High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

DAIVA ŠVEIKAUSKIENĖ Institut für Litauische Sprache Forschungsgebiete: Computerlinguistik, Treebank-Erstellung, Annotationsebenen. HOCHWERTIGES SYNTAKTISCH ANNOTIERTES KORPUS DES LITAUISCHEN – VILSINTEKS Hochwertiges syntaktisch annotiertes Korpus der litauischen Sprache VILSINTEKS ANNOTATION Dieser Beitrag stellt eine zweifache Annotation vor, die für die hochwertige Annotation des litauischen Korpus verwendet wird. Umfassende Informationen über einen Satz werden in einer Tabelle dargestellt, und die syntaktische Struktur eines Satzes wird in einer Abbildung präsentiert. Die Erfahrungen mit anderen Sprachen werden genutzt, und die spezifischen Merkmale der litauischen Sprache werden berücksichtigt. Anhand statistisch annotierter Beispiele wird die Unzulänglichkeit der Baumdarstellung für die syntaktische Struktur litauischer Sätze aufgezeigt. Auch das Ziel der Erstellung eines annotierten Korpus mit erschöpfenden Informationen wird klar hervorgehoben. Es werden Beispiele annotierter Sätze angeführt, die die spezifischen Merkmale der litauischen Sprache widerspiegeln. SCHLÜSSELWÖRTER: syntaktisch annotiertes Korpus; graphische Darstellung der syntaktischen Struktur; Annotationsebenen im litauischen Korpus; Unzulänglichkeit der Baumdarstellung für litauische Sätze; Ziel des syntaktisch annotierten Korpus. ANMERKUNG Der Artikel erörtert die auf zwei Ebenen vorgenommene Annotation, die zur Erstellung eines hochwertigen annotierten Korpus litauischer Texte verwendet wird. Ausführliche Informationen zum Satz werden in einer Tabelle angegeben, während die syntaktische Satzstruktur grafisch dargestellt wird. Dabei werden Erfahrungen mit anderen Sprachen genutzt und die spezifischen Merkmale des Litauischen berücksichtigt. Die Unzulänglichkeit des Baums bei der Darstellung der syntaktischen Struktur litauischer Sätze wird anhand statistischer 252 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Methoden annotierter Sätze veranschaulicht. Der Artikel betont außerdem ausdrücklich das Ziel, ein annotiertes Korpus zu erstellen, in dem ausführliche Informationen gesammelt werden. Es werden Beispiele annotierter Sätze präsentiert, die spezifische Merkmale des Litauischen widerspiegeln. SCHLÜSSELWÖRTER: syntaktisch annotiertes Korpus, Darstellung der Satzstruktur als Graph, Annotationsebenen des Korpus, Unzulänglichkeit des Baums bei der Darstellung litauischer Sätze, Ziel der Korpuserstellung. 1. EINLEITUNG The first annotation of corpora was a part of speech tagging POST [Church 1988: 136]. Such annotation is found in the Penn Treebank. Later, other sentences, carrying the syntactic information, were introduced. They were represented by using various schemes [Atwell et al. 2000: 12]. In 2012 Köhler mentioned the following: “...there is no general standard as to how corpora should be structured and notated” [Köhler 2012: 32]. Therefore, the Lithuanian corpus VILSINTEKS is annotated, bearing in mind the specific features of the Lithuanian language – a large amount of inflexion and a free word order in a sentence. Von den beiden führenden Typen der Darstellung syntaktischer Strukturen – der Phrasenstrukturgrammatik und der Dependenzgrammatik – wurde für das Litauische die letztere gewählt, denn „...die Dependenzgrammatik hat vor allem bei Lernenden von Sprachen mit relativ freier Wortstellung Anklang gefunden...“ [Kay, Gawron and Norvig 1994: 55]. The most common representation of the syntactic structure is a tree [Allen 1987: 41]. The name of the syntactically annotated corpus – treebank – is related to this term. The name of the Lithuanian treebank does not contain the word ‘tree’, because the syntactic structure of some Lithuanian sentences is represented by a graph with a cycle, that is, it does not meet the conditions established by the definition of a tree, as a tree is a connected acyclic graph [Swamy, Thulasiraman 1984: 33]. The acronym VILSINTEKS means VILniaus SINtaksinis TEKStynas – Vilnius syntactic corpus. 2. ANNOTATION DES LITAUISCHEN KORPUS In jüngster Zeit wurde viel über den geringen Grad der Computerisierung der litauischen Sprache gesagt und geschrieben. Den Daten des META-NET zufolge Straipsniai / Articles 253 DAIVA ŠVEIKAUSKIENĖ Projekt gehört Litauisch zur Gruppe der am wenigsten computerisierten europäischen Sprachen [Vaišnienė, Zabarskaitė 2012: 35]. Die für andere Sprachen entwickelte Software liefert keine zufriedenstellenden Ergebnisse, wenn sie auf die litauische Sprache angewendet wird. Es ist höchste Zeit, nicht mehr über die geringe Computerisierung der litauischen Sprache, sondern über die Qualität ihrer Computerisierung zu sprechen. Daher lohnt es sich, auf die litauische Sprache zurückzublicken und zu versuchen, eigene Software für ihre Computerisierung zu entwickeln, um eine hochwertige Computerisierung der litauischen Sprache zu erreichen. Die ersten Bemühungen um die syntaktische Annotation des litauischen Korpus begannen 2013. Das syntaktisch annotierte Korpus VILSINTEKS wurde am Institut für die litauische Sprache in Vilnius erstellt. Unser Ziel ist es, möglichst viele Informationen zu einem Satz bereitzustellen, insbesondere wenn es sich um Daten handelt, die während des Übersetzungsprozesses benötigt werden. Umfassende Informationen finden sich im Prager Dependency Treebank, das über eine dreistufige Annotation verfügt [Hajič 2000: 103]. Mehr Annotationsebenen in einer einzigen Abbildung ließen sich nicht ABBILDUNG 1. Beispiel für die syntaktische Struktur des litauischen Satzes Jie gali būti kitokie – They can be different 254 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS erreichen. Daher beschlossen wir, die Informationsdarstellung bei litauischen Sätzen in zwei Teile aufzuteilen: eine Tabelle mit morphologischen, syntaktischen und semantischen Informationen sowie eine Abbildung zur Darstellung der syntaktischen Struktur. Für litauische Sätze wird ein Graph mit Zyklen verwendet, da ein Baum nicht alle syntaktischen Informationen wiedergeben kann, die der litauische Satz enthält. Das prädikative Attribut hängt von zwei Satzteilen ab: vom Subjekt oder Objekt sowie vom Prädikat. Diese Beziehungen werden formal ausgedrückt und können nicht ignoriert werden (weitere Einzelheiten siehe Šveikauskienė 2005: 412). Abbildung 1 zeigt die syntaktische Struktur eines Titelsatzes. Er enthält ein Prädikativ, das formal ausgedrückte Beziehungen zum Subjekt und zum Prädikat aufweist; beide Beziehungen müssen bei der Annotation des Korpus dargestellt werden. ABBILDUNG 2. Statistisch geparster Satz Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia (Who does not risk, that does not drink champagne but does not cry tearfully either) [Kapočiūtė, Nivre, Krupavičius 2013: 15] ABBILDUNG 3. Statistisch geparster Satz Bet štai pro medį, kuriame sėdėjau, praslinko didelis šešėlis (But here through the tree in which I sat passed a small shadow) [Kapočiūtė, Nivre, Krupavičius 2013: 15] Straipsniai / Articles 255 DAIVA ŠVEIKAUSKIENĖ Das Prädikativ muss eine mit dem Subjekt übereinstimmende Endung haben und ist zugleich dem Prädikat untergeordnet; das heißt, es ist kein Attribut des Subjekts. Die ersten Versuche, das litauische Korpus syntaktisch zu annotieren, zeigten, dass die für andere Sprachen entwickelte Software im Litauischen keine guten Ergebnisse lieferte. Etwa 1500 Sätze wurden an der Technischen Universität Kaunas statistisch annotiert [Kapociūtė, Nivre, Krupavičius 2013: 12]. Die vorgestellten Ergebnisse zeigten, dass die in den ABBILDUNG 4. Analysierter Satz aus VILSINTEKS Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia 256 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS ABBILDUNG 5. Analysierter Satz aus VILSINTEKS Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis Straipsniai / Articles 257 DAIVA ŠVEIKAUSKIENĖ Satzstruktur. Die beiden Abbildungen veranschaulichen zwei analysierte Sätze, denen beiden sehr wichtige Informationen fehlen. Im ersten Satz fehlt der Pfeil zwischen dem Prädikat negeria und dem Subjekt tas (Abbildung 2). Im zweiten Satz wird die Kongruenzbeziehung zwischen den beiden Wörtern medį und kuriame nicht dargestellt, die übereinstimmende Endungen haben (Abbildung 3), obwohl die Autoren im selben Artikel schrieben: „Ein Adjektiv, das ein Substantiv näher bestimmt, muss in GENUS, NUMERUS und KASUS übereinstimmen.“ Die Wörter medį und kuriame müssen in Genus und Numerus übereinstimmen, und diese Information fehlt in der Satzstruktur. Es ist schwer zuzustimmen, dass die Beziehungen zwischen den Wörtern kuriame sėdėjau – in which I sat und pro medį – through the tree vom selben Typ sind. Diese nach der in VILSINTEKS verwendeten Methode annotierten Sätze sind in Abbildung 4 beziehungsweise Abbildung 5 dargestellt. 3. ANNOTATIONSEBENEN IN DER TABELLE Die Informationen in der Tabelle umfassen drei Arten: Informationen über den gesamten Satz, Informationen über die Wörter im Satz, Nichtgrammatische Informationen über die Wörter und den Satz. 3.1. Informationen über den gesamten Satz Die Informationen zum gesamten Satz bestehen aus seinem Code, das heißt seiner Position im Korpus, seinem Typ und seinen Merkmalen. Das Merkmal des Satzes ist seine Charakteristik unter Berücksichtigung seiner Funktion im Text, das heißt, ob es sich um einen Titel, einen Autor, einen Untertitel oder einen Textsatz handelt. Der Satztyp gibt kommunikative Informationen an, das heißt, ob der Satz aussagend, auffordernd, interrogativ usw. ist, sowie strukturelle Informationen: persönlich, unpersönlich, elliptisch, einfacher oder zusammengesetzter Satz usw. [Ambrazas 1997: 573]. 3.2. Informationen über die Wörter im Satz Zu jedem Wort werden Angaben zu seiner Nummer im Satz, morphologische Angaben (Tempus, Kasus, Genus usw.), das Lemma sowie Angaben zu seiner lexikalischen Semantik bereitgestellt, 258 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS syntaktische Funktion, direkte syntaktische Beziehungen zu anderen Wörtern im Satz und Tiefenkasus. Da die Wortstellung im Litauischen gewöhnlich keine syntaktischen Informationen enthält, sind die Merkmale der lexikalischen Semantik für die Bestimmung der syntaktischen Funktion sehr wichtig. Ein Substantiv im Akkusativ mit dem Merkmal der Zeitangabe ist eine Adverbialbestimmung und ohne dieses Merkmal ein Objekt. Wenn im Satz zwei Substantive im Akkusativ vorkommen, ist das Merkmal der lexikalischen Semantik manchmal das einzige Kriterium, anhand dessen sich die syntaktische Funktion bestimmen lässt. 3.3. Nichtgrammatische Informationen zu den Wörtern und zum Satz Die stilistischen Informationen zum Wort sind in der Tabelle aufgeführt. Sie helfen dabei, bei der Übersetzung des Wortes das passende Äquivalent in der anderen Sprache zu wählen. The antecedent of the pronoun is necessary. Mille, Wanner and Burga [2012: 5] describe coreferential structure, which links the pronoun with its antecedent in one sentence. The Lithuanian treebank provides the information about the antecedent of the pronoun if it is outside the sentence too. It is very important for translation because the gender of the noun (or pronoun accordingly) may differ in various languages. For example, the Lithuanian sentence Ji buvo graži has three translations into German. If it is “a girl”, the right translation is Es war schön. If it is “a cat” the right translation is Sie war schön, and if it is “a day”, the right translation is Er war schön. All three pronouns in Lithuanian are feminine because all three nouns are feminine, whereas in the case of the German language this pronoun has three different equivalents taking into consideration the noun it replaces. Die Tabelle enthält die fehlenden Wörter in elliptischen Sätzen sowie das ausgelassene Subjekt, das durch ein Personalpronomen ausgedrückt wird. Dies ist im Litauischen sehr häufig. Das Subjekt lässt sich anhand der Verbendung erschließen. Auch die Kopula des Prädikats im Präsens wird gewöhnlich ausgelassen; daher enthält die Tabelle diese fehlenden Wörter. Abkürzungen werden in der Tabelle ausgeschrieben wiedergegeben. Zahlen werden in der Tabelle zusätzlich durch Zahlwörter und Zahlwörter durch Ziffern wiedergegeben, da sich die lexikalische Darstellung von Zahlen in verschiedenen Sprachen unterscheiden kann. Straipsniai / Articles 259 DAIVA ŠVEIKAUSKIENĖ 4. INFORMATIONSTYPEN IN DER SYNTAKTISCHEN STRUKTUR In der syntaktischen Struktur wird der Satz im ersten Schritt in eine Nominalgruppe, eine Verbalgruppe und das Satzschlusszeichen unterteilt. Das Litauische hat eine freie Wortstellung, und manchmal ist das Satzschlusszeichen das einzige Mittel, um den Satztyp zu bestimmen, d. h. ob es sich um einen Aussagesatz oder einen Fragesatz handelt, zum Beispiel: Tu šiandien laimėjai prizą. – You have won a prize today. und Tu šiandien laimėjai prizą? – Have you won a prize today?. Abbildung 6 zeigt die syntaktische Struktur des Fragesatzes. Die Übersetzung des Satzes wird entsprechend dem Satzschlusszeichen gewählt. Darüber hinaus wird die Satzstruktur mithilfe der Dependenzgrammatik dargestellt. Der Kopf der Subjektgruppe ist das Subjekt; darunter sind die Wörter dargestellt, die es erweitern. Der Kopf der Prädikatsgruppe ist das Prädikat, unter dem die untergeordneten Wörter angeordnet sind. Zwei weitere Felder, die für die Annotation des litauischen Korpus sehr wichtig sind, betreffen den Typ der syntaktischen Beziehungen zwischen den Wörtern und semantisch nicht auflösbare Wortgruppen. ABBILDUNG 6. Syntaktische Struktur des Fragesatzes Tu šiandien laimėjai prizą? – Have you won a prize today? 260 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS 4.1. Art der syntaktischen Relation Die litauische Sprache verfügt über eine beträchtliche Zahl von Flexionsformen. Daher ist es sehr wichtig, Informationen über die Art der syntaktischen Relationen darzustellen, da diese häufig durch Wortendungen ausgedrückt werden. In der litauischen Sprache gibt es drei Arten syntaktischer Beziehungen: die Wechselbeziehung zwischen Subjekt und Prädikat, die Koordination zweier oder mehrerer Wörter gleichen syntaktischen Status im Satz und die Subordination zweier Wörter, von denen eines die Endung des anderen bestimmt. Die Subordination wird in Rektion, Kongruenz und Adjazenz unterteilt [Ambrazas 1997: 478]. Jede Art syntaktischer Relation wird in der Struktur durch eine andere Farbe dargestellt. Die Wechselbeziehung wird durch einen lila Doppelpfeil dargestellt, da beide Wörter die Form des jeweils anderen bestimmen; die Koordination durch eine gelbe, ungerichtete Linie, da die Wörter keinen Einfluss auf die Form des jeweils anderen haben; die Rektion durch einen kleinen blauen, unidirektionalen gepunkteten Pfeil; die Kongruenz durch einen roten unidirektionalen Pfeil; und die Adjazenz durch einen großen grünen, unidirektionalen gepunkteten Pfeil. Präpositionen, Konjunktionen oder Satzzeichen werden als Beschriftungen der Pfeile zwischen den Wörtern dargestellt. Abbildung 7 zeigt ein