A Multilingual Human Annotated Corpus of Original and Easy-to-Read Texts to Support Access to Democratic Participatory Processes

Dit paper introduceert een door mensen geannoteerd meertalig corpus met originele en vereenvoudigde teksten in het Spaans, Catalaans en Italiaans om de toegang tot democratische participatieprocessen te ondersteunen en de ontwikkeling van automatische tekstvereenvoudiging voor minder bedreigde talen te bevorderen.

De kern

🌍 Het Bouwen van een Brug naar de Democratie

Stel je voor dat de democratie een groot, drukke marktplein is. Iedereen mag er zijn mening geven, stemmen en beslissingen nemen. Maar er is een groot probleem: de borden, de regels en de toespraken zijn geschreven in een taal die voor veel mensen als een onleesbare code voelt. Voor mensen met een verstandelijke beperking, mensen met een lage scholingsgraad, of nieuwkomers die de taal nog niet goed beheersen, is dit plein gesloten. Ze kunnen niet meepraten omdat ze de teksten niet begrijpen.

Dit artikel gaat over een project genaamd iDEM, dat een oplossing heeft bedacht: het bouwen van een brug naar dit plein. Die brug heet "Eenvoudig Lezen" (Easy-to-Read).

🧱 De Probleemstelling: De "Gouden Stenen" ontbreken

Om een computer (een kunstmatige intelligentie) te leren hoe je moeilijke teksten makkelijk maakt, heb je voorbeelden nodig. Je moet de computer laten zien: "Kijk, dit is de moeilijke zin, en dit is hoe een mens die makkelijk maakt."

Het probleem is dat deze voorbeelden (zogenoemde 'corpora') er nauwelijks zijn, zeker niet in talen als Spaans, Italiaans en Catalaans.

• Vergelijking: Het is alsof je een auto wilt leren rijden, maar je hebt geen rijlesboek en geen instructeur. Je kunt alleen maar gissen.
• Voor het Engels zijn er al veel lesboeken, maar voor de andere talen is het een woestijn. Zonder goede voorbeelden kunnen slimme computers de teksten niet goed vereenvoudigen.

🛠️ Wat hebben de auteurs gedaan?

De onderzoekers hebben een grote verzameling bouwstenen gemaakt. Ze hebben:

1. Originele teksten verzameld over belangrijke democratische onderwerpen (zoals stemmen, wetten, en rechten).
2. Menselijke experts ingehuurd. Dit zijn geen robots, maar echte mensen die jarenlang ervaring hebben met het maken van "Eenvoudig Lezen"-teksten.
3. De vertaling: Deze experts hebben de moeilijke teksten herschreven naar een niveau dat iedereen begrijpt (ongeveer niveau A2, zoals een beginnende taalstudent).
4. De "Receptenboekje": Ze hebben niet alleen de nieuwe teksten geschreven, maar ook precies genoteerd waarom ze iets veranderden. Welke moeilijke woorden zijn vervangen? Welke lange zinnen zijn opgeknipt?

🗣️ De drie talen: Een uniek team

Het project is speciaal omdat het drie talen omvat:

• Catalaans: Dit is een wereldprimeur! Voor het eerst bestaat er een verzameling met volledige zinnen in het Catalaans die door mensen zijn vereenvoudigd.
• Spaans en Italiaans: Hier zijn de verzamelingen ook veel groter en beter dan wat er eerder beschikbaar was.

Voorbeeld uit het artikel:

• Moeilijk: "Het stadsbestuur stelt middelen ter beschikking om persoonsgegevens te rectificeren."
• Eenvoudig (Catalaans): "Het stadsbestuur geeft je de kans om je gegevens te veranderen of te corrigeren. Bijvoorbeeld als je naam verkeerd gespeld is."

📊 Hoe ziet de "Schatkist" eruit?

De verzameling is als een grote, goed georganiseerde bibliotheek:

• Onderwerpen: Alles gaat over burgerschap, rechten, gezondheid en politiek.
• Structuur: Elke tekst is opgesplitst in stukjes. Je kunt zien hoe de originele zin is omgebouwd naar de makkelijke zin.
• Openbaar: De schatkist wordt gratis openbaar gemaakt voor iedereen (wetenschappers, ontwikkelaars, scholen). Iedereen mag er mee spelen en leren.

