Kielipankissa: Krister Lindén

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Kielipankin johtaja Krister Lindén kuvailee, miten ihmistieteiden tutkijat voivat hyödyntää tekoälyä aineistopohjaisessa tutkimuksessa.

Kuka olet?

Olen . Toimin Helsingin yliopistossa kieliteknologian tutkimusjohtajana  sekä  tiimin varajohtajana. Kansallisesti olen tutkimusinfrastruktuurien  johtaja,  kansallinen koordinaattori ja in vastuullinen tutkija. EU-tasolla olen ihmistieteiden tutkimusinfrastruktuurin   puheenjohtaja ja CLARINin  (CLIC) jäsen.

Mikä on tutkimuksesi aihe?

Olen aina ollut kiinnostunut kieliteknologiasta ja sen soveltamisesta ja Kielipankin kautta yhä enemmän myös teknologian kehittämisen ja soveltamisen edellytyksistä:

  • Kuinka voimme aineistoja käyttämällä vastata moninaisiin ihmistieteellisiin tutkimuskysymyksiin?
  • Mistä saadaan kehitys- ja testiaineistoja, joilla voidaan kehittää ja arvioida aineistojen käsittelymenetelmiä?
  • Millaisilla ehdoilla aineistoja voidaan välittää muille tutkijoille, jotta he voivat varmistaa, toimivatko menetelmät väitetyllä tavalla?

Riippumaton menetelmien arviointi on tärkeää, jotta kehitys ei pysähtyisi ja jotta on mahdollista löytää eri tilanteisiin parhaiten sopivat menetelmät. Jos halutaan vain alustava arvio ja pienimuotoinen koe riittää, voidaan antaa ChatGPT:lle pari esimerkkiä ja katsoa, miten se selviää tehtävästä. Jos dataa ei ole tarpeeksi tilastollisen menetelmän luotettavaan käyttöön ja tehtävässä vaaditaan menetelmältä erityistä tarkkuutta, voi olla nopeampaa kehittää menetelmät käsin. Toisaalta, jos dataa on riittävästi, sopiva koneoppimismenetelmä on tarjolla ja käsittely-ympäristökin riittävän tehokas, tämä yhdistelmä tarjoaa usein helpoiten toistettavissa olevan kehityspolun.

Kaikki edellä mainitut kehityspolut ovat datalähtöisiä ja niiden toisintaminen vaatii datan jakamista muiden tutkijoiden kanssa. Aiempina vuosina oltiin hyvin innostuneita lähdeaineistojen täysin avoimesta jakelusta. Vaikka tämä on edelleenkin hyvä tavoite, on paljon aineistoja, joita syystä tai toisesta ei voida välittää aivan kaikille. Tutkijayhteisömme on vähitellen onnistunut lainvalmistelijoiden tuella kehittämään juridisen saatavuusehtojen kehikon, joka mahdollistaa akateemisille tutkijoille riittävän avoimen pääsyn aineistojen tutkimuskäyttöä varten ja mahdollistaa myös tulosten todentamisen suhteellisen mutkattomasti. Samalla aineistot kuitenkin pysyvät riittävän pienen piirin saatavilla, jotta henkilötiedot ja aineeton omaisuus pysyvät turvassa.

Uutena kehitystarpeena on luoda menetelmä, jolla ihmistieteiden tutkijat voisivat keskustella Kielipankkiin tallentamiensa aineistojen sisällöstä tekoälyn kanssa.

Miten Kielipankki liittyy tutkimukseesi?

Kielipankki tarjoaa sekä   kehittämiseen että tilaisuuden osoittaa, miten erilaisia tutkimuslähtöisiä  voidaan  muille tutkijoille turvallisesti ja lain puitteissa.

Viimeaikaisia julkaisuja

Jauhiainen, T., Zampieri, M., Baldwin, T. C., & Linden, K. (2024). . (Synthesis Lectures on Human Language Technologies). Springer.

Jauhiainen, T., Piitulainen, J., Axelson, E., Dieckmann, U., Lennes, M., Niemi, J., Rueter, J., & Linden, K. (2024). . In D. Fišer, M. Eskevich, & D. Bordon (Eds.), Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024): ParlaCLARIN IV Workshop on Creating, Analysing, and Increasing Accessibility of Parliamentary Corpora (pp. 48-56). (International conference on computational linguistics), (LREC proceedings). European Language Resources Association (ELRA).

Sahala, A., & Linden, K. (2023). . In A. Anderson, S. Gordin, B. Li, Y. Liu, & M. C. Passarotti (Eds.), Proceedings of the Ancient Language Processing Workshop associated with the 14th International Conference on Recent Advances in Natural Language Processing, RANLP 2023 (pp. 203-212). INCOMA.

Linden, K., Niemi, J., & Kontino, T. (Eds.) (2023). . (CLARIN Annual Conference Proceedings). CLARIN ERIC.

Lindén, K., Ruokolainen, T., Hämäläinen, L., & Harviainen, J. T. (2023). . In M. M. Rantanen , S. Westerstrand, O. Sahlgren, & J. Koskinen (Eds.), Proceedings of the Conference on Technology Ethics 2023 – Tethics 2023 (pp. 114-131). (CEUR Workshop Proceedings; Vol. 3582). CEUR-WS.org.

Kamocki, P., Linden, K., Puksas, A., & Kelli, A. (2023). . In T. Erjavec, & M. Eskevich (Eds.), Selected papers from the CLARIN Annual Conference 2022 (pp. 57-65). (Linköping Electronic Conference Proceedings; No. 198). CLARIN ERIC.

Linden, K., Jauhiainen, T., & Hardwick, S. (2023). . Language Resources and Evaluation, 57(2), 581-609.

Axelson, E., Hardwick, S., & Linden, K. (2023). . In A. Hurskainen, K. Koskenniemi, & T. P. (Eds.), Rule-Based Language Technology (pp. 60-69). (NEALT Monograph Series; No. 2[1]). Northern European Association for Language Technology.

Linkkejä

  • (Common Language Resources and Technology Infrastructure)
  • , ihmistieteiden kansallinen tutkimusinfrastruktuuri
  • (2022–)

eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa ihmistieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa .