Dieses Repository beziehungsweise die hier liegende Anwendung entstand im Rahmen der Abschlussarbeit Computerlinguistische Unterstützung des gendergerechten Schreibens im Rahmen des Studiengangs B.Sc. Informatik an der Fernuniversität in Hagen. Die Arbeit wurde betreut von Dr. Niels Seidel im Lehrgebiet Kooperative Systeme der Fernuniversität.
Die schriftliche Ausarbeitung ist unter dem Link https://ub-deposit.fernuni-hagen.de/receive/mir_mods_00001773 zu finden.
Diese Arbeit beschäftigt sich mit der Frage, wie Verfasserinnen und Verfasser von Texten maschinell bei der Umsetzung eines geschlechtergerechten Sprachgebrauchs unterstützt werden können. Zu einem solchen geschlechtergerechten Sprachgebrauch in der deutschen Sprache gehört insbesondere die Vermeidung des generischen Maskulinums. Für diese Aufgabe der Vermeidung generischen Maskulinums soll ein System mittels der Verfahren der Computerlinguistik entwickelt werden, welches Vorkommen identifizieren und Korrekturvorschläge für diese erstellen kann. Ergänzend soll die Entwicklung einer Anwendung vorgestellt werden, die Anwenderinnen und Anwender eine grafische Oberfläche zur Korrektur ihrer Texte mit dem beschriebenen System bereitstellt. Im Rahmen einer Evaluation des Systems werden die Genauigkeit untersucht und Verbesserungsmöglichkeiten herausgearbeitet. Darüber hinaus werden auch andere Aspekte einer geschlechtergerechten Sprache in Bezug auf maschinelle Unterstützungsmöglichkeiten diskutiert.
Legende:
- Grau: Keine Personenbezeichnung oder kein generisches Maskulinum.
- Blau: Personenbezeichnung + Generisches Maskulinum
- Python 3.9+ (https://www.python.org/)
- Poetry (https://python-poetry.org/)
- NodeJS (https://nodejs.org/en/)
Ausgehend vom Projektverzeichnis als Working Directory:
- poetry install
- cd client
- npm install
- npm run build
- cd ..
- poetry shell
- python -m spacy download de_dep_news_trf
- python -m spacy download de_core_news_lg
- (python -m pip install coreferee)*
- python -m coreferee install de
- (python -m pip install bottle)*
- (python -m pip install loguru)*
- (python -m pip install dataset)*
- python web_server.py
Die in Klammen mit Sternchen versehenen Befehle müssen eigentlich nicht ausgeführt werden, da die entsprechenden Dependencies per Poetry heruntergeladen werden sollten. Bei einigen Tester*innen hat das jedoch nicht funktioniert. Als Workaround daher zusätzlich eine Installation per pip, was zugegebenermaßen unschön ist.
Ausgehend vom Projektverzeichnis als Working Directory:
- poetry shell
- python web_server.py
Die gestartete Applikation kann im Browser unter der Adresse http://localhost:8080/index.html aufgerufen werden.
- /charsplit : Hier ist die Bibliothek charsplit von Tuggener, Don zu finden. Sie wird im Rahmen der Anwendung zum sogenannten compound splitting im Rahmen der Suche nach abstrahierender Verwendung (2. Schritt) und Erstellung der Korrekturvorschläge (3. Schritt) verwendet. Weitere Informationen gibt es dazu im Kapitel 2.4.2 Dynamische Erweiterung um zusammengesetzte Nomen.
- /client : Enthält die entwickelte Webanwendung, die im Kapitel 3. Webanwendung beschrieben wurde.
- /pipeline : Enthält die tatsächliche Verarbeitungslogik. Also insbesondere die im gesamten Kapitel 2. Identifikation und Korrektur des generischen Maskulinums vorgestellten Arbeitsschritte.
- /pipeline/initial_words : Enthält die Logik zum ersten Schritt: 2.1. Suche nach Pronomen und Nomen in maskuliner Form
- /pipeline/ntbg : Enthält die Logik zum zweiten Schritt: 2.2. Überprüfung auf das generische Maskulinum.
- /pipeline/correction : Enthält die Logik zum dritten Schritt: 2.3. Generierung von Korrekturvorschlägen.
- /results : Enthält die Ergebnisse der Bachelor-Arbeit sowie die entsprechenden Skripte und Utilities, mit denen die Ergebnisse erstellt wurden. (vgl. 4. Evaluation)
- /utils : Allgemeine Utiities.
- /wiktionary : Enthält die Skripte, um die im Kapitel 2.4. Erstellung eines Wörterbuchs vorgestellte Wort-Datenbank zu erstellen. Außerdem wird eine API zum Zugriff sowie die dynamische Erweiterung um zusammengesetzte Nomen zur Verfügung gestellt.
Bei der Anwendung handelt es sich ein Projekt, welches unter den Zeitbegrenzungen einer Bachelor-Arbeit der Fernuniversität Hagen, entwickelt wurde. Insofern darf man an die Qualität des erstellten Programmcodes nicht zu hohe Anforderungen haben. Wesentlich sind die vorgestellten Ideen und Vorgehensweisen. Nichtsdestotrotz sollen im Folgenden einige Gedanken des Autors einmal aufgelistet werden, die den Programmcode deutlich verbessern sollten:
- Coreferee + X : Die verwendete Bibliothek zur Koreferenz-Auflösung coreferee hat einige Limitationen, die im entsprechenden GitHub-Repository beschrieben werden. Insbesondere werden solche Koreferenzen, die eindeutig aus der Grammatik des Satzes ermittelbar sind, nicht erfasst. Diese Koreferenzen werden aber dennoch benötigt. Im aktuellen Stand der Anwendung werden diese grammatischen Regeln zusätzlich im Rahmen des Schrittes 2 und Schrittes 3 ausgeführt. Dabei erfolgt keine richtige Trennung zwischen den Funktionalitäten Koreferenz-Auflösung und Erkennung von Personenbezeichnungen bzw. Koreferenz-Auflösung und Erstellung von Korrekturvorschlägen. Es wäre besser die Koreferenz-Auflösung von Anfang an um die grammatischen Regeln zu erweitern und mit diesen Ergebnissen in späteren Schritten zu arbeiten.
- Trennung: Erkennung von Personenbezeichnungen und abstrahierender Verwendung : Ob eine Personenbezeichnung und / oder eine abstrahierende Verwendung vorliegt wird im Moment stark verzahnt geprüft. Es wäre sinnvoll, diese Aufgaben als Teilprobleme aufzufassen und entsprechend zu abstrahieren.
- Wortdatenbank : Der Code für den Zugriff auf die Wortdatenbank ist ziemlich verstreut. Es wäre sinnvoll, diese in eine eigene Ordnerstruktur zu legen. Gegebenenfalls wäre es sinnvoll, diese in ein eigenes Teilmodul zu übertragen. Diese Funktionalität, insbesondere im Hinblick auf die dynamische Erweiterung um zusammengesetzte Nomen, könnte auch in anderen Projekten anwendbar sein.
- Extrahierung aus dem Wiktionary: Der hier erstellte Code ist sehr unübersichtlich. Statt mit regulären Ausdrücken und Zeichenkettenoperationen zu arbeiten, wäre es sinnvoll, einen Wiktionary-Parser zu verwenden. In Betracht kommen beispielsweise wiktextract und dkpro-jwktl. Diese Tools wurden im Rahmen der Ausarbeitung ausprobiert, konnten jedoch nicht in der Kürze der Zeit zum Laufen gebracht werden. Zum Teil müssen sie auch um die Unterstützung der Flexionsseiten (Bsp.: https://de.wiktionary.org/wiki/Flexion:gehen) erweitert werden.
- CharSplit: Die Bibliothek für das compound splitting, CharSplit ist selbst nicht im PyPI vorhanden. Hier wurde die Bibliothek einfach als Code eingebunden. Sinnvoll wäre es, die Bibliothek auszulagern und ggf. mit Einverständnis des Autors im PyPI zu veröffentlichen.
- Probleme mit Leerzeichen: Der Client macht Probleme, wenn ein Wort durch Leerzeichen ersetzt wird. Beispielsweise wenn der Artikel Ein korrekterweise in einen Leerstring korrigiert wird (Ein Student geht. -> Studenten gehen.). Das ist zu korrigieren.
- Generierung von Korrekturvorschlägen: Das aktuelle Vorgehen zur Erstellung der Korrekturvorschläge und der dazugehörige Code ist zurzeit Kraut und Rüben. Dieser könnte durch die Implementierung von Coreferee + X deutlich einfacher werden.