[論文レビュー] BasqueParl: A Bilingual Corpus of Basque Parliamentary Transcriptions

Nayla Escribano, Jon Ander González+5 more|arXiv (Cornell University)|May 3, 2022

Basque language and culture studies被引用数 4

ひとこと要約

本論文は、2012年から2020年までのバスク語とスペイン語の議会会議録を対象とした1400万語の公開バイリンガルコーパス「BasqueParl」を紹介する。このコーパスには、発言者、性別、政党、生年月日などのメタデータに加え、語形還元と固有表現認識（NER）が付加されている。研究では、バスク語が発言において頻繁に使用されているものの、主に形式的・修辞的機能に用いられており、核心的な内容を伝えるのには使われていないことが明らかになった。また、女性は発言頻度と発言長において低く抑えられているが、2012年以降に発言単語数が著しく増加しており、議会議論における存在感の拡大を示している。

ABSTRACT

Parliamentary transcripts provide a valuable resource to understand the reality and know about the most important facts that occur over time in our societies. Furthermore, the political debates captured in these transcripts facilitate research on political discourse from a computational social science perspective. In this paper we release the first version of a newly compiled corpus from Basque parliamentary transcripts. The corpus is characterized by heavy Basque-Spanish code-switching, and represents an interesting resource to study political discourse in contrasting languages such as Basque and Spanish. We enrich the corpus with metadata related to relevant attributes of the speakers and speeches (language, gender, party...) and process the text to obtain named entities and lemmas. The obtained metadata is then used to perform a detailed corpus analysis which provides interesting insights about the language use of the Basque political representatives across time, parties and gender.

研究の動機と目的

• 政治的ディス course の計算的分析を支援するため、公開可能で大規模なバスク語・スペイン語議会会議録のバイリンガルコーパスを構築すること。
• 時間的経過、性別、政党ごとの言語使用パターン、特にコードスイッチィングの傾向を、バスク政治的ディス course において調査すること。
• 議会発言頻度と発言長におけるジェンダー格差を分析し、代表性と言語的参加度を評価すること。
• 発言者、性別、政党、生年月日などの構造的メタデータ、語形還元、固有表現をコーパスに付加し、高度なNLPおよび社会科学研究を可能にすること。
• バスク議会における言語的行動が、社会的言語使用や政治的代表性とどのように一致するか、あるいは乖離しているかを実証的に解明すること。

提案手法

• バスク議会の2期にわたる会議録（2012–2016年および2016–2020年）を収集・処理した。
• 各発言断片の言語を自動的に特定・ラベル付けし、バスク語・スペイン語のコードスイッチィングパターンを捉えた。
• 発言者メタデータ（性別、政党、生年月日、会期）をコーパスに付加した。
• バスク語およびスペイン語の両言語に対してニューラル語形還元モデルを適用し、語形を標準化した。
• 両言語の固有表現認識（NER）を実施し、機関、人物、組織などの実体を抽出した。
• 言語的特徴、ジェンダー代表性、政党別発言パターンについて、統計的および縦断的分析を実施した。

実験結果

リサーチクエスチョン

• RQ1 議会討論において、バスク語とスペイン語の使用は、時間的経過、政党、発言者の属性によってどのように変化しているか？
• RQ2 バスク語は、発言の核心的内容を伝えるために使われているのか、それとも形式的・修辞的手段として使われているのか、その程度はどの程度か？
• RQ3 バスク政治家におけるジェンダー格差は、発言頻度と語数の点でどのように現れており、時間の経過とともにどのように変化してきたか？
• RQ4 政党ごとの言語使用とジェンダー代表性の観点から、発言パターンにどのような差があるか？
• RQ5 バスク議員の言語的行動は、バスク地域における一般的な社会言語的傾向と、どの程度一致しているか、あるいは乖離しているか？

主な発見

• バスク語は議会発言で頻繁に使用されているが、主に形式的開始・終了や同僚への呼びかけに用いられており、核心的な発言内容を伝えるのには使われていない。
• 発言内容を伝えるのにスペイン語が支配的であり、スペイン語で最も頻出する実体（Euskadi）は、最も頻出するバスク語実体よりも約4倍頻出している。
• 女性は全体的に発言頻度と語数が少なく、大統領の発言を除いても、語数の割合で13ポイント以上の差が生じている。
• 発言頻度が低いにもかかわらず、女性の語数は時間の経過とともに著しく増加しており、2012年の3分の1未満から2020年にはほぼ2分の1にまで上昇した。
• 政党EH Bilduは例外的であり、議会における代表割合を考慮すると、女性発言者の言語的参加度が予想を上回っている。
• 2つの政党（PSE-EEとPP）は、発言者数の代表割合を考慮すると、女性の語数が予想を上回っているが、EAJ-PNVでは女性の語数割合に10ポイントの不足が見られた。