Beispiel für einen Satz mit Konjunktion. ABBILDUNG 7. Syntaktische Struktur eines Satzes mit Konjunktion Laukais, miškais ir kalvomis ateina saulėtas ruduo. – Durch Felder, Wälder und Hügel kommt der sonnige Herbst. Straipsniai / Articles 261 DAIVA ŠVEIKAUSKIENĖ 4.2. Semantisch unauflösbare Wortgruppen Eine semantisch unauflösbare Wortgruppe ist eine Wortverbindung, in der ein Wort ein anderes nur dann näher bestimmen kann, wenn beide zusammen auftreten, und das abhängige Wort nur die gesamte Gruppe näher bestimmen kann. Die Beziehung eines Wortes aus dieser Gruppe zu dem näher bestimmten Wort hat keine Bedeutung. Mel’chuk beschreibt einen ähnlichen, im Russischen beobachteten Fall [Mel’chuk 2006: 37]. Eine unauflösbare Wortgruppe wird in einem einzigen Kasten dargestellt, in dem die syntaktischen Beziehungen innerhalb der Gruppe wiedergegeben werden. Abbildung 8 zeigt die syntaktische Struktur eines Satzes mit einer unauflösbaren Wortgruppe: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – Ein Bauer, der fünftausend Morgen Land besitzt, verkauft günstig frisches Gemüse. Das Verb valdyti – „besitzen“ ist im Litauischen transitiv und verlangt den Akkusativ; daher steht das Wort tūkstančius–„tausend“ im Akkusativ. Zahlwörter verlangen im Litauischen den Genitiv, weshalb das Wort hektarų–„Morgen“ im Genitiv steht. Semantisch besitzt der Bauer nicht „tausend“, obwohl das Wort tausend in dem vom Partizip valdantis–„besitzend“ regierten Kasus steht. Vielmehr besitzt er Morgen, also das Wort, das im Genitiv steht, d. h. in dem vom Zahlwort tausend regierten Kasus. Folglich ist die Wortgruppe tūkstančius hektarų „-tausend Morgen“ semantisch unauflösbar; deshalb stehen beide Wörter in der syntaktischen Satzstruktur in einem Kasten. Das Wort fünf ist ein Attribut des Wortes tausend und steht daher im selben Kasten. Das nicht kongruierende Attribut žemės – „des Landes“ bestimmt den gesamten Kasten, also die ganze darin enthaltene Wortgruppe, näher und kann durch andere nicht kongruierende Attribute ersetzt werden, zum Beispiel: fünftausend Morgen Wald. Somit wird die semantisch unauflösbare Wortgruppe als eine lexikalische Einheit betrachtet. Wortverbindungen aus Zahlwörtern (fünf und tausend) weisen zwei syntaktische Beziehungen auf: Kongruenz und Rektion. Der Kasus des Wortes ‚tausend‘ (dessen Endung durch die Rektion des Verbs bestimmt wird) bestimmt die Endung des Wortes ‚fünf‘ – beide müssen übereinstimmende Endungen haben (jis valdo penkis tūkstančius hektarų – er besitzt fünftausend Morgen, aber penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – er verwendete 10 Tonnen Dünger für fünftausend Morgen), und das Lexem ‚fünf‘ regiert das Wort ‚tausend‘, d. h. verlangt von ihm eine bestimmte Endung. Zum Beispiel hat das Wort tausend in den Wortgruppen er besitzt fünftausend Morgen (jis valdo penkis tūkstančius hektarų) und er besitzt zwanzigtausend Morgen (jis valdo dvidešimt tūkstančių hektarų) im Litauischen unterschiedliche Endungen. Deshalb ist es für uns sehr wichtig, alle Arten syntaktischer Relationen sehr präzise darzustellen. 262 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS ABBILDUNG 8. Syntaktische Struktur eines Satzes mit einer semantisch unauflösbaren Wortgruppe Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Ein Bauer, der fünftausend Morgen Land besitzt, verkauft günstig frisches Gemüse) 5. ZIELE DER ANNOTATION Die statistische Methode der Verarbeitung natürlicher Sprache liefert für das Litauische, insbesondere bei der maschinellen Übersetzung, keine zufriedenstellenden Ergebnisse. Auch das statistische Parsing stellt keine erschöpfenden Informationen bereit. Darüber hinaus liefert für andere Sprachen entwickelte Software für das Litauische keine hinreichenden Ergebnisse. V. Daudaravičius arbeitete lange an der automatischen syntaktischen Analyse des Litauischen und schrieb dazu: „Naiv ist die Annahme, dass Methoden, die erfolgreich auf die englische Sprache angewandt werden, auch für andere Sprachen geeignet sind.