[论文解读] 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 4

一句话总结

本文介紹了 BasqueParl，一個包含 1400 萬詞語的公開雙語語料庫，收錄 2012 至 2020 年巴斯克議會的巴斯克語與西班牙語聽證記錄，並附有元數據（發言者、性別、政黨、出生年份）、詞幹化與命名實體辨識。研究顯示，儘管巴斯克語在演講中經常使用，但主要發揮修辭或正式功能，而非傳遞核心內容；雖然女性在發言頻率與長度上仍處於代表性不足狀態，但其詞語產出量自 2012 年以來顯著增加，顯示其在議會言論中參與度持續提升。

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.

研究动机与目标

• 建立一個公開可用、大規模的巴斯克語與西班牙語議會記錄雙語語料庫，以支援政治言論的計算分析。
• 研究巴斯克政治言論中語言使用模式，特別是跨時間、性別與政黨的語碼切換現象。
• 分析巴斯克政治代表在發言頻率與詞語數量上的性別差異，評估其代表性與語言參與度。
• 透過結構化元數據（發言者、性別、政黨、出生年份）、詞幹與命名實體，豐富語料庫以支援進階自然語言處理與社會科學分析。
• 提供實證洞見，探討巴斯克議會中語言行為如何反映或背離社會語言使用與政治代表性趨勢。

提出的方法

• 收集並處理巴斯克議會兩個立法任期（2012–2016 與 2016–2020）的聽證記錄。
• 自動識別並標記每一段發言的語言，以捕捉巴斯克語與西班牙語的語碼切換模式。
• 為語料庫添加發言者元數據：性別、政黨、出生年份與立法任期。
• 對巴斯克語與西班牙語分別應用神經網絡詞幹化模型，以統一詞形。
• 對兩種語言執行命名實體辨識（NER），以提取機構、人物與組織等實體。
• 針對語言特徵、性別代表性與政黨特定發言模式，進行統計與縱向分析。

实验结果

研究问题

• RQ1 巴斯克語與西班牙語在議會辯論中的使用如何隨時間、政黨與發言者人口統計特徵而變化？
• RQ2 巴斯克語在多大程度上用於傳遞言論內容，而在多大程度上僅作為正式或修辭手段？
• RQ3 巴斯克政治代表在發言頻率與詞語數量上存在哪些性別差異？這些差異如何隨時間演變？
• RQ4 各政黨在語言使用與性別代表性方面，其發言模式有何差異？
• RQ5 巴斯克國會議員的語言行為在多大程度上反映或背離了巴斯克地區更廣泛的社會語言趨勢？

主要发现

• 巴斯克語雖常見於議會發言，但主要用於正式開場、結束語與對同事的稱呼，而非傳遞核心言論內容。
• 西班牙語是傳遞言論內容的主導語言，西班牙語中最常見的實體（Euskadi）出現頻率近乎巴斯克語中最常見實體的四倍。
• 整體而言，女性發言次數與詞語數量均低於男性，即使排除總統發言後，詞語產出差距仍超過 13 個百分點。
• 儘管發言頻率較低，女性詞語產出量隨時間顯著增加，從 2012 年的不到三分之一上升至 2020 年的近三分之二。
• 政黨 EH Bildu 是一個例外，女性發言者的語言參與度高於其在議會中的代表比例。
• 兩個政黨（PSE-EE 與 PP）的女性詞語產出量高於其發言者代表比例所預期的水準，而 EAJ-PNV 則在女性詞語佔比上出現 10 個百分點的缺口。