Zwęzły protokół dotyczący konstruowania chińskiego– angielskiego słownictwa turystyki kulturowej z wykorzystaniem zarejestrowanych korpusów

Podsumowanie

Ten protokół tworzy chiński-angielski słownik turystyki kulturalnej związanej z ceramiką, wykorzystując zarejestrowane korpusy dwujęzyczne, standaryzowane czyszczenie, ekstrakcję kandydatów do terminów, wyrównanie w oparciu o podobieństwo oraz walidację ekspercką z arbitrażem. Korzystając z tego procesu, 60 zweryfikowanych wpisów zostało eksportowanych z definicjami, przykładami użycia, zapisami pochodzenia oraz wynikami zgodnymi z TBX.

Streszczenie

Tworzenie dwujęzycznych zasobów terminologicznych dla turystyki kulturalnej związanej z ceramiką jest wyzwaniem, ponieważ odpowiednie teksty są często fragmentami, wybory tłumaczeń są niejednolite, a powtarzalne przepływy pracy dotyczące konstrukcji są rzadko dokumentowane. Ten protokół przedstawia powtarzalny, krok po kroku przepływ pracy nad stworzeniem chińsko-angielskiego leksykonu turystyki kulturalnej związanej z ceramiką poprzez rejestrację i oczyszczanie korpusu, wyodrębnianie kandydatów na wyrazy, dwujęzyczne dopasowanie oraz walidację przez ekspertów z orzecznictwem. Zastosowany do zarejestrowanego dwujęzycznego korpusu, przepływ pracy wygenerował wybrane kandydatów na wyrazy po chińsku i angielsku, wyprodukował uporządkowane pary dwujęzycznych terminów i zachował zweryfikowane dopasowania po niezależnej recenzji ekspertów. Skompletowany leksykon eksportował 60 zweryfikowanych wpisów z dwujęzycznymi formami terminów, etykietami dziedzin, typami tłumaczeń, dwujęzycznymi definicjami, przykładami użycia, zapisami pochodzenia oraz interoperacyjnymi wynikami, takimi jak pliki Excel i TBX. Aby wspierać przejrzystość i możliwość ponownego uruchomienia, protokół rejestruje także progi, wersje pakietów, zamrożone zasoby i decyzje walidacyjne na całym przepływie pracy. Dzięki temu procedura jest podatna na audyt i łatwiejsza do zastosowania w innych dziedzinach turystyki dziedzictwa kulturowego. Po przeniesieniu do nowej dziedziny, użytkownicy mogą rozszerzyć listę słów kluczowych dziedziny, zaktualizować dwujęzyczny zasób mapowania i dostosować niewielką liczbę progów kandydatów i podobieństwa zgodnie z wielkością korpusu i gęstością terminologii.

Wprowadzenie

Turystyka kulturowa stała się ważnym czynnikiem rozwoju miejsc przeznaczonych dla podróżników, którzy coraz częściej szukają doświadczeń opartych na dziedzictwie kulturowym, które są znaczące, a nie tylko rekreacyjne¹. Na poziomie polityki i przemysłu, międzynarodowe organizacje wielokrotnie podkreślały wartość łączenia turystyki z kulturą oraz poprawę interpretacji, dokumentacji i komunikacji w różnorodnych aktywach dziedzictwa¹. W szerszym kontekście turystyka kulturowa ceramiki jest szczególnie bogata w terminologię, ponieważ odwiedzający regularnie spotykają się z wyspecjalizowanymi pojęciami dotyczącymi materiałów, procesów szkliwienia i wypalania, technologii pieców, motywów stylistycznych, typów artefaktów oraz narracji o procesach rzemieślniczych. Te terminy często mają znaczenia techniczne, które nie są łatwo przekazywane poprzez przypadkowe parafrazy, a wybory tłumaczeniowe mogą bezpośrednio kształtować to, co odwiedzający rozumie z etykiet, interpretacji przewodników oraz materiałów edukacyjnych². Jednocześnie, ramy dziedzictwa podkreślają, że ochrona niematerialnego dziedzictwa kulturowego zależy od ciągłej transmisji wiedzy i świadomości publicznej, które wymagają języka, który jest dokładny, dostępny i odpowiedni kontekstowo dla interpretacji i edukacji³.

