Automatisk registrering af metaforer
i åbne, maskinlæsbare tekstkorpora

Carsten Hansen & Peter Widell⁽¹⁾

---

I artiklen beskrives tre forskellige procedurer til automatisk registrering af metaforer i maskinlæsbare tekstkorpora: (A) simpel registrering af ko-forekomster af ord fra henholdsvis målområde og kildeområde, (B) simpel optælling af overensstemmelser mellem ord i sætning og ord i en såkaldt frametesaurus og (C) opslag i en frametesaurus som i (B) samt identifikation af semantiske roller/syntaktiske funktioner. Den metodiske pointe ved de to mere anvancerede er, at kun ikke-metaforiske forekomster identificeres positivt - metaforiske forekomster bliver registreret som "ulovlig" restgruppe.

---

Indledning

Projektet går ud på at udarbejde et værktøj til systematisk registrering af metaforiske ord og udtryk i maskinlæsbare tekstkorpora. Det interaktive værktøj tænkes anvendt af lingvister, herunder leksikografer, ligesom det vil kunne integreres i en interaktiv metaforordbog.

Foreløbig arbejder vi med følgende:

1.Automatisk registrering af orddele el. ord til afdækning af kildeområder for metafordannelse på basis af ord fra et defineret målområde, fx vrede

2.Automatisk registrering af forskellige metaforiske og ikke-metaforiske anvendelser af ord, fx ord med relation til kroppen, til planter, til krig, til vejret osv.

Ud over denne datalogiske, mindre del af værktøjet består den største del af projektet i en lingvistisk, manuel udarbejdelse af de forskellige kildeområder, som vi vil kalde en frametesaurus (jf. nedenfor).

Baggrunden for projektet

Gennem vores mangeårige beskæftigelse med ordbøger og ordbogsfremstilling har vi fået en vis erfaring i at arbejde med tekstkorpora. På dansk har vi fra 1990 haft et repræsentativt, mindre korpus på 4 mio. løbende ord, det såkaldte Bergenholtz-Korpus eller DK87-90, som vi begge har brugt flittigt (Bergenholtz 1990). Imidlertid er det ofte sådan ved søgning i korpora - og det har det også været for vores vedkommende - at muligheden for at trække informationer ud af det har været begrænset af, at der kun står simple tekstsøgningsfaciliteter til rådighed. Ganske vist findes der programmer med mulighed for at operere med mere sofistikerede søgeprofiler, fx konkordansprogrammet WordCruncher. Alligevel er søgemulighederne her begrænset til såkaldte key word in context - eller KWIC-søgninger. Det gør, at det indtil nu ikke rigtigt har været muligt at søge efter fx ordklasser - substantiver, verber, osv. - syntaktiske funktioner - subjekt, objekt, indirekte objekt, prædikativ osv. - eller valensstrukturer. Ganske vist er der på forskningsniveau forskellige steder i landet bestræbelser på at udarbejde programmer, der vil kunne klare sådanne opgaver, men indtil videre fungerer programmer af den art kun på forsøgsplanet.

Det er i denne sammenhæng, vores projekt skal ses. Som det fremgår af det følgende, vil nogle af de programdele, vi anvender i projektet, have disse mere sofistikerede funktioner.

En anden baggrund for projektet har selvfølgelig været vores interesse for metaforteori, der da også er den egentlige anledning til, at vi præsenterer vores projekt. Bl.a. i forbindelse med den leksikografiske registrering og beskrivelse af halvdøde til døde metaforer i dansk har det været et ønske og en idé, om man ikke kunne undgå den meget omstændelige håndkraftsbaserede søgning og beskrivelse af metaforer i danske tekster ved at erstatte den med mere automatiserede former. Og det er netop, hvad vores projekt går ud på: at opbygge et automatisk edb-baseret system til at finde metaforiske anvendelser af ord i danske tekster og klassificere dem efter visse kriterier.

Beskrivelse af værktøjet

Vi vil nu gå over til at præsentere vores første, beskedne model og de første resultater. I vor fremstilling baserer os på den lakoff-johnsonske grundforestilling om metaforen som en mapping mellem et kildeområde (source domain) og et målområde (target domain) (Lakoff & Johnson 1980).

Vi har foreløbigt arbejdet med følgende tre metoder til udhentning af metaforer fra tekster:

(A) simpel registrering af ko-forekomster af ord fra henholdsvis målområde og kildeområde

(B) simpel optælling af overensstemmelser mellem ord i sætning og ord i en såkaldt frametesaurus

(C) opslag i en frametesaurus som i (B) samt identifikation af semantiske roller/syntaktiske funktioner

Vi vil formulere metoderne som en slags brugsregler for en forsker, der vil søge oplysninger om metaforiske anvendelser af et eller flere ord i et tekstkorpus.

