[論文レビュー] The Open Language Archives Community and Asian Language Resources

Steven Bird, Gary Simons+1 more|ArXiv.org|Oct 3, 2001

Natural Language Processing Techniques参考文献 6被引用数 3

ひとこと要約

本論文は、アジアにおける多言語言語資源の検索可能性を向上させるために、オープンアーカイブ・イニシャチブとダブリンコアに基づく分散型メタデータフレームワーク、オープン言語アーカイブ・コミュニティ（OLAC）を紹介する。本論文は、言語データ、ツール、助言を分類するための制御語彙を備えた標準化されたメタデータモデルを提案し、多様な言語資源間でのクロスアーカイブ検索と相互運用性を可能にする。対象となる資源には、多言語語彙、テキストコレクション、現地ノートが含まれる。

ABSTRACT

The Open Language Archives Community (OLAC) is a new project to build a worldwide system of federated language archives based on the Open Archives Initiative and the Dublin Core Metadata Initiative. This paper aims to disseminate the OLAC vision to the language resources community in Asia, and to show language technologists and linguists how they can document their tools and data in such a way that others can easily discover them. We describe OLAC and the OLAC Metadata Set, then discuss two key issues in the Asian context: language classification and multilingual resource classification.

研究の動機と目的

• 分散型で相互運用性のないアーカイブに起因する言語資源の検索の断片化を是正するため、統一的で分散型のメタデータインfra構築を目的とする。
• 通常はウェブアクセス不可またはインデックスが不十分なアーカイブに閉じ込められているアジアの言語資源へのアクセスを向上させること。
• 言語データ、ツール、助言のメタデータを標準化し、相互運用性と長期的再利用性を支援すること。
• とりわけアジアの未発達言語を対象として、多言語的・多層的言語資源の分類を容易にすること。
• 一貫性と信頼性を確保するため、コミュニティ主導のメタデータ実践を促進すること。

提案手法

• 分散アーカイブ間でのメタデータ収集を可能にするために、オープンアーカイブ・イニシャチブ（OAI）フレームワークを採用する。
• ダブリンコアメタデータセットを基盤とし、言語資源に特化したOLAC固有の要素を拡張する。
• 言語コード（例：ISO 639-3）や言語的タイプ（例：テキスト、語彙、文法）の制御語彙を定義し、精度を向上させる。
• Language、Subject.language、Type.linguistic、Relationなどのメタデータ要素を用いて、リソースの内容と関係性を記述する。
• Relation要素を介してリンクされた複数のメタデータレコードを用いて、ビットエクスト（bitexts）や多言語語彙など複雑なリソースタイプをサポートする。
• OAI-PMHプロトコルを介したメタデータ収集を可能にし、サービスプロバイダが複数のデータプロバイダからメタデータを集約して統合検索インターフェースを構築できるようにする。

実験結果

リサーチクエスチョン

• RQ1 分散型で相互運用性のないアーカイブに起因するアジアの言語資源の検索可能性は、どのように向上できるか？
• RQ2 多様な言語資源（データ、ツール、助言を含む）の検索を最も効果的に支援するメタデータモデルは何か？
• RQ3 多言語的・多層的言語資源（例：アノテーション付きテキスト、ビットエクスト）は、メタデータでどのように意味的に記述すべきか？
• RQ4 制御語彙と標準化されたメタデータ要素は、検索の正確性と再現率を向上させるために果たす役割は何か？
• RQ5 分散型アーカイブは、多言語的文脈下で言語資源の長期的保存と再利用をどのように支援できるか？

主な発見

• OLACメタデータモデルにより、多様なアーカイブ間で一貫性があり機械可読性の高い言語資源の記述が可能となり、クロスアーカイブ検索が向上した。
• LanguageおよびSubject.languageの両要素を用いることで、ビットエクストやアノテーション付き現地ノートのような多言語的・多層的リソースの正確な表現が可能となった。
• OAIメタデータハーベスティングプロトコルの利用により、サービスプロバイダが複数のアーカイブからのメタデータを集約し、統合検索インターフェースを構築できるようになった。
• 言語的タイプおよび言語コードの制御語彙の活用により、多言語リソースの検索精度が向上し、曖昧さが低減した。
• Relation要素を通じたリソース関係の構造的記述により、部分と全体（例：ビットエクストを含む現地ノート）の記述が可能となり、複雑な関係性を扱えるようになった。
• コミュニティ主導のメタデータ開発を通じて、アジアの言語文脈、とりわけ未発達言語やオーストロネシア語族言語にも対応可能な拡張性と適応性を持つモデルが実現された。