Mimo tego zapotrzebowania, zasoby terminologiczne dwuizyczne dla turystyki kulturowej ceramiki pozostają rozproszone i niespójne. W etykietach muzealnych, tekstach wystaw, stronach przewodników turystycznych i opisach dziedzictwa, ten sam koncept może być oddany różnie w różnych instytucjach, regionach i ustawieniach komunikacyjnych⁴. Taka różnorodność nie jest tylko stylistyczna. Może wpływać na zrozumienie odwiedzających, zmniejszać porównywalność opisów między stronami i osłabiać postrzeganą wiarygodność komunikacji o dziedzictwie⁵. Badania nad terminologią od dawna argumentują, że wysokiej jakości zasoby terminowe powinny być zorientowane na pojęcia, wspierane przez jasne definicje i zakotwiczone w śledzonym dowodzie, takim jak źródła, konteksty i zapisy kontroli jakości⁶. Jednak wiele zespołów dziedzinowych nadal nie posiada procesu, który mógłby systematycznie przekształcić rozproszone teksty w spisane dwuizyczne leksykony, zachowując przezroczyste zasady decyzyjne, powtarzalne procedury i ponownie używalne wyniki⁷. W porównaniu z przypadkową manualną kompilacją, znormalizowany protokół oferuje jaśniejszą dokumentację, bardziej spójną weryfikację i lepsze warunki do aktualizacji, audytów i ponownego użycia między instytucjami.

Aby sprostać tym wyzwaniom, praktyczny protokół budowy dwuizycznego leksykonu musi zorganizować dwa powiązane zadania: odkrywanie kandydatów do terminów i dwuizyczne dopasowanie. Dla odkrywania terminów, automatyczne wyciąganie oparte na korpusie może zmniejszyć zależność od całkowicie manualnego zbierania, łącząc wzorce językowe ze statystycznymi dowodami, ułatwiając identyfikację terminologii istotnej dla dziedziny w dużej skali⁸. W ustawieniach dziedzictwa kulturowego, jednak, budowa korpusu rzadko jest prosta. Materiały źródłowe często różnią się stylem, rejestrem i celem komunikacyjnym, a mogą zawierać nazwy specyficzne dla dziedziny i mieszane konwencje opisowe⁹. Te cechy sprawiają, że przejrzyste rejestrowanie parametrów i stabilne reguły przetwarzania są szczególnie ważne. Dla dwuizycznego dopasowania, metody komputerowe mogą generować sklasyfikowane kandydacki pary międzyjęzykowe, porównując formy terminów i ich otaczające konteksty użycia, po czym eksperci z dziedziny mogą zweryfikować, czy proponowane pary są koncepcyjnie odpowiednie¹⁰. W tym protokole, automatyzacja jest używana do generowania i klasyfikowania prawdopodobnych kandydatów, podczas gdy recenzja ekspertów jest używana do potwierdzenia lub odrzucenia ich później. Ta kombinacja poprawia efektywność bez usuwania interpretacyjnego osądu z ostatecznej decyzji. Ponieważ terminologia dziedzictwa często ma implikacje kulturowe i edukacyjne, recenzenci muszą być w stanie sprawdzić dowód za każdą zaproponowaną parą, zamiast polegać na nieprzejrzystym wyjściu¹¹.

Tutaj przedstawiono krok po kroku i audytowalny protokół budowy chińskiego–angielskiego leksykonu turystyki kulturowej ceramiki z zarejestrowanych źródeł tekstowych. Workflow standaryzuje rejestrację korpusu i czyszczenie, dwuizyczne wyciąganie kandydatów, generowanie sklasyfikowanych par, recenzję dwóch anotatorów z orzecznictwem oraz końcowe ukończenie wpisu według stałego schematu. Integrując rejestrację wersji, kontrolę progów, zamrożone zasoby i walidację ekspertów, protokół poprawia reprodykowalność, możliwość audytu i standaryzację względem mniej strukturalnych workflowów budowy terminologii. Aby wspierać dłuższy czas ponownego użycia w zarządzaniu terminologią i praktyce tłumaczeniowej, sfinalizowany leksykon może być również eksportowany w formacie TermBase eXchange (TBX), który jest zgodny z ISO i przeznaczony do strukturalnej wymiany danych terminologicznych^12</

Protokół

Niniejsze badanie wykorzystało tylko dane tekstowe dostępne publicznie lub autoryzowane przez instytucję i nie obejmowało badań na ludziach ani na zwierzętach. Nie była wymagana zgoda etyczna instytucji.

1. Utwórz przestrzeń roboczą projektu

1. Utwórz folder projektu i następujące podfoldery: corpus_raw, corpus_clean, candidates, alignment, validation, outputs, logs i resources.
2. Utwórz log uruchomienia i zapisz ustawienia środowiska.
   1. Utwórz logs/run_notes.txt.
   2. Zapisz datę/godzinę uruchomienia, wersję systemu operacyjnego i zakres projektu jako “Chińsko-angielskie terminologie dotyczące turystyki kulturalnej związanej z ceramiką”.
   3. Ustaw interpreter Pythona na Python 3.11 i zapisz tę informację w logs/run_notes.txt.
3. Uruchom python -m pip freeze > logs/pip_freeze.txt i upewnij się, że logs/pip_freeze.txt zostało wygenerowane i nie jest puste¹³.
4. Utwórz plik zależności i zainstaluj środowisko oprogramowania.
   1. Utwórz resources/requirements.txt.
   2. Wypisz wersje pakietów rdzeniowych użytych w tym protokołe: jieba==0.42.1, spacy==3.7.2, scikit-learn==1.4.2 i RapidFuzz==3.6.1.
   3. Zapisz polecenie instalacyjne w logs/run_notes.txt.
   4. Zainstaluj en_core_web_sm==3.7.1. 1.4.5 Uruchom python -m spacy validate i zapisz zweryfikowaną wersję modelu w logs/run_notes.txt.
      UWAGA: Przed kontynuowaniem upewnij się, że oba pliki logs/pip_freeze.txt i logs/run_notes.txt istnieją i nie są puste.

2. Skompiluj zbalansowane dwujęzyczne korpus i zarejestruj źródła

1. Wybierz źródła, aby pasowały do składu dwuizycznego i gatunkowego przedstawionego w Tabeli 1 i przypisz każdemu dokumentowi unikalne source_id, takie jak S001 lub S002¹⁴.
2. Utwórz SourceRegister.xlsx i zapisz dla każdego dokumentu source_id, tytuł, właściciel/wydawca, język, gatunek, data dostępu i license_note.
3. Przekształć każdy dokument na zwykły tekst UTF-8, nazwać każdy plik jako source_id_lang.txt (np. S001_zh.txt lub S001_en.txt) i zapisz pliki w corpus_raw.
4. Zapisz zamrożoną kopię rejestru jako outputs/SourceRegister_v1.xlsx i zapisz datę zamrożenia oraz łączną liczbę dokumentów (n_docs_zh i n_docs_en) w logs/run_notes.txt.
   UWAGA: Protokół można tutaj wstrzymać. Jeśli wznawia się później, nie zmieniaj przypisań source_id.
   OSTRZEŻENIE: Używaj tylko tekstów dostępnych publicznie lub autoryzowanych przez instytucję. Nie rozprowadzaj chronionych prawami autorskimi pełnych tekstów bez wyraźnej zgody.

