Een reproduceerbaar protocol voor het construeren van een Chinees-Engels keramisch cultureel toerismelexicon met behulp van geregistreerde corpora

Samenvatting

Dit protocol construeert een Chinees-Engels keramisch cultureel toerismelexicon met behulp van geregistreerde tweetalige corpora, gestandaardiseerde reiniging, kandidaattermextractie, gelijkenissen-gerangschikte uitlijning en expertvalidatie met beoordeling. Met deze workflow werden 60 geverifieerde vermeldingen geëxporteerd met definities, gebruiksvoorbeelden, herkomstrecords en TBX-compatibele uitvoer.

Samenvatting

Het opbouwen van tweetalige terminologiebronnen voor keramisch cultureel toerisme is uitdagend omdat relevante teksten vaak gefragmenteerd zijn, vertaalkeuzes inconsistent zijn en herbruikbare bouwworkflows zelden worden gedocumenteerd. Dit protocol biedt een reproduceerbare, stapsgewijze workflow voor het construeren van een Chinees-Engels keramisch cultureel toerismelexicon door middel van corpusregistratie en -reiniging, het extraheren van kandidaattermen, tweetalige uitlijning en deskundige validatie met beoordeling. Toegepast op een geregistreerd tweetalig corpus genereerde de workflow geselecteerde Chinese en Engelse kandidatentermen, produceerde gerangschikte tweetalige termenparen en behield gevalideerde uitlijningen na onafhankelijke deskundige beoordeling. Het definitieve lexicon exporteerde 60 geverifieerde vermeldingen met tweetalige termen, domeintags, vertaaltypes, tweetalige definities, gebruiksvoorbeelden, herkomstrecords en interoperabele uitvoer zoals Excel- en TBX-bestanden. Om transparantie en herhaalbaarheid te ondersteunen, registreert het protocol ook drempels, pakketversies, bevroren resources en validatiebeslissingen gedurende de hele workflow. Dit maakt de procedure auditeerbaar en eenvoudiger aan te passen aan andere erfgoedtoerismedomeinen. Wanneer gebruikers naar een nieuw domein worden overgezet, kunnen ze de domeinzoekwoordenlijst uitbreiden, de tweetalige mappingbron bijwerken en een klein aantal shortlist- en gelijkenisdrempels aanpassen op basis van corpusgrootte en terminologiedichtheid.

Inleiding

Cultureel toerisme is een belangrijke drijfveer geworden voor de ontwikkeling van bestemmingen, aangezien reizigers steeds vaker op zoek zijn naar erfgoedgebaseerde ervaringen die betekenisvol zijn in plaats van puur recreatief. Op beleids- en industrieniveau hebben internationale organisaties herhaaldelijk de waarde benadrukt van het verbinden van toerisme met cultuur en het verbeteren van interpretatie, documentatie en communicatie over diverse erfgoedobjecten. Binnen deze bredere context is keramisch cultureel toerisme bijzonder terminologie-dicht omdat bezoekers regelmatig gespecialiseerde concepten tegenkomen met betrekking tot materialen, glazuur- en stookprocessen, oventechnologieën, stilistische motieven, artefakttypen en ambachtelijke verhalen. Deze termen dragen vaak technische betekenissen die niet gemakkelijk overgebracht zijn via een informele parafrase, en vertaalkeuzes kunnen direct bepalen wat bezoekers begrijpen van labels, begeleide interpretatie en educatief materiaal². Tegelijkertijd hebben erfgoedkaders benadrukt dat het beschermen van immaterieel cultureel erfgoed afhankelijk is van duurzame kennisoverdracht en publieke bewustwording, die beide een taal vereisen die nauwkeurig, toegankelijk en contextueel geschikt is voor interpretatie en onderwijs³.

Ondanks deze vraag blijven tweetalige terminologiebronnen voor keramiek cultureel toerisme gefragmenteerd en inconsistent. Op museumlabels, tentoonstellingsteksten, toeristische gidspagina's en erfgoedbeschrijvingen kan hetzelfde concept verschillend worden weergegeven tussen instellingen, regio's en communicatieve omgevingen⁴. Dergelijke variatie is niet louter stijlistisch. Het kan het begrip van bezoekers beïnvloeden, de vergelijkbaarheid van beschrijvingen tussen locaties verminderen en de waargenomen geloofwaardigheid van erfgoedcommunicatie verzwakken⁵. Terminologieonderzoek stelt al lange tijd dat hoogwaardige termenbronnen conceptgericht moeten zijn, ondersteund door expliciete definities en verankerd in traceerbaar bewijs zoals bronnen, contexten en kwaliteitscontrolegegevens⁶. Toch missen veel domeinteams nog steeds een workflow die verspreide teksten systematisch kan omzetten in een zorgvuldig samengesteld tweetalig lexicon, terwijl transparante beslissingsregels, reproduceerbare procedures en herbruikbare output^{behouden blijven}. In vergelijking met ad-hoc handmatige compilatie biedt een gestandaardiseerd protocol duidelijkere documentatie, consistentere validatie en betere voorwaarden voor update, auditing en hergebruik tussen instellingen.

Om deze uitdagingen aan te pakken, moet een praktisch protocol voor tweetalige lexiconconstructie twee gekoppelde taken organiseren: het ontdekken van kandidaattermen en tweetalige uitlijning. Voor termontdekking kan corpusgebaseerde automatische extractie de afhankelijkheid van volledig handmatige verzameling verminderen door taalkundige patronen te combineren met statistisch bewijs, waardoor het makkelijker wordt domeinrelevante terminologie op schaal⁸ te identificeren. In cultureel erfgoed is corpusconstructie echter zelden eenvoudig. Bronmaterialen verschillen vaak in stijl, register en communicatief doel, en kunnen domeinspecifieke namen en gemengde beschrijvende conventies^{bevatten 9}. Deze functies maken transparante parameterregistratie en stabiele verwerkingsregels bijzonder belangrijk. Voor tweetalige uitlijning kunnen computationele methoden gerangschikte cross-language kandidaatparen genereren door termvormen en hun omliggende gebruikscontexten te vergelijken, waarna domeinexperts kunnen verifiëren of de voorgestelde paren conceptueel geschikt zijn¹⁰. In dit protocol wordt automatisering gebruikt om eerst plausibele kandidaten te genereren en te rangschikken, terwijl deskundige beoordeling wordt gebruikt om ze daarna te bevestigen of af te wijzen. Deze combinatie verbetert de efficiëntie zonder interpretatieve beoordeling uit de uiteindelijke beslissing te verwijderen. Omdat erfgoedterminologie vaak culturele en educatieve implicaties heeft, moeten beoordelaars het bewijs achter elk voorgesteld paar kunnen inspecteren in plaats van te vertrouwen op een ondoorzichtig resultaat^{van 11}.

Hier wordt een stapsgewijze en controleerbare procedure gepresenteerd voor het samenstellen van een Chinees-Engels keramisch cultureel toerismelexicon uit geregistreerde tekstbronnen. De workflow standaardiseert corpusregistratie en -opruiming, tweetalige kandidaatextractie, generatie van gerangschikte paren, beoordeling met twee annotators en beoordeling, en het voltooien van de definitieve invoer onder een vast schema. Door versielogging, drempelcontrole, bevroren bronnen en expertvalidatie te integreren, verbetert het protocol reproduceerbaarheid, auditeerbaarheid en standaardisatie ten opzichte van minder gestructureerde terminologie-opbouwworkflows. Om langdurig hergebruik in terminologiebeheer en vertaalpraktijk te ondersteunen, kan het definitieve lexicon ook worden geëxporteerd in TermBase eXchange (TBX)-formaat, een ISO-georiënteerde standaard voor gestructureerde terminologische gegevensuitwisseling¹².

Protocol

Deze studie gebruikte uitsluitend openbaar beschikbare of door de instelling goedgekeurde tekstuele gegevens en betrof geen menselijke of dierlijke proefpersonen. Er was geen institutionele ethische goedkeuring vereist.

1. Maak de projectwerkruimte aan

1. Maak een projectmap aan en de volgende submappen: corpus_raw, corpus_clean, kandidaten, uitlijning, validatie, outputs, logs en resources.
2. Maak het run log aan en registreer de omgevingsinstellingen.
   1. Maak logs/run_notes.txt.
   2. Noteer de uitvoeringsdatum/tijd, besturingssysteemversie en projectomvang als "Chinees-Engelse keramische culturele toerismeterminologie".
   3. Stel de Python-interpreter in op Python 3.11 en registreer deze informatie in logs/run_notes.txt.
3. Voer python -m pip freeze uit > logs/pip_freeze.txt en bevestig dat logs/pip_freeze.txt is gegenereerd en niet leeg¹³ is.
4. Maak het dependency file aan en installeer de softwareomgeving.
   1. Maak bronnen/requirements.txt.
   2. Vermeld de kernpakketversies die in dit protocol worden gebruikt als volgt: jieba==0.42.1, spacy==3.7.2, scikit-learn==1.4.2, en RapidFuzz==3.6.1.
   3. Noteer het installatiecommando in logs/run_notes.txt.
   4. Installeer en_core_web_sm==3.7.1. 1.4.5 Voer python -m spacy uit, valideer en registreer de gevalideerde modelversie in logs/run_notes.txt.
      OPMERKING: Controleer of zowel logs/pip_freeze.txt als logs/run_notes.txt bestaan en niet leeg zijn voordat je verder gaat.

2. Stel een gebalanceerd tweetalig corpus samen en registreer bronnen

1. Selecteer bronnen die passen bij de tweetalige en genrecompositie zoals weergegeven in Tabel 1 en ken elk document een unieke source_id toe, zoals S001 of S002¹⁴.
2. Maak SourceRegister.xlsx aan en registreer voor elk document, source_id, titel, eigenaar/uitgever, taal, genre, access_date en license_note.
3. Converteer elk document naar UTF-8 platte tekst, noem elk bestand als source_id_lang.txt (bijvoorbeeld S001_zh.txt of S001_en.txt) en sla de bestanden op in corpus_raw.
4. Sla een bevroren kopie van het register op als outputs/SourceRegister_v1.xlsx en noteer de bevriesdatum en de documenttotalen (n_docs_zh en n_docs_en) in logs/run_notes.txt.
   OPMERKING: Het protocol kan hier worden gepauzeerd. Als je later weer begint, verander dan geen source_id opdrachten.
   VOORZICHTIG: Gebruik alleen openbaar toegankelijke of door de instelling goedgekeurde teksten. Verspreid geen auteursrechtelijk beschermde volledige teksten zonder expliciete toestemming.

3. Schoonmaak en normaliseer corpusbestanden

1. Verwijder alleen navigatieregels, URL-only regels en gedupliceerde headers of footers die in ten minste drie documenten worden herhaald. Houd alle resterende lijnen in hun oorspronkelijke volgorde¹⁵.
2. Behoud de interpunctie die deel kan uitmaken van meerwoord- of samengestelde termen tijdens het schoonmaken, waaronder het koppelteken (-), de slash (/), haakjes (( en )) en de middelste punt (·).
3. Normaliseer Chinese tekst door alfanumerieke tekens van volledige breedte om te zetten naar halve breedte tekens en tussen haakjes te standaardiseren naar ( en ).
4. Normaliseer Engelse tekst door herhaalde witruimte in één ruimte te vermengen en alle koppeltekenvarianten te standaardiseren naar het ASCII-koppelteken (-), terwijl de samengestelde verbindingen behouden blijven.
5. Sla elk schoongemaakt bestand op in corpus_clean met dezelfde source_id_lang.txt bestandsnaam als in corpus_raw.
6. Record source_id, lang, n_chars_before, n_chars_after, timestamp en cleaning_ruleset ingesteld als v1.0 in outputs/CorpusStats.xlsx¹⁶.
   OPMERKING: Controleer voor elke taal of elk bestand in corpus_raw een overeenkomstig schoongemaakt bestand in corpus_clean heeft met hetzelfde source_id en taalachtervoegsel.
   VOORZICHTIG: Verwijder persoonlijke informatie zoals namen, telefoonnummers en e-mailadressen tijdens de preprocessing als dergelijke informatie in de ruwe tekst verschijnt.

4. Extractie van kandidaattermen in het Chinees en Engels

1. Segmenteer Chinese tekst met jieba versie 0.42.1 met de vaste gebruikerswoordenboekbronnen/userdict_zh.txt en houd kandidaten die overeenkomen met 2–8 opeenvolgende Chinese tekens of 2–6 Chinese tekens gescheiden door één behouden scheidingsteken¹⁷.
2. Verwerk Engelse tekst met spaCy versie 3.7.2 met en_core_web_sm versie 3.7.1 en bewaar alleen naamwoordgroepen en samengestelde koppeltekens met 1–5 tokens¹⁸.
3. Bereken de frequentie als het totale aantal voorkomsten van elke kandidaat in het opgeschonde corpus en bereken doc_freq als het aantal verschillende source_id bestanden die die kandidaat minstens één keer bevatten.
4. Pas de drempels van de shortlist toe door alleen kandidaten met doc_freq ≥ 2 en frequentie ≥ 3 te houden en de overige kandidaten¹⁹ te laten vallen.
   OPMERKING: Deze shortlist-drempels werden geselecteerd voor een relatief klein, genre-gebalanceerd corpus. Voor grotere of meer heterogene corpora kunnen de drempels na pilotinspectie worden aangepast.
5. Exporteer kandidaten/Candidates_ZH.xlsx en kandidaten/Candidates_EN.xlsx met de kolommen term, frequentie, doc_freq, example_source_id en example_snippet.
6. Exporteren kandidaten/Shortlist_ZH.xlsx en kandidaten/Shortlist_EN.xlsx met dezelfde kolommen, waarbij Chinese fragmenten worden weergegeven als ±20 tekens en Engelse fragmenten als ±10 tokens rond één bevestigd voorval.
7. Noteer de namen en versies van de tokenizer of tagger, kandidatenpatronen en kies de drempels in logs/thresholds.txt.
8. Bereken een checksum voor resources/userdict_zh.txt, noteer dit in logs/thresholds.txt en sla een bevroren kopie op als outputs/userdict_zh_v1.txt²⁰.
   OPMERKING: Open Shortlist_ZH.xlsx en Shortlist_EN.xlsx en bevestig dat beide bestanden niet-nul rijen en invulde example_snippet velden bevatten.

5. Genereer tweetalige kandidaten voor uitlijning en rangschik van termijnparen

1. Voor elke geselecteerde Chinese term verzamel je contextvensters van ±20 Chinese tekens rond elke gebeurtenis en voeg je tot vijf vensters samen tot één contextstring genaamd ctx_zh.
2. Voor elke geselecteerde Engelse term verzamel je contextvensters van ±10 tokens rond elke gebeurtenis en voeg je tot vijf vensters samen tot één contextstring genaamd ctx_en.
3. Maak de tweetalige kaartbron aan en bevries ze.
   1. Maak bronnen/term_map_zh2en.xlsx met de kolommen term_zh en term_zh_en.
   2. Vul het bestand in met een geautoriseerd proces zoals bestaande institutionele glossaria, eerder geaccepteerde tweetalige termenlijsten en regelgebaseerde normalisatie.
   3. Bewaar de bevroren mapping als output/term_map_zh2en_v1.xlsx.
   4. Noteer de bevriesdatum, de mapping coverage en de checksum in logs/alignment_log.txt. OPMERKING: Bij het aanpassen van deze workflow aan een nieuw domein begin je de mappingbron met een zaadlijst van termen voor een hoog frequentiedomein en breid je de tabel uit tussen volledige herhalingen in plaats van tijdens de scoring.
4. Map elke term_zh naar een Engels-vergelijkbare vorm term_zh_en gebruik van de bevroren mapping en behoud dezelfde kaartbron voor de volledige^{run 21}.
5. Genereer ctx_zh_en door de bevroren mapping toe te passen op ctx_zh, waarbij overeenkomende term_zh voorkomsten worden vervangen door term_zh_en terwijl alle andere tekst ongewijzigd blijft.
6. Noteer de mapping en normalisatieprocedure.
   1. Noteer de mappingprocedure in logs/alignment_log.txt.
   2. Noteer alle normalisatieregels, inclusief smallcasing en koppeltekennormalisatie, in logs/alignment_log.txt.
7. Bereken de string-similariteitsscore S_str door gebruik te maken van RapidFuzz versie 3.6.1 token_sort_ratio om genormaliseerde Engelse termstrings tussen term_zh_en en term_en te vergelijken en deel het resultaat door 100 om de score te schalen naar het bereik [0, 1]²².
8. Bereken de context similarity score S_ctx.
   1. Gebruik scikit-learn versie 1.4.2 en TfidfVectorizer met vaste parameters: kleine letters=True, ngram_range=(1, 2), min_df=1, max_df=0.95 en stop_words="english"²³.
   2. Pas de vectorizer aan op de gecombineerde set van ctx_en en ctx_zh_en strings uit de huidige run.
   3. Bereken S_ctx als de cosinusgelijkenis tussen elke ctx_zh_en string en elke ctx_en string.
      OPMERKING: TF-IDF vertegenwoordigt het relatieve belang van woorden en korte zinnen in elk contextvenster, en cosinusgelijkenis wordt gebruikt om de resulterende contextrepresentaties te vergelijken.
9. Bereken de uiteindelijke gelijkenisscore en rangschik de kandidatenparen.
   1. Bereken de eindscore als S = 0,60 × S_str + 0,40 × S_ctx.
   2. Voor elk Chinees term, behoud de top k = 3 Engelse kandidaten, gerangschikt door S.
   3. Verwijder duplicaten door voor elk uniek (term_zh, term_en) paar de hoogste score te behouden.
   4. Record k, de scoregewichten en het totale aantal geëxporteerde paren in logs/alignment_log.txt²⁴.
      OPMERKING: Het wegingsschema en de waarde van k werden gekozen om een beheersbare beoordelingsset te behouden, terwijl aannemelijke alternatieven behouden bleven. Voor grotere corpora of meer variabele terminologie kunnen deze instellingen worden aangepast na pilottests.
10. Ken domain_tag waarden toe met behulp van de vaste trefwoordmap resources/domain_keywords.csv en de volgende prioriteitsvolgorde: kiln_technology > craft_process > heritage_museum > tourism_experience > product_commerce²⁵.
    OPMERKING: Wanneer je de workflow naar een ander subjectdomein overzet, vervang dan de trefwoordmap en wijs je de prioriteitsvolgorde aan voordat je de volledige pijplijn opnieuw uitvoert.
11. Sla een bevroren kopie van de trefwoordkaart op als output/domain_keywords_v1.csv en noteer de checksum in logs/alignment_log.txt.
12. Exporteer uitlijning/AlignmentPairs.xlsx met de kolommen pair_id, term_zh, term_en, term_zh_en, S, rank_within_zh, domain_tag, evidence_snippet_zh, evidence_snippet_en en evidence_snippet_zh_en.
13. Label elk paar als auto_accept, review of auto_reject met de volgende cutoffs: S ≥ 0,90, 0,75 ≤ S ≤ 0,89 en S < 0,75, en registreer de cutoffs en tellingen in elke labelgroep in logs/alignment_log.txt.
    OPMERKING: In een standaard desktopomgeving vergelijkbaar met die in deze studie werden contextgeneratie, TF-IDF-fitting en gelijkenisscores voor een corpus van deze omvang binnen enkele minuten voltooid.
    OPMERKING: Controleer willekeurig minstens 10 rijen in AlignmentPairs.xlsx en bevestig dat evidence_snippet_zh_en aanwezig is en dat term_zh_en niet leeg is voor gemapte gevallen.
    VOORZICHTIG: Houd alle mappingbronnen binnen een run vast. Werk de tweetalige kaarttabel of trefwoordkaart niet bij nadat de score is begonnen.

6. Verifieer termparen door expert-annotatie en beoordeling

1. Maak validatie/Annotation.xlsx met de kolommen pair_id, term_zh, term_en, term_zh_en, S, domain_tag, A1_decision, A2_decision, beoordeling en rationale.
2. Bereid een richtlijn van één pagina voor waarin conceptuele equivalentie in keramisch cultureel toerisme, acceptabele verklarende vertalingen en uitsluitingsgevallen zoals gedeeltelijke overlap, te generieke weergaven en mismatched artefacttypes^{worden gedefinieerd 26}.
3. Geef twee annotatoren opdracht om elk paar onafhankelijk te labelen als inclusief of uitsluitend met behulp van de verstrekte bewijsfragmenten, en laat de annotateurs elkaars beslissingen niet bekijken.
4. Bekijk alle meningsverschillen na onafhankelijke annotatie en noter de definitieve beslissing en een eenzinsredenering in de kolommen beoordeling en motivering.
5. Bereken de ruwe overeenkomst en Cohen's κ met behulp van de labels inclusief en uitsluiten en registreer de overeenkomstmetrieken en de totalen van include- en exkluderaties in outputs/Evaluation.xlsx²⁷.
6. Bekijk de uitgesloten paren om systematische vals-positieve patronen te identificeren en sla de meest frequent afgewezen patronen op in logs/rule_update_v1.txt.
7. Sla een bevroren kopie van het voltooide annotatiebestand op als outputs/Annotation_v1.xlsx en verander de adjudicated labels na dit punt niet meer.
   OPMERKING: Het protocol kan hier worden gepauzeerd. Als je later weer opneemt, herzie dan geen beslissingen over bevroren validatie.

7. Het lexicon afronden en exporteren

1. Vul het definitieve lexicon in met behulp van de invoervelden die in Tabel 2 zijn samengevat, inclusief tweetalige termen, woordsoorten, domeintags, vertaaltype, tweetalige definities, gebruiksvoorbeelden, herkomstinformatie en kwaliteitsvlaggen.
2. Gebruik dezelfde entry_id waarden over alle exports en controleer de consistentie van de identificatie vóór het genereren van bestanden.
3. Exporteer de uiteindelijke spreadsheet als output/FinalLexicon.xlsx en controleer of alle benodigde velden zijn ingevuld voordat je opslaat.
4. Genereer en valideer de TBX-export.
   1. Genereer een TBX-bestand met dezelfde entry_id waarden om traceerbaarheid te behouden.
   2. Valideer het TBX-bestand aan de hand van het bedoelde TBX-schema.
   3. Noteer het validatieresultaat in logs/run_notes.txt²⁸.
5. Archiveer alle logs, parameterbestanden, bevroren bronnen en outputs in de versiegegradeerde map outputs/Lexicon_v1/ en noteer de archiveerdatum en bestandsaantallen in logs/run_notes.txt.
6. Bied de scripts, bevroren bronnen en parameterlogs aan als aanvullende bestanden, inclusief outputs/userdict_zh_v1.txt, outputs/domain_keywords_v1.csv, outputs/term_map_zh2en_v1.xlsx, logs/thresholds.txt en logs/alignment_log.txt.
7. Bied een verificatiesubset van het corpus die met toestemming is goedgekeurd met dezelfde bestandsstructuur en outputschema, zodat lezers de workflow op de vrijgegeven subset²⁹ kunnen reproduceren.
   VOORZICHTIG: Controleer voordat u aanvullende materialen deelt dat er geen auteursrechtelijk beschermde volledige teksten, gevoelige identificaties of ongeautoriseerde institutionele bronnen in het releasepakket zijn opgenomen.

Resultaten

Corpusassemblage en reinigingsopbrengst
Naar aanleiding van het corpusontwerp dat in Tabel 1 wordt getoond, werd een geregistreerd tweetalig corpus samengesteld uit museum- en tentoonstellingsteksten, erfgoedbeschrijvingen en toeristengericht toerismemateriaal. Na het schoonmaken bestond het corpus uit 12 Chinese documenten en 8 Engelse documenten, in totaal 47.843 Chinese karakters en 32.193 Engelse karakters³⁰. Het corpus beh...

