國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
1
第一章 緒論
1.1 研究背景與目的
國際教育學 習成就 調 查委員會（The International Association for the Evaluation of Education Achievement, IEA）[37]的核心主題為瞭解世界各國學生對於數學和科學的學 習成就並進行量化，且討論各國教育體制、社會文化等相關因素之關聯性，最終成果可 於國際之間進行比較與分析。在 1970 年和 1980 年分別舉辦了首兩次世界性的國際數學 與科學教育成就調查，兩次累計共有 43 個國家協同參與。IEA 自 1990 年開始推動進行
「第三次國際數學與科學教育成就研究（Trends in International Mathematics and Science Study, TIMSS）」，並計畫往後每四年舉辦一次國際數學與科學教育成就之研究，至今我 國已參與 1999 年、2003 年和 2007 年共三屆。
我國在 1992 年成功通過國際教育學習成就調查委員會的審查，成為正式會員國。
並於 1999 年開始舉辦 TIMSS，調查對象為十三歲學童（相當於國中二年級學生）。2003 年的調查對象除原先的十三歲學童外，新加入了九歲學童（相當於國小四年級學生）。
國立台灣師範大學科學教育中心（以下稱師大科教中心）受行政院國家科學委員會（以 下稱國科會）委託，將 TIMSS 英文試題轉譯成中文試題並舉行測驗及調查研究。主要 的工作流程包含：從 IEA 取得試題內容，由師大科教中心決議進行翻譯工作分配、中文 試題交換審稿校正及翻譯問題討論，最後將中文翻譯試題定稿。至目前為止，師大科教
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
2
中心已將 1999 年、2003 年和 2007 年共三屆試題內容和評量結果，公佈於台灣 TIMSS 官方網站[39]，以提供研究之參考。
在這一系列的翻譯工作中，往往利用大量的人力資源和時間來進行人工翻譯，在如 此高成本的花費中，我們可以得到翻譯品質相當優良的中文試題，但也因為是使用了人 力進行人工翻譯，也產生了不同的翻譯者，對相同的英文句型有不同地見解。因此，倘 若能利用機器翻譯（machine translation）的技術來輔助翻譯，便可能提升翻譯速度和翻 譯結果的一致性。
TIMSS 的測驗對象為國小四年級及國中二年級學生，整體的試題內容利用簡單的語 法結構來構成直述句、提問句和誘答選項。在 2007 年，呂明欣架構了一個主要以 TIMSS 為翻譯目標的試題輔助翻譯系統，主要是以英漢翻譯模組和以 SRI Speech Technology and Research Laboratory 所開發的自然語言工具 SRILM[36]，來建立 bigram 語言模型，
並輔助翻譯結果的機率式選詞模組來產生中文句子[5]，而張智傑則在 2008 年針對呂明 欣之研究進行詞序的改良，主要利用平行語料庫（parallel corpus）之間的中英文平行句 對進行詞彙對列（word alignment）後，觀察中英文句對中詞序的交互現象，以產生詞 序範例樹，並建立詞序範例樹資料庫以進行詞序互換，進而加強翻譯的品質[16]。在 2009 年田侃文更蒐集大量中英原始對照語料，透過動態規劃演算法和門檻值的篩選，產生更 多的中英文平行語料，以增加詞序範例樹的資料量[4]，整體的系統流程圖如圖 1.1 所示。
其中我們發現，除了可以像田侃文從平行語料的量來改良詞序範例樹資料庫以外，
詞彙對列模組也是建構詞序範例樹的關鍵因素之一，由於原始系統中張智傑是以辭典為 基礎來進行詞彙對列，主要的步驟是，將中文句子經過中央研究院（以下簡稱中研院）
斷詞系統[2]斷詞之後，再以中文字詞為單位，逐一透過漢英辭典查詢，並且記錄所得到 的英文翻譯集合，最後將英文翻譯集合中的英文單字與英文句子進行比對，且標記詞
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
4
1.2 研究方法
我們主要改進詞彙對列模組的效果，期盼產生更多的詞序範例樹，以達到翻譯系統整體 一致性。主要將會針對詞彙對列進行改良，包含常見的一個中文字詞對應一個英文字詞 之對列方式，我們更將原先辭典內部擁有的複合字資訊（如片語）加以利用，促使詞彙 對列模組可進行一個中文字詞對應多個連續英文字詞之對列情況。我們發展的詞彙對列 模組，主要是以辭典為主，因此辭典檔本身的資訊量和準確度與整個系統效能有著密不 可分的關係。儘管如此，我們 也不能一味的追求龐大的辭典檔，來提升辭彙對列的效能，
因此我們試圖利用史丹佛詞性標記器（Stanford Part-Of-Speech tagging）[38]來進行原詞 處理（lemmatization），來對原始的英文句子中的各個單詞，進行詞性處理（如時態問題、
複數問題等）；另一方面，由於中文語言的特性，一個欲表達的概念，常可有多種辭彙 可以交互替換，因此在對應的同時，我們將透過同義詞詞林[7]來對原始的中文字詞進行 擴充，以便增加對應的機會。
在完成第一階段的詞彙對列之後，我們更進一步的來探討中英文平行句對尚未成功 對應的字詞（null alignment[35], 以下稱之為遺留字詞）。詞彙對列主要可產生四種結果，
｢完全對列（無任何遺留字詞）｣、｢只遺留中文字詞｣、｢只遺留英文字詞｣和｢中英都有 遺留字詞｣，我們將針對｢只遺留中文字詞｣及｢只遺留英文字詞｣兩種結果，來進行停用 詞列表的選取和遺留字詞利用的討論；並對｢中英都有遺留字詞｣進行新詞對的擷取，在 此參考曾元顯[14]所選用的分析公式進行評估，以選取較為正確的新詞對來擴充原始辭 典的詞彙量。最終再搭配擴充之後的辭典執行詞彙對列的動作，以得到更佳的對列結 果。
在訓練語料方面，本系統以不同英文程度的平行語料，國中英文共 7360 句，高中 英文共 9954 句，科學人雜誌從 2002 年 3 月創刊至 2006 年 12 月共 110 篇，使用呂明欣
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
5
[5]簡易中英文句對列，所產生的 2686 句平行語料，期盼從中獲得不同英文程度的詞序 範例樹，來進行實驗比較。
在評估結果方面，我們以召回率及精確率對本系統所產生的結果進行評估與分析，
更同時利用張智傑[16]於 2008 年提出的輔助式機器翻譯系統，以 2007 年國際數學與科 學教育成就趨勢調查（以下簡稱為 TIMSS 2007）進行翻譯，以 BLEU 和 NIST 做為評估 工具，探討詞彙對列模組的改良是否有助於翻譯品質之提升，並以不同語料組合做整體 實驗之比較。
1.3 論文架構
除了在上一小節中簡短的介紹外，在第二章會回顧詞彙對列的技術和遺留字詞之相關研 究，第三章針對高中平行語料來源、詞彙對列模組、詞序範例樹的用途和辭典檔的選取 進行介紹，第四章則對詞彙對列模組之核心技術進行細部的說明，第五章則是利用 BLEU 和 NIST 等工具來對翻譯結果進行評估，第六章則是結論與未來展望。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
6