Projekto tikslas – sukurti metodiką, kuri leistų automatiniu būdu pasirinktos specialiosios srities tekstynuose atpažinti angliškus ir lietuviškus terminus bei sudaryti empiriniais duomenimis paremtą dvikalbę terminų bazę, viešai prieinamą internete. Projekto metu sprendžiama mokslinė problema – automatinis terminologinių duomenų rinkimas iš dvikalbių lygiagrečiųjų ir palyginamųjų tekstynų, kai viena iš kalbų yra neturinti daug kalbinių išteklių ir yra morfologiškai turtinga. Įgyvendinant projekto tikslą, buvo siekiama sukurti inovatyvią giliojo mokymosi sistemomis paremtą metodiką, kuri, mūsų žiniomis, Lietuvoje dar nebuvo taikyta. Projekto tyrimui pasirinkta specialioji sritis – kibernetinis saugumas (KS). Ši sritis pasirinkta dėl jos dinamiškumo ir ypatingo aktualumo šiandieninėje informacinėje visuomenėje. Nuolat atsiranda nauji KS srities dokumentai, juose formuojamos naujos sąvokos, kurių pavadinimai lietuvių kalba dar nenusistovėję, vartojami keliais variantais, dažnai originalo (anglų) kalba arba kaip hibridai (anglų ir lietuvių kalbų leksinių vienetų junginiai). Todėl KS terminų bazė šiuo metu itin reikalinga tiek teisės bei administracinių aktų rengėjams ir jų vertėjams, tiek informacinių technologijų specialistams, tiek plačiajai visuomenei.
Pasiekti rezultatai: Projekto metu sukurti ir atverti visuomenei CLARIN-LT saugykloje dvikalbiai (anglų-lietuvių kalbų) kibernetinio saugumo srities tekstynai – lygiagretusis ir palyginamasis. Jie atspindi kibernetinio saugumo terminų vartoseną įvairių žanrų ir tipų tekstuose nacionalinėje ir tarptautinėje aplinkoje. Įvairūs naujausi besimokančių sistemų algoritmai ir neuroniniai tinklai buvo išbandyti, siekiant automatizuoti terminologinių duomenų ištraukimą iš tekstynų ir padidinti šio proceso efektyvumą. Surinkti duomenys buvo panaudoti, kuriant Lietuvių-anglų kalbų kibernetinio saugumo terminų bazę. Ši bazė galėtų tapti modeliu ir kitų sričių terminų bazių kūrimui, pasitelkus pažangiausias technologijas.
The aim of the project was to develop a methodology for the automatic extraction of English and Lithuanian terms from corpora of a selected specialised domain and to create a publicly available bilingual terminology database based on empirical data. The project addressed the scientific problem of automatically collecting terminological data from bilingual parallel and comparable corpora, when one of the languages was under-resourced and morphologically rich. It sought to develop an innovative data collection methodology based on deep learning systems – an approach that, to our knowledge, had not yet been applied in Lithuania. Cybersecurity (CS) was chosen as the specialised domain for this research due to its dynamic nature and particular relevance in today's information society. New documents in the CS domain constantly emerge, introducing new concepts whose designations are not yet established in Lithuanian. These terms often appear in multiple variants, frequently retaining their original (English) form or occurring as hybrids (combinations of English and Lithuanian lexical units). As a result, a CS terminology database was in high demand among drafters and translators of legal and administrative acts, IT professionals, and the general public.
Achieved results: The project successfully developed and publicly released bilingual (English-Lithuanian) cybersecurity corpora – a parallel corpus and a comparable corpus – now accessible in the CLARIN-LT repository. These corpora reflect the use of cybersecurity terminology across different genres and text types in both national and international settings. Various state-of-the-art machine learning algorithms and neural networks were explored to automate the extraction of terminological data from corpora and to enhance the overall efficiency of the process. The collected data was used to compile the Lithuanian-English Cybersecurity Termbase, which could serve as a model for developing terminology databases in other domains using advanced technologies.