3. Oczyść i normalizuj pliki korpusu

1. Usuń linie tylko z nawigacją, linie tylko z URL-ami i powtórzone nagłówki lub stopki powtarzające się w co najmniej trzech dokumentach. Zachowaj pozostałe linie w oryginalnej kolejności¹⁵.
2. Zachowaj interpunkcję, która może tworzyć część wielowyrazowych lub złożonych terminów podczas czyszczenia, w tym myślnik (-), ukośnik (/), nawiasy (( i )) i kropka środkowa (·).
3. Normalizuj tekst chiński, konwertując pełnoszerokościowe znaki alfanumeryczne na znaki o połowę szerokości i standaryzując formy nawiasów do ( i ).
4. Normalizuj tekst angielski, ściągając powtórzone spacje do pojedynczej spacji i standaryzując wszystkie warianty myślników do ASCII myślnika (-), zachowując jednocześnie złożone z myślnikiem słowa.
5. Zapisz każdy oczyszczony plik do corpus_clean, używając tej samej nazwy pliku source_id_lang.txt jak w corpus_raw.
6. Zapisz source_id, lang, n_chars_before, n_chars_after, timestamp i cleaning_ruleset ustawione na v1.0 w outputs/CorpusStats.xlsx¹⁶.
   UWAGA: Dla każdego języka upewnij się, że każdy plik w corpus_raw ma odpowiednik w oczyszczonym pliku w corpus_clean o tym samym source_id i sufiksie językowym.
   OSTRZEŻENIE: Usuń informacje osobiste, takie jak imiona, numery telefonów i adresy e-mail, podczas przetwarzania wstępnego, jeśli takie informacje pojawiają się w surowym tekście.

4. Wyodrębnij kandydatów do terminów w języku chińskim i angielskim

1. Segmentuj tekst chiński za pomocą wersji jieba 0.42.1 z zasobami słownika użytkownika resources/userdict_zh.txt i zachowaj kandydatów pasujących do 2–8 kolejnych znaków chińskich lub 2–6 znaków chińskich oddzielonych jednym zachowanym delimiterem¹⁷.
2. Przetwarzaj tekst angielski za pomocą spaCy wersji 3.7.2 z en_core_web_sm wersja 3.7.1 i zachowaj tylko frazy rzeczownikowe i złożone z myślnikiem słowa

Wyniki

Zbiór korpusu i wydajność oczyszczania
Zgodnie z projektem korpusu przedstawionym w Tabeli 1, zarejestrowany dwujęzyczny korpus został skompletowany z tekstów muzealnych i wystawowych, opisów dziedzictwa kulturowego oraz materiałów turystycznych skierowanych do odwiedzających. Po oczyszczeniu korpus składał się z 12 chińskich dokumentów i 8 angielskich dokumentów, obejmując 47 843 chińskie znaki i 32 193 angielskie znaki³⁰. Korpus zachował zamierzone połącze...

