ساخت پیکره مقایسه‌ای تخصصی «پارسا»

پیکره‌ها براساس زبان به‌ کاررفته در متن‌های تشکیل ­دهنده آن­ها به پیکره­‌های تک­ زبانه، دوزبانه و چندزبانه گروه‌بندی می‌­شوند. پیکرة مقایسه ­ای، پیکره­ای است دوزبانه یا چندزبانه که شامل متن‌هایی است مشابه در حوزه‌­های موضوعی یکسان. با وجود کاربرد فراوان این نوع پیکره‌ها در پژوهش‌های گوناگون همچون پژوهش­‌های زبانی، ترجمه ماشینی و سامانه‌های خودکار بازیابی اطلاعات بینازبانی، پژوهشگران همواره با کمبود پیکره‌های مقایسه­ ای مواجه بوده‌اند. در این مقاله، به معرفی مراحل ساخت یک پیکره مقایسه‌ای تخصصی به نام «پارسا» پرداخته شده‌است. این پیکره از چکیده­‌های فارسی و انگلیسی پایان­ نامه ­ها و رساله ­های ثبت‌ شده در پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک) ساخته شده‌ است و شامل بیش از 89 میلیون واژه فارسی و 79 میلیون واژه انگلیسی است. محتوای این پیکره عمومی نیست و مشتمل بر متن‌های بسیار تخصصی در حوزه­‌های موضوعی کلان مانند علوم اجتماعی، علوم انسانی و هنر، فنی­ ومهندسی و رشته‌­های مربوط به این حوزه­‌ها است و ازاین‌ جنبه، برای پردازش­‌های زبانی که نیازمند بهره ­گرفتن از متن‌های تخصصی است، بسیار ارزشمند است. برای ساخت این پیکره، پس از نمونه ­گیری، داده­‌های فارسی وارد فرایند پیش ­پردازش (هنجارسازی و واحدسازی) شدند. برای ارزیابی این مرحله دقت (P)، فراخوان (R) و F1 سنجیده شد. دقت، 5614035088. 0، فراخوان، 0531561462. 0 و در پایان، F1 09711684370257966. 0 محاسبه شده‌است. سپس، داده­‌ها برچسب‌گذاری شدند (برچسب ­گذاری اجزای کلام) و برچسب­‌های متون فارسی کنترل شدند. داده‌­های انگلیسی نیز به‌ صورت ماشینی برچسب‌گذاری شدند. شمار واژه‌های محتوایی (فعل، اسم، صفت، قید) داده­‌های فارسی این پیکره 57653813 و شمار واژه‌­های دستوری به‌ همراه اعداد و علائم سجاوندی 31350125 است و بن­ واژه­‌های فارسی استخراج ­شده نیز شامل 41064 بن­ واژه است. شمار واژه­‌های محتوایی متون انگلیسی 45606686 و شمار واژه­‌های دستوری به‌ همراه اعداد و علائم سجاوندی شامل 33662304 و بن‌واژه­‌های انگلیسی استخراج ­شده نیز شامل 12937 بن ­واژه است. پیکره ساخته ‎شده قابلیت بسیار بالایی برای داده‌کاوی، پژوهش­‌های مربوط به ترجمه ماشینی و به‌ کارگیری در تمام پژوهش‌هایی که بر روی متون علمی انجام می‌شود را دارا است.