🚧 De uitdagingen

Het was niet makkelijk om dit te doen.

• De "Taal-Regels": Iedere taal heeft zijn eigen regels voor wat "eenvoudig" is. In het Catalaans gebruik je bijvoorbeeld vaak kleine voegwoorden die je in het Spaans niet gebruikt. De onderzoekers moesten voor elke taal een eigen "recept" maken.
• Menselijke fouten: Omdat echte mensen de teksten maakten, is er soms een klein beetje verschil in stijl. Maar de onderzoekers hebben gecontroleerd dat de kwaliteit hoog blijft.
• Auteursrechten: Ze moesten zorgvuldig kiezen welke teksten ze mochten gebruiken, zodat ze geen problemen kregen met auteursrechten.

🌟 Waarom is dit belangrijk?

Stel je voor dat de democratie een huis is. Als deuren en ramen te hoog zijn of deuren te zwaar, kunnen sommige mensen niet naar binnen.
Met deze nieuwe verzameling teksten kunnen we:

1. Slimme computers trainen die automatisch moeilijke teksten voor iedereen begrijpelijk maken.
2. Meer mensen betrekken bij het democratische proces. Mensen met een verstandelijke beperking of nieuwkomers kunnen dan eindelijk meedoen aan de discussie.
3. Inclusie creëren: Iedereen heeft het recht om te begrijpen wat er gebeurt in de maatschappij.

Kortom: Dit artikel presenteert een kostbaar cadeau aan de wereld: een gereedschapskist vol met voorbeelden om de democratie toegankelijk te maken voor iedereen, ongeacht hoe goed ze kunnen lezen. Het is een stap in de richting van een eerlijkere samenleving.

Technische samenvatting

Titel: Een meertalig, door mensen geannoteerd corpus van originele en leesbare teksten ter ondersteuning van toegang tot democratische participatieprocessen.

1. Het Probleem

Toegang tot informatie is cruciaal voor zelfstandig leven en democratische participatie. Taalbarrières vormen echter een ernstig obstakel, vooral voor mensen met leesproblemen, intellectuele beperkingen of migranten. Hoewel er methoden bestaan om teksten te vereenvoudigen (zoals "Plain Language" en "Leesbaar" of Easy-to-Read - E2R), ontbreekt het aan hoogwaardige, meertalige datasets om automatische tekstvereenvoudigingssystemen te trainen en te evalueren.

• Tekort aan data: Bestaande corpora zijn vaak beperkt tot het Engels of bevatten geen volledige zinsparalellen.
• Kwaliteitsproblemen: Veel datasets zijn gegenereerd door niet-experts (bijv. via crowdsourcing) of zijn slechts op documentniveau uitgelijnd, niet op zinsniveau.
• Taalspecifiek gebrek: Voor het Spaans en Italiaans is de data schaars, en voor het Catalaans bestond er tot nu toe geen enkel corpus voor zinsvereenvoudiging.
• Juridische context: De Europese Toegankelijkheidswet (EAA) 2025 verplicht tot toegankelijke digitale content, wat de noodzaak van E2R-middelen vergroot.

2. Methodologie

De auteurs hebben een corpus ontwikkeld binnen het iDEM-project dat zich richt op politieke en deliberatieve domeinen. De aanpak omvatte de volgende stappen:

• Dataselectie: Teksten werden geselecteerd uit domeinen zoals overheidscommunicatie, nieuws, politiek discours en wetgeving. De selectie baseerde zich op relevantie, auteursrechtelijke beschikbaarheid en ethische standaarden.
• Menselijke vereenvoudiging: In plaats van automatische generatie werden de teksten handmatig vereenvoudigd door geschoolde E2R-experts (vertalers met jarenlange ervaring).
• Annotatieschema: Er werd een unificerend annotatieschema ontwikkeld dat specifiek is afgestemd op de linguïstische behoeften van Spaans, Catalaans en Italiaans, maar ook gemeenschappelijke E2R-richtlijnen hanteert (bijv. UNE-standaarden voor Spanje, DINCAT voor Catalonië).
  • Vertalers moesten niet alleen de tekst vereenvoudigen, maar ook annoteren welke specifieke vereenvoudigingsregels ze toepasten (bijv. het vervangen van abstracte termen, het gebruik van eenvoudige tijden, het opsplitsen van zinnen).
• Structuur: Het corpus bestaat uit parallelle zinnen (origineel vs. vereenvoudigd) en is opgeslagen in JSON-formaat. Het bevat metadata over de bron, het taalgebied en de toegepaste vereenvoudigingstechnieken.
• Kwaliteitsborging: Er werd gebruikgemaakt van cross-checks tussen vertalers en een gestructureerde workflow om consistentie te garanderen, ondanks de uitdagingen van een meertalig project.

3. Belangrijkste Bijdragen

• Eerste Catalaans Corpus: Dit is het eerste geannoteerde corpus voor zinsvereenvoudiging in het Catalaans.
• Uitbreiding Spaans en Italiaans: Het biedt een aanzienlijke toevoeging aan de bestaande, schaarse data-pools voor deze talen.
• Hoogwaardige Menselijke Data: De vereenvoudigingen zijn gemaakt door experts, wat een significant kwaliteitsverschil is met bestaande datasets die vaak door niet-experts zijn gemaakt.
• Gedetailleerde Annotatie: Het corpus bevat niet alleen de teksten, maar ook een gedetailleerde tagging van de toegepaste vereenvoudigingscriteria, wat het uniek maakt voor onderzoek naar hoe en waarom teksten worden vereenvoudigd.
• Open Access: Het corpus wordt vrij beschikbaar gesteld aan de wetenschappelijke gemeenschap (via een GitHub-repository, gepland voor zomer 2026).

4. Resultaten en Statistieken

Het corpus omvat ongeveer 11.600 woorden per taal (totaal ca. 33.000 woorden) verdeeld over verschillende categorieën (informatieve teksten, politieke artikelen, beleidsdocumenten).

• Zinsstructuur: Er is een duidelijke toename in het aantal zinssegmenten in de vereenvoudigde versies.
  • Spaans: De gemiddelde zinslengte daalde van ~33 woorden naar ~8,4 woorden per segment (zeer strikte toepassing van E2R-regels).
  • Catalaans: Van ~41 naar ~35 woorden (minder strikte toepassing van regel "één idee per regel").
  • Italiaans: Van ~32 naar ~17 woorden.
• Alignments: De meeste originele zinnen worden vertaald naar 1 of 2 vereenvoudigde zinnen (55% is 1:1, 13% is 1:2). Ongeveer 7,5% van de zinnen wordt echter opgesplitst in 5 of meer segmenten, vooral bij complexe zinnen of lijsten.
• Veelgebruikte regels: De meest toegepaste annotaties zijn het gebruik van frequente/algemene werkwoorden en zelfstandige naamwoorden, het vermijden van abstracte termen en jargon, en het opsplitsen van complexe zinnen in kortere eenheden.

5. Betekenis en Impact

Dit corpus is een mijlpaal voor het onderzoek naar tekstvereenvoudiging en toegankelijkheid:

• Democratische Participatie: Het stelt onderzoekers in staat om systemen te ontwikkelen die burgers met leesproblemen beter kunnen betrekken bij democrische processen, wat essentieel is voor inclusie.
• NLP-vooruitgang: Het biedt een solide basis voor het fine-tunen van Large Language Models (LLMs) voor de taak van tekstvereenvoudiging in meertalige contexten.
• Empirisch Onderzoek: Het maakt empirische evaluatie van E2R-richtlijnen mogelijk, een gebied dat tot nu toe weinig onderzocht was.
• Toekomstige Toepassingen: Het corpus kan dienen als evaluatiedataset voor toekomstige AI-modellen en als referentie voor het ontwikkelen van nieuwe tools voor toegankelijke communicatie, in lijn met de Europese Toegankelijkheidswet.

Kortom, het werk vult een kritieke lacune in de taalbronnen op en biedt een hoogwaardige, menselijk geverifieerde basis voor het ontwikkelen van inclusieve technologieën.