Discussie

De belangrijkste waarde van dit protocol ligt in het vermogen om een terminologietaak die vaak informeel wordt afgehandeld om te zetten in een reproduceerbare en reviewbare workflow. In keramiek cultureel toerisme zijn veel termen zowel technisch als interpretatief: ze verwijzen niet alleen naar materialen, oventypes, bakfasen of decoratieve stijlen, maar ook naar hoe deze concepten aan bezoekers worden overgebracht via etiketten, verhalen en educatief materiaal³⁶...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Computer workstation	Hardware	Elke moderne computer die Python 3.11 kan draaien en tekstcorpora kan verwerken; >=8 GB RAM aanbevolen	Geen catalogusnummer vereist Bron: Generic (elke leverancier)
Besturingssysteem	Software	Windows 10/11, macOS of Linux (exacte OS-versie in logs/run_notes.txt vastleggen)	Versie vastgelegd in run_notes.txt Bron: Systeem geïnstalleerd
Python	Software	Python 3.11	Versie vastgelegd in logs/pip_freeze.txt Bron: Python Software Foundation distributie
jieba	Softwarebibliotheek	0.42.1	jieba==0.42.1 Bron: PyPI pakket repository
spaCy	Softwarebibliotheek	3.7.2	spacy==3.7.2 Bron: PyPI pakket repository
Engels pipeline model	NLP model	en_core_web_sm 3.7.1 (spaCy modelpakket)	en_core_web_sm==3.7.1; installatie vastgelegd in run_notes.txt Bron: spaCy model repository
scikit-learn	Softwarebibliotheek	1.4.2	scikit-learn==1.4.2 Bron: PyPI pakket repository
RapidFuzz	Softwarebibliotheek	3.6.1	RapidFuzz==3.6.1 Bron: PyPI pakket repository
Spreadsheet editor	Software	Elke software die.xlsx-bestanden kan bewerken	Gebaten voor het bekijken/bewerken van SourceRegister.xlsx, CorpusStats.xlsx, Candidates/Shortlist bestanden Bron: Generic (elke leverancier)
Plain-text editor	Software	Elke software die.txt en.csv-bestanden kan bewerken	Gebaten voor het bekijken/bewerken van logs/.txt en resources/.csv Bron: Generic (elke leverancier)
UTF-8 tekstconversietool	Software	Elke tool die documenten naar UTF-8 plain text kan exporteren	Gebaten in Stap 2.3; exacte methode vastgelegd in run_notes.txt Bron: Generic (elke leverancier)
SourceRegister template	Bestandstemplate	SourceRegister.xlsx met velden: source_id, titel, eigenaar/uitgever, taal, genre, toegangsdatum, licentie-opmerking	Bevroren als outputs/SourceRegister_v1.xlsx Bron: Gemaakt in deze studie
Corpus statistieken template	Bestandstemplate	CorpusStats.xlsx met velden: source_id, lang, n_chars_before, n_chars_after, timestamp, cleaning_ruleset	Gegenereerd tijdens Stap 3.6 Bron: Gemaakt in deze studie
Chinees gebruikerswoordenboek	Resourcebestand	resources/userdict_zh.txt (domeinspecifieke termenlijst voor segmentatieondersteuning)	Bevroren kopie opgeslagen; checksum vastgelegd in thresholds.txt Bron: Gemaakt/beheerd in deze studie
Domein trefwoord kaart	Resourcebestand	resources/domain_keywords.csv met domein_tag prioriteitsregels	Bevroren als outputs/domain_keywords_v1.csv; checksum vastgelegd in alignment_log.txt Bron: Gemaakt/beheerd in deze studie
Chinees-Engels term toewijzingstabel	Resourcebestand	resources/term_map_zh2en.xlsx met kolommen term_zh en term_zh_en	Bevroren als outputs/term_map_zh2en_v1.xlsx; dekking vastgelegd in alignment_log.txt Bron: Gemaakt/beheerd in deze studie
Drempel log	Logbestand	logs/thresholds.txt (patronen, drempels, bibliotheekversies, resource checksums)	Vereist voor deterministische herhalingen Bron: Gemaakt in deze studie
Afstemmingslog	Logbestand	logs/alignment_log.txt (gewichten, k, cutoffs, vectorizer instellingen, mapping dekking, map checksums)	Vereist voor deterministische herhalingen Bron: Gemaakt in deze studie
Annotatieblad	Bestandstemplate	validation/Annotation.xlsx (pair_id, term_zh, term_en, S, beslissingen, beslissing, redenering)	Bevroren als outputs/Annotation_v1.xlsx na Stap 6.6 Bron: Gemaakt in deze studie
Evaluatie uitvoer	Uitvoerbestand	outputs/Evaluation.xlsx (ruwe overeenkomst, Cohen’s κ, totalen)	Geproduceerd in Stap 6.4 Bron: Gemaakt in deze studie
Eindlexicon export	Uitvoerbestand	outputs/FinalLexicon.xlsx volgens Tabel 2 schema	Geproduceerd in Stap 7.2 Bron: Gemaakt in deze studie
TBX export	Uitvoerbestand	TBX-bestand gegenereerd vanuit FinalLexicon.xlsx met stabiele entry_id mapping	Validatieresultaat vastgelegd in run_notes.txt Bron: Gemaakt in deze studie