Dyskusja

Główną wartość tego protokołu stanowi jego zdolność do przekształcenia zadania terminologicznego, które często jest realizowane nieformalnie, w przejrzysty i możliwy do powtórzenia przepływ pracy. W ceramicznym turystyce kulturalnej wiele terminów jest zarówno technicznych, jak i interpretacyjnych: odnoszą się nie tylko do materiałów, rodzajów pieców, etapów wypalania czy stylów dekoracyjnych, ale także do tego, jak te koncepcje są przekazywane gościom w etykietach, narracjach i materiałach edukacyjnych^...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Komputer stacjonarny	Sprzęt	Każdy nowoczesny komputer zdolny do uruchomienia Pythona 3.11 i przetwarzania korpusów tekstowych; zalecane >=8 GB RAM	Brak wymogu numeru katalogowego Źródło: Generyczne (dowolny dostawca)
System operacyjny	Oprogramowanie	Windows 10/11, macOS lub Linux (dokładna wersja systemu zapisywana w logs/run_notes.txt)	Wersja zapisywana w run_notes.txt Źródło: Zainstalowane w systemie
Python	Oprogramowanie	Python 3.11	Wersja zapisywana w logs/pip_freeze.txt Źródło: Dystrybucja Python Software Foundation
jieba	Biblioteka oprogramowania	0.42.1	jieba==0.42.1 Źródło: Repozytorium pakietów PyPI
spaCy	Biblioteka oprogramowania	3.7.2	spacy==3.7.2 Źródło: Repozytorium pakietów PyPI
Angielski model potoku	Model NLP	en_core_web_sm 3.7.1 (pakiet modelu spaCy)	en_core_web_sm==3.7.1; instalacja zapisywana w run_notes.txt Źródło: Repozytorium modeli spaCy
scikit-learn	Biblioteka oprogramowania	1.4.2	scikit-learn==1.4.2 Źródło: Repozytorium pakietów PyPI
RapidFuzz	Biblioteka oprogramowania	3.6.1	RapidFuzz==3.6.1 Źródło: Repozytorium pakietów PyPI
Edytor arkuszy kalkulacyjnych	Oprogramowanie	Dowolne oprogramowanie zdolne do edycji plików.xlsx	Używane do przeglądania/edycji SourceRegister.xlsx, CorpusStats.xlsx, plików Candidates/Shortlist Źródło: Generyczne (dowolny dostawca)
Edytor tekstu prostego	Oprogramowanie	Dowolne oprogramowanie zdolne do edycji plików .txt i.csv	Używane do przeglądania/edycji logs/.txt i resources/.csv Źródło: Generyczne (dowolny dostawca)
Narzędzie do konwersji tekstu UTF-8	Oprogramowanie	Dowolne narzędzie zdolne do eksportu dokumentów do prostego tekstu UTF-8	Używane w kroku 2.3; dokładna metoda zapisywana w run_notes.txt Źródło: Generyczne (dowolny dostawca)
Szablon SourceRegister	Szablon pliku	SourceRegister.xlsx z polami: source_id, title, owner/publisher, language, genre, access_date, license_note	Zablokowane jako outputs/SourceRegister_v1.xlsx Źródło: Stworzone w tym badaniu
Szablon statystyk korpusu	Szablon pliku	CorpusStats.xlsx z polami: source_id, lang, n_chars_before, n_chars_after, timestamp, cleaning_ruleset	Generowane w kroku 3.6 Źródło: Stworzone w tym badaniu
Chiński słownik użytkownika	Plik zasobów	resources/userdict_zh.txt (lista terminów specyficznych dla domeny wsparcia segmentacji)	Zablokowana kopia zapisana; suma kontrolna zapisywana w thresholds.txt Źródło: Stworzone/kuratowane w tym badaniu
Mapa słowa kluczowego domeny	Plik zasobów	resources/domain_keywords.csv z zasadami priorytetu domain_tag	Zablokowane jako outputs/domain_keywords_v1.csv; suma kontrolna zapisywana w alignment_log.txt Źródło: Stworzone/kuratowane w tym badaniu
Tabela mapowania terminów chińsko-angielskich	Plik zasobów	resources/term_map_zh2en.xlsx z kolumnami term_zh i term_zh_en	Zablokowane jako outputs/term_map_zh2en_v1.xlsx; zasięg zapisany w alignment_log.txt Źródło: Stworzone/kuratowane w tym badaniu
Log progów	Plik logu	logs/thresholds.txt (wzory, progi, wersje bibliotek, sumy kontrolne zasobów)	Wymagane dla deterministycznych ponownych uruchomień Źródło: Generowane w tym badaniu
Log alineacji	Plik logu	logs/alignment_log.txt (wagi, k, progi, ustawienia wektoryzatora, zasięg mapowania, sumy kontrolne map)	Wymagane dla deterministycznych ponownych uruchomień Źródło: Generowane w tym badaniu
Arkusz adnotacyjny	Szablon pliku	validation/Annotation.xlsx (pair_id, term_zh, term_en, S, decyzje, orzeczenie, uzasadnienie)	Zablokowane jako outputs/Annotation_v1.xlsx po kroku 6.6 Źródło: Stworzone w tym badaniu
Wynik ewaluacyjny	Plik wyjściowy	outputs/Evaluation.xlsx (suma zgody brutto, Cohen’s κ, sumarycznie)	Generowane w kroku 6.4 Źródło: Generowane w tym badaniu
Ostateczny eksport leksykonu	Plik wyjściowy	outputs/FinalLexicon.xlsx zgodnie ze schematem Tabeli 2	Generowane w kroku 7.2 Źródło: Generowane w tym badaniu
Eksport TBX	Plik wyjściowy	Plik TBX wygenerowany z FinalLexicon.xlsx z mapowaniem stable entry_id	Wynik walidacji zapisywany w run_notes.txt Źródło: Generowane w tym badaniu