A. Metoden med simpel registrering af ko-forekomster af ord

Her skal man gå frem på følgende måde (figur 1):

1. Det ord, der skal undersøges, vælges som søgeord (fx ordet vrede). Ligeledes vælges et tekstkorpus, hvori forekomster af ordet skal registreres (fx DK87-90).
2. Med programmet findes nu alle sætninger i tekskorpus, der indeholder det pågældende ord (dvs. vrede). Sætningerne listes som en KWIC-konkordans (se bilag A.1.).
3. Listen gennemgås af forskeren, der sammenholder sætningerne med sin intuitive viden om metaforbrug. Vi kan kalde det hans introspektive viden om frames, hvor vi ved en 'frame' vil forstå en situations- eller scenarie-baseret organisering af fænomener: sko sammen med sok, gren sammen med træ og blad, beskæring sammen med kultivering af planter osv.
4. I de sætninger, hvor forskeren finder et brud på den frame, hans søgeord (her vrede) peger på - vrede har noget med følelser, handlinger og gestus at gøre - vil vi kunne se det som et eksempel på en sammenhæng, der tilfredsstiller den lakoff-johnsonske metaformodel: et homogent område har spaltet sig ud i to indbyrdes inhomogene områder eller domæner - et kildeområde og et målområde, hvorimellem der eksisterer en mulig mapping.
5. I tilfældet vrede vil brudordene vise sig at være metaforisk anvendte ord eller kildeord såsom fx dampmaskine/beholder med væske, vildt dyr.
6. Søgeproceduren kan nu gentages, men denne gang med et søgeord fra brudkonteksten i den første søgning, altså et kildeord. Denne søgning vil nu kunne skaffe forskeren ord fra kildeområdet.

Den her skitserede metode (A) kræver intet edb-teknisk, lingvistisk baseret søgeprogrammel ud over et almindeligt konkordansprogram, fx WordCruncher.

Metoden har ikke blot været anvendt af os. Den er ganske udbredt, og har bl.a. været benyttet til excerpering af materialet til COBUILDs metaforordbog (Deignan 1995).

Generelle mangler ved denne metode er:

• Manglende lemmatisering ('stigende' vrede/vreden 'steg' i ham)
• (Ofte) Manglende statistik og sortering af ko-forekomster
• Men den væsentligste mangel er, at der ikke sker nogen frasortering af ikke-metaforiske udtryk, hvilket betyder omfattende håndsortering med gennemgang af lange ordlister

B.Metoden med simpel optælling af overensstemmelser mellem ord i sætning og ord i frameordbog

Metoden forudsætter en del programmeringsarbejde. Det vil vi ikke komme ind på i denne forbindelse. Derimod er det nødvendigt med en kort forklaring af, hvad en frametesaurus er.

Hvad er en frametesaurus?

En frametesaurus er en ordbog, opbygget på en sådan måde, at de dele, ordene i ordbogen er organiseret i, svarer til områder, der kan optræde som kilde- eller målområder i den lakoff-johnsonske model. I tesaurussen kan indgå mere overordnede frames som 'ting i beholder', eller 'bevægelse' - eller der kan være tale om mere specifikke frames som fx 'kultivering af planter' eller 'opvarmning af ting og substanser'. Alle frames er - ideelt set, selv om vi slet ikke er nået så langt endnu - organiseret hierarkisk, altså som i en klassisk tesaurus. Heraf det valgte navn tesaurus. Helt konkret tager en frametesaurus form af en række arrangerede ordlister - i framen 'ting i beholder' en ordliste for ting og en ordliste for beholdere. Nedenfor (bilag B.1.) vises et uddrag af frameordbogen 'kultivering af planter', nemlig et uddrag af listen over forskellige aktiviteter i forbindelse med dyrkning. (Markeringerne bag ordene vil blive forklaret senere).

Vores metode formulerer vi igen i brugsregelform eller - hvor det er tilfældet - i form af programkørsler:

Der gås frem på følgende måde (figur 2):

1. Det aktuelle ord, der skal undersøges, vælges (vi holder stadig fast ved ordet dyrke). Ligeledes vælges et tekstkorpus, hvori forekomster af ordet skal registreres.
2. En programdel finder alle sætninger i tekstkorpus, der indeholder det pågældende ord (altså dyrke). Sætningerne listes i en KWIC-konkordans.
3. Programmet udvælger sætningerne én for én til videre undersøgelse.
4. Via en ny programdel foretages et automatisk opslag i frametesaurussen. Ordbogsopslaget - i vort tilfælde af ordet dyrke - aktiverer den eller de frames i tesaurussen, ordet har tilknytning til.
5. Alle ord i den aktiverede frame testes mod den aktuelt undersøgte sætning, dvs. hvert ord i sætningen slås op i tesaurussen. Hvert 'hit' registreres, inklusive det 'hit', søgeordet udløser.
6. Resultatet af registreringen giver nu anledning til følgende slutbestemmelse af den sætning, søgeordet indgår i: Scorer en sætning mere end et vist antal hits, n, anbringes den i gruppen af ikke-metaforiske kontekster. Scorer den kun det pågældende antal hits, n, anbringes den i gruppen af metaforiske kontekster. I vort eksempel med ordet dyrke vil vi da kunne tale om henholdsvis ikke-metaforiske og metaforiske kontekster for anvendelse af det pågældende ord.

Vi har testet nogle ord på det tidligere nævnte DK87-90, bl.a. netop ordet dyrke. Resultatet af kørslen af dyrke ses i bilag B.2, B.3 og B.4.

Mangler ved denne metode er:

Som man kan se af de forkerte anbringelser (mærket med asterisk), falder det maskinfrembragte snit i metaforiske og ikke-metaforiske anvendelser af dyrke ikke fuldstændig rent i de to grupper. Men det er forbavsende tæt på.

Hvis vi ser nærmere på de forkerte anbringelser i metaforgruppen, finder vi følgende fejltyper:

1. Sætninger kan være tvetydige. De kan ikke i sig selv bestemmes som enten metaforiske eller ikke-metaforiske. Det gælder (lidt anstrengt) sætning 11: *i forbindelse med dyrkningsprojekter ...

   Fejleliminering: Der hentes yderligere kontekst ind, hvilket vil være relativt let.

2. Ord fra én frame overføres i en anden frame, uden at der er tale om en metaforisk mapping. Eks 19: Prisen i fjor til dyrker var 7,75 kr (en dyrker overføres fra 'kultivering af planter'-framen til en 'køb-og-salg'-frame).

   Fejleliminering: De forskellige frames skal organiseres indbyrdes i frametesaurussen.

3. Sammensatte ord kan ikke opløses. Det gælder fx bærdyrkerne i eksempel 12 og 18.

   Fejleliminering: Der skal tilføres en morfologisk parser. En sådan morfologisk parser vil vi omtale i det følgende.

C. Metoden med identifikation af semantiske roller/syntaktiske funktioner

Der gås frem på følgende måde (figur 3):

1. Det ord, der skal undersøges, vælges (fx dyrke). Ligeledes vælges tekstkorpus.

2. Programmet finder nu alle sætninger i tekskorpus, der indeholder det pågældende ord (altså dyrke). Sætningerne listes i en KWIC-konkordans.

3. Programmet udvælger sætningerne én for én til videre undersøgelse.

4. Via endnu en programdel foretages derpå en grammatisk analyse af de listede sætninger. Denne analyse finder først sted i form af såkaldt parsing eller automatisk strukturtilordning eller strukturmarkering. Parsingen består i dette tilfælde af to dele:

   Første del er en morfologisk parsing af alle ord i hver sætning. Resultatet heraf er registrering og markering af de pågældende ords rødder, stammer, aflednings- og bøjningsendelser. Parsingen foregår rent konkret på følgende måde:

   For alle simpleksord slås op i en fuldformsordbog for simpleksord, dvs. en ordbog indeholdende alle bøjnings- og afledningsformer samt en henvisning til ordets lemmaform, dvs. den form, ordet har, når det står som opslagsord i en ordbog.

   For alle komposita, sammensatte ord, findes deres rodbestanddele gennem en række algoritmisk ordnede ordbogsopslag på forskellige dele af ordet, så til sidst også deres roddele, stammedele og aflednings- og bøjningsdele kan identificeres.

   Har man oplysning om et ords aflednings- og bøjningsforhold, har man også oplysning om ordets ordklasse og fx for et verbums vedkommende, om det er finit eller infinit, aktivt eller passivt. Hvert ord 'tag'es' nu med disse oplysninger, dvs. oplysningerne anbringes bag ordet i særmarkeret form.

