0.5 Λόγος

Ένα μεγάλο μέρος της υπολογιστικής γλωσσολογικής έρευνας είναι προσανατολισμένη σε συγκεκριμένες εφαρμογές. Είναι λοιπόν λογικό να χωρίσουμε την έρευνα αυτή βάσει του πεδίου εφαρμογής της: τα δύο κύρια πεδία εφαρμογής είναι η παραγωγή της γλώσσας και η ερμηνεία της γλώσσας. Επικεντρωνόμαστε εδώ στην έρευνα που αφορά στη θεωρία της δομής του λόγου και την εφαρμογή της στην ερμηνεία κειμένων, καθώς σχετίζεται άμεσα με τη μελέτη μας.

Η θεωρία της ρητορικής δομής (RST) (Mann και Thompson, 1988) ορίζει ένα σύνολο ρητορικών σχέσεων οι οποίες απαιτούνται προκειμένου να αποτυπώνεται η συνοχή του λόγου. Οι ρητορικές σχέσεις της RST αντιστοιχούν σε μεγάλο βαθμό στις κατηγορίες της ιδεολογικής ανάλυσης που προτείνονται από τον van Dijk. Οι ρητορικές σχέσεις συνδέουν διάφορα μέρη ενός κειμένου, τα οποία μπορούν να ποικίλουν σε μέγεθος, από μία πρόταση έως μία παράγραφο. Τα γειτονικά τμήματα του κειμένου που συνδέονται με μία ρητορική σχέση, αποτελούν ένα νέο τμήμα το οποίο συνδέεται, με τη σειρά του, με το δικό του γειτονικό τμήμα. Η διαδικασία επαναλαμβάνεται διαδοχικά μέχρι να συνδεθούν όλα τα τμήματα του κειμένου. Έτσι, διαμορφώνεται μια ιεραρχική δομή.

Η παραπάνω ιεραρχική προσέγγιση διαφέρει αισθητά από τις συνεκτικές σχέσεις του Hobbs (1979) που ακολουθούν την ερευνητική γραμμή που χάραξαν οι Grimes, Halliday και Hasan, Longacre και Fillmore, από τη θεωρία της προθετικότητας των Grosz και Sidna (1986), τις λεξικές αλυσίδες των Morris και Hirst (1991), καθώς και πολλά άλλα ερευνητικά έργα που επανεξετάζουν, επεκτείνουν και ενίοτε συμφιλιώνουν τις ανταγωνιστικές μεθοδολογίες.

Πολλές από αυτές τις προσεγγίσεις διατυπώθηκαν ενώ οι απαραίτητοι πόροι (μεγάλα corpus, θησαυροί, κ.λπ.) για τον έλεγχο και την επικύρωση του θεωρητικού τους υπόβαθρου ήταν ακόμη σπάνιοι. Καθώς οι πόροι άρχισαν να διατίθενται, διευκολύνοντας την πρακτική εφαρμογή των διαφόρων μεθοδολογιών, παρατηρούμε μια τάση σύνθεσής τους σε ενοποιημένες προσεγγίσεις (Moser και Moore, 1996 - Marcu, 2000).

Το βασικό ερώτημα που μας απασχολεί ωστόσο στα πλαίσια της παρούσας μελέτης, είναι κατά πόσο η εφαρμογή μίας τέτοιας σύνθετης προσέγγισης είναι απαραίτητη για το σύστημά μας. Είναι προφανές ότι η ανάλυση της ρητορικής δομής ενός κειμένου ή της θεματολογίας που καλύπτει, δεν μπορούν να του προσάψουν από μόνες τους συγκεκριμένα ιδεολογικά χαρακτηριστικά. Έτσι, θεωρώντας ότι η ανάλυση της ρητορικής δομής του λόγου πρέπει να αποτελεί μέρος ενός ευρύτερου συστήματος που ενσωματώνει όλες τις πρόσθετες απαιτούμενες πληροφορίες, όπως τη λεξιλογική σημασιολογία και την ανάλυση της υποκειμενικότητας του λόγου, καταλήγουμε σε ένα σχεδιαστικό αποτέλεσμα εξαιρετικά πολύπλοκο και δύσκολο στην εφαρμογή του. Είναι όμως πραγματικά απαραίτητος ένας σημασιολογικός ελέφαντας στην περίπτωσή μας;

Εξετάζουμε επομένως κάποιες εναλλακτικές στατιστικές προσεγγίσεις που μπορούν να μας βοηθήσουν στον καθορισμό μέτρων σημασιολογικής ομοιότητας μεταξύ κειμένων, ανεξάρτητα από τη δομή του λόγου τους. Η λανθάνουσα σημασιολογική ανάλυση (LSA) και η πιθανοτική λανθάνουσα σημασιολογική ανάλυση (PLSA) είναι μέθοδοι στατιστικής επεξεργασίας του λόγου οι οποίες επιτρέπουν, στα πλαίσια της διανυσματικής σημασιολογίας, τον εντοπισμό των σχέσεων που υφίστανται ανάμεσα σε συλλογές κειμένων και στους όρους που περιέχουν, μέσω της ανάδυσης εννοιών που σχετίζονται με τα κείμενα και τους όρους.

Η LSA διαμορφώνει έναν πίνακα εμφανίσεων των όρων στα κείμενα. Πρόκειται για έναν πίνακα του οποίου οι γραμμές αντιστοιχούν στους όρους και οι στήλες στα κείμενα της συλλογής. Η συχνότητα εμφάνισης του εκάστοτε όρου στα κείμενα κανονικοποιείται με στάθμιση TF-IDF, προκειμένου να καταλήξουμε σε έναν συντελεστή ο οποίος αναδεικνύει τους όρους που εμφανίζονται συχνά σε ένα συγκεκριμένο κείμενο, αλλά σπάνια μεταξύ διαφορετικών κειμένων. Οι όροι που επιλέγονται έτσι, χαρακτηρίζουν τα κείμενα στα οποία ανήκουν.

Ο πίνακας εμφανίσεων διασπάται στη συνέχεια σε ιδιάζουσες τιμές (SVD), προκειμένου να παραχθεί ένας σημασιολογικός χώρος 100-150 διαστάσεων, όπου οι όροι και τα κείμενα αναπαριστώνται γεωμετρικά ως διανύσματα, ενώ το σημασιολογικό φορτίο ενός κειμένου αναπαρίσταται από το μέσο όρο των διανυσμάτων των όρων που εμφανίζονται στο συγκεκριμένο κείμενο. Η στατιστική σύγκριση και η κατηγοριοποίηση των κειμένων είναι επομένως εφικτή σε αυτό το σημασιολογικό χώρο, με τον υπολογισμό ενός στατιστικού μέτρου ομοιότητας μεταξύ των διαφόρων εννοιολογικών διανυσμάτων (συνήθως το συνημίτονο).

Η PLSA βελτιώνει την LSA με την εισαγωγή μίας πιθανοτικής προσέγγισης για την αποσύνθεση του πίνακα εμφανίσεων, με την εφαρμογή ενός στατιστικού μοντέλου λανθανόντων μεταβλητών (LVM). Η παραγοντοποίηση διατηρεί τις υψηλότερες ιδιάζουσες τιμές και αποβάλει τις χαμηλότερες, αντιμετωπίζοντας έτσι το στατιστικό πρόβλημα της υπερπροσαρμογής (overfitting), που αντιστοιχεί στο θεωρητικό ζήτημα της υπερεξειδικευμένης ανάλυσης (βλέπουμε το δέντρο, χάνουμε το δάσος).

Παρά το γεγονός ότι οι μέθοδοι LSA και PLSA αγνοούν εντελώς τη σειρά των όρων που εμφανίζονται σε ένα κείμενο, όπως και τη σύνταξή τους, ενώ δεν αποτελούν σε καμία περίπτωση μια ολοκληρωμένη διαδικασία επεξεργασίας του λόγου, ανήκουν ωστόσο σε μια γενική κατηγορία μοντέλων συνειρμικής εκμάθησης και φασματικής παραγοντοποίησης με δυνατότητα τυπικής μοντελοποίησης υφιστάμενων φαινομένων. Αυτό εξηγεί ένα σημαντικό εύρημα της παρούσας μελέτης: επιλέγοντας το δρόμο της στατιστικής επιτυγχάνουμε πολύ ενθαρρυντικά αποτελέσματα με τόσο λίγα!

Ωστόσο, λαμβάνοντας υπόψη το γεγονός ότι κάθε ιδεολογική ταξινόμηση παραμένει εγγενώς υποκειμενική και τα αποτελέσματα ενός αμιγώς στατιστικού συστήματος υπόκεινται αυτομάτως σε αμφισβήτηση, προχωρήσαμε στην υλοποίηση ενός συστήματος που συνδυάζει την ποσοτική μέθοδο PLSA με την ποιοτική μέθοδο της κριτικής ανάλυσης λόγου (CDA). Με τον τελικό στόχο να παραμένει η πλήρης δοκιμή του συστήματος μέσω της μικτής ταξινόμησης μίας θεματικής συλλογής κειμένων και την ανάδειξη ενός εννοιολογικού μοντέλου αναφοράς του λόγου των ιδεολογιών.