät coù moâ hình dòch chính xaùc hôn. Beân caïnh ñoù, so saùnh Anh-Vieät coøn giuùp cho vieäc giaûng daïy tieáng Anh cho ngöôøi Vieät hoaëc tieáng Vieät cho ngöôøi nöôùc ngoaøi ñöôïc hieäu quaû hôn. Ngoaøi ra, nhö phaàn treân vöøa phaân tích, choïn song ngöõ Anh-Vieät coøn laø moät caùch ñeå lôïi duïng nhöõng keát quaû nghieân cöùu veà xöû lyù töï ñoäng tieáng Anh ñeå phuïc vuï cho vieäc xöû lyù tieáng Vieät. “… song ngöõ Anh-Vieät ñieän töû …”: Tröôùc ñaây, caùc ngöõ lieäu song ngöõ chuû yeáu toàn taïi treân giaáy, neân vieäc löu tröõ, tìm kieám, caäp nhaät voâ cuøng khoù khaên vaø chaäm chaïp.

Vôùi söï phaùt trieån cuûa ngaønh coâng ngheä thoâng tin, nhaát laø töø khi coù Internet, caùc kho ngöõ lieäu song ngöõ ñoù ñaõ ñöôïc “ñieän töû hoaù” ñeå coù theå deã daøng löu tröõ, tìm kieám, caäp nhaät moät caùch nhanh choùng vaø chính xaùc. Ñaây cuõng laø lyù do chuùng toâi choïn daïng löu tröõ cuûa ngöõ lieäu song ngöõ naøy laø daïng “ñieän töû”. Böôùc ñaàu, chuùng toâi giôùi haïn caùc vaên baûn trong lónh vöïc KHKT ñeå nghieân cöùu laø vì: vaên phong trong lónh vöïc naøy roõ raøng (plain), ít mô hoà (ambiguous), daïng trung hoaø, bình thöôøng (raát ít xuaát hieän caùc hieän töôïng ñaùnh daáu, tu töø, cöôøng ñieäu, aån duï, hoaùn duï, nhaân caùch hoaù,. Lónh vöïc KHKT cuõng laø lónh vöïc chính maø hieän nay ngaønh ngoân ngöõ hoïc –maùy tính ñang nhaém tôùi ñeå xöû lyù töï ñoäng.

Cuoái cuøng, lyù do saâu xa trong vieäc choïn ñeà taøi “xaây döïng kho ngöõ lieäu song ngöõ Anh-Vieät ñieän töû” naøy cuûa chuùng toâi chính laø ñeå coù ñöôïc kho ngöõ lieäu nhaèm “huaán luyeän” cho maùy tính baèng coâng ngheä “maùy hoïc”1 (hay “hoïc baèng maùy”). Töø kho ngöõ lieäu naøy, maùy tính seõ “töï hoïc” ñeå ruùt ra caùc qui luaät chuyeån dòch töï ñoäng giöõa hai ngoân ngöõ Anh vaø Vieät. Ñaây cuõng laø höôùng tieáp caän môùi (goïi laø “tieáp caän döïa treân ngöõ lieäu” – “corpus-based approach”) treân theá giôùi hieän nay nhaèm naâng cao chaát löôïng caùc heä xöû lyù ngoân ngöõ töï nhieân so vôùi caùc heä xöû lyù theo tieáp caän cuõ tröôùc ñaây (goïi laø “tieáp caän döïa treân luaät” – “rule-based approach”). 1 “Maùy hoïc” laø thuaät ngöõ ñöôïc dòch töø thuaät ngöõ “machine learning” coù trong lónh vöïc trí tueä nhaân taïo.

Ñaây laø coâng ngheä duøng maùy tính ñeå baét chöôùc caùch thöùc hoïc taäp cuûa con ngöôøi ñeå hoïc taäp caùch thöùc xöû lyù vaán ñeà hoaëc hoïc caùc qui luaät töø nhöõng söï kieän naøo ñoù. MUÏC TIEÂU NGHIEÂN CÖÙU Vôùi töïa ñeà cuûa luaän aùn laø “Xaây döïng vaø khai thaùc kho ngöõ lieäu song ngöõ Anh-Vieät ñieän töû”, neân muïc tieâu nghieân cöùu chính cuûa luaän aùn laø: “nghieân cöùu moâ hình ñeå xaây döïng ñöôïc kho ngöõ lieäu song ngöõ Anh-Vieät ñieän töû sao cho caùc nhaø ngoân ngöõ hoïc sau naøy coù theå khai thaùc ñöôïc kho töø ngöõ lieäu song ngöõ ñoù caùc keát quaû thoáng keâ nhaèm phuïc vuï cho coâng vieäc nghieân cöùu cuûa hoï (so saùnh ngoân ngöõ, giaûng daïy, xöû lyù baèng maùy tính,…). Vì vaäy, trong quaù trình xaây döïng kho ngöõ lieäu, chuùng toâi phaûi tính ñeán caùch thöùc xöû lyù, thoâng tin xöû lyù, … nhö theá naøo ñeå vieäc khai thaùc söû duïng sau naøy cuûa caùc nhaø ngoân ngöõ hoïc coù hieäu quaû. Ñaây môùi laø muïc tieâu khoù khaên nhaát caàn phaûi ñaït ñöôïc.

Ñieàu naøy coù nghóa laø kho ngöõ lieäu song ngöõ Anh-Vieät cuûa chuùng ta phaûi ñöôïc chuaån hoaù, caáu truùc hoaù (lieân keát caâu, lieân keát töø) vaø gaùn nhaõn ngoân ngöõ (chöùa caùc thoâng tin veà hình thaùi, ngöõ phaùp vaø ngöõ nghóa). Trong thôøi haïn cho pheùp cuûa moät luaän aùn tieán só, böôùc ñaàu chuùng toâi chæ ñaët ra muïc tieâu laø “thu thaäp vaø xöû lyù kho ngöõ lieäu cuûa caùc vaên baûn Khoa hoïc-Kyõ thuaät”, chuû yeáu thuoäc lónh vöïc Tin hoïc vaø ñieän töû. Tuy nhieân, vieäc môû roäng sang caùc lónh vöïc khoa hoïc hay kyõ thuaät khaùc seõ khoâng gaëp khoù khaên gì do tính chaát cuûa vieäc xöû lyù töï ñoäng cuûa chöông trình maùy tính. Toùm laïi, trong luaän aùn naøy, chuùng toâi coù caùc nhieäm vuï cuï theå sau: a.

Ñöa ra moät moâ hình hôïp lyù vaø khaû thi cho kho ngöõ lieäu song ngöõ Anh-Vieät: laøm cô sôû cho vieäc xaây döïng caùc kho ngöõ lieäu song ngöõ sau naøy. Xaây döïng thöû nghieäm moät kho ngöõ lieäu song ngöõ Anh-Vieät: thu thaäp , chuaån hoaù, caáu truùc hoaù vaø gaùn nhaõn ngoân ngöõ cho ngöõ lieäu KHKT ôû caáp ñoä töø. Khai thaùc ñöôïc töø kho ngöõ lieäu noùi treân caùc keát quaû thoáng keâ nhaèm öùng duïng vaøo trong vieäc so saùnh/thoáng keâ/giaûng daïy ngoân ngöõ vaø huaán luyeän maùy tính.