   Anden del er en syntaktisk parsing af sætningerne på baggund af de tag'ede ord. Her bestemmes de syntaktiske funktioner verbal, subjekt, objekt, indirekte objekt, prædikativ, objektsprædikativ, adverbialer. Analysen omfatter også en analyse af ledsætninger.

   Dette arbejde er endnu ikke afsluttet. Hvor langt vi indtil videre er nået, fremgår af nedenstående (bilag C.1.).

5. Via en ny programdel foretages et automatisk opslag i en frametesaurus, der stort set minder om den frametesaurus, vi omtalte under den forrige metode. Blot er der tilføjet nogle vigtige oplysninger. Bl.a. om, hvilke roller de forskellige ord i frametesaurussen kan spille i de forskellige frames.

   I B.1. på bilagets side 1 vises, hvordan det ser ud for fx verbet vande:

   vande|va|vp

   Her er efter verbet vande i første felt angivet, at det skal have aktiv form i frames af typen

   Gartneren vandede blomsterne

   og i andet felt, at det skal have passiv form i frames af typen:

   Blomsterne blev vandet ofte

   For ord fra andre ordgrupper står andre typer oplysninger. Bl.a. at et ord som bær kan stå som objekt eller indirekte objekt i den første type frame, hvor det finitte verbum er aktiv, og som subjekt i den anden:

   bær|o,oi|s|	Han plukkede bær Han gav bærrene vand
   bær|o,oi|s|	Bærrene voksede hurtigt

   Endvidere kan forskellige selektionsrestriktioner være angivet.

   De syntaktiske oplysninger er vigtige for at kunne identificere visse sætninger som metaforiske, bl.a.

   Hun dyrkede ham meget
   (ham angiver altid en person, men personer kan ikke dyrkes i bogstavelig forstand)

   Kernen havde ikke mistet modet og dyrkede fortsat deres behov
   (der er to 'hit', og derfor vil sætningen registreres som ikke-metaforisk ved n=2; imidlertid kan kerner ikke miste modet, hvis de forstås bogstaveligt; men det vil en analyse af syntaktiske funktioner netop kunne afsløre)

6. Selve identifikationen af sætninger af denne type som metaforiske - og andre typer som ikke-metaforiske - finder sted ved at parre den syntaktisk analyserede sætnings enkelte dele med de syntaktiske funktioner, der er tilladt i frametesaurussen. Findes der uoverensstemmelser, er sætningen metaforisk - ellers ikke.

Afsluttende bemærkninger

I de gennemgåede eksempler har vi udelukkende beskæftiget os med metaforiske brud, ikke med målområdernes specifikation og heller ikke med specifikation af et muligt tertium comparationis. Efterhånden som frametesaurussen bliver udbygget, vil det være naturligt at registrere og systematisere disse størrelser.

Nu er det klart, at vores program ikke vil kunne tale som digteren - og når det gælder produktion af metaforer, er vi alle digtere - men det er alligevel tankevækkende, at når digteren har talt, vil vi i stor udstrækning mekanisk kunne afgøre, om han har brugt en metafor eller ej.

Referencer

Bergenholtz, Henning (1990) DK87-90: Et korpus med dansk almensprog. Århus: Handelshøjskolen i Århus.

Deignan, Alice (1995) Metaphor. Collins-Cobuild Guide to English, no:7. London: Harper-Collin's Publishers.

Lakoff, George & Mark Johnson (1980) Metaphors We Live By. Chicago: University of Chicago Press.

1. Carsten Hansen, f. 1951, er cand.mag. i dansk, tysk og datamatisk lingvistik fra Københavns Universitet og ph.d.-stipendiat ved Institut for Nordisk Filologi, Københavns Universitet. Særligt arbejdsområde: leksikografi. Har været ansat som leksikograf ved maskinoversættelsesprojektet EUROTRA (1990) og ved Gads forlag (1991-94). Udgivelser: Gads Tysk Large - dansk-tysk-dansk ordbog (1993), redaktør hhv. konsulent ved Dansk frekvensordbog (1992) og Gads Fransk Large (1994). Peter Widell, f. 1945, er lektor i dansk sprog ved Institut for Nordisk Sprog og Litteratur, Aarhus Universitet. Tidligere hovedredaktør ved Nudansk Ordbog. Har bl.a. skrevet artikler om leksikologi og artikler og bøger om grammatik. Nuværende interesseområder er æstetisk teori, sprogfilosofi, logisk semantik, kognitiv lingvistik og argumentationsteori. Tilbage