“ [Daudaravičius 2012: 3]. Ziel von VILSINTEKS ist es, verlässliche und umfassende Informationen über die Grammatik des Litauischen in der Praxis zusammenzutragen. Mit einer hochwertigen automatischen syntaktischen Analyse, die nach einem nichtstatistischen Ansatz erstellt wurde, nichtstatistisch Straipsniai / Articles 263 DAIVA ŠVEIKAUSKIENĖ Dadurch werden maschinelle Übersetzungssysteme von hoher Qualität ermöglicht, insbesondere bei der Generierung litauischer Sätze. VILSINTEKS soll die spezifischen Merkmale der litauischen Sprache widerspiegeln. Umfassende Informationen über litauische Sätze werden in einer übersichtlichen Darstellung für die allgemeine Nutzung bereitgestellt. Das annotierte Korpus wird im Internet frei zugänglich sein. Derzeit kann man mithilfe des an der Vytautas-Magnus-Universität erstellten Textkorpus Beispiele für Sätze mit einem bestimmten Wort erhalten. VILSINTEKS wird Beispiele für syntaktische Strukturen mit bestimmten Merkmalen bereitstellen, etwa einen einfachen Satz, in dem ein Pronomen als Subjekt fungiert, und weitere Beispiele. Die Anwendung des russischen Korpus wird ähnlich beschrieben: Es kann im Suchmodus für Beispiele verwendet werden, die das betreffende sprachliche Phänomen veranschaulichen [НКРЯ –National Corpus of the Russian Language] Die ersten 500–1000 Sätze aus den 2 Millionen Wörtern des Korpus der zeitgenössischen litauischen Sprache (Presse) werden manuell annotiert. Später erfolgt die Annotation halbautomatisch. Die so erstellte automatische syntaktische Analyse der litauischen Sprache wird zur Annotation eingesetzt, an die sich eine menschliche Überprüfung anschließt. Während des Annotationsprozesses wird die Software unter Berücksichtigung der festgestellten Fehler verbessert. Die wichtigste Aufgabe besteht darin, eine zuverlässige automatische syntaktische Analyse der litauischen Sprache zu entwickeln, die bei der Erstellung eines Transfer-Maschinenübersetzungssystems eingesetzt werden kann. Bei der TRANSFER-Methode ist die syntaktische Analyse der zweite Schritt. Es ist zu erwarten, dass die syntaktische Annotation des Korpus zur Verbesserung der automatischen syntaktischen Analyse beitragen wird. Für die Annotation werden Excel-Tabellen verwendet, da sie eine übersichtliche Darstellung bieten und sich daraus leicht das XML-Format erzeugen lässt. Die Informationen von VILSINTEX werden ebenfalls im XML-Format frei zugänglich sein. Sie können somit unter anderem für statistische Untersuchungen zur litauischen Sprache und für den Abruf von Informationen zur Grammatik des Litauischen genutzt werden. 6. SCHLUSSFOLGERUNGEN Zur Darstellung der syntaktischen Struktur litauischer Sätze wird ein Graph verwendet, da ein Baum nicht alle syntaktischen Informationen wiedergeben kann, die ein litauischer Satz enthält. Zwei Beispiele für statistische Annotation zeigen, dass ein Baum zur Darstellung der syntaktischen Struktur litauischer Sätze nicht ausreicht. Für das litauische Korpus wird eine zweifache Annotation verwendet: Die Tabelle enthält umfassende Informationen über den Satz und seine Wörter, während die syntaktische Struktur des Satzes bildlich dargestellt wird. 264 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS In der Tabelle werden Informationen dreier Arten dargestellt: Informationen über den gesamten Satz (Fragesatz, elliptischer Satz, unpersönlicher Satz); Informationen zu jedem Wort des Satzes (morphologische, syntaktische und semantische Daten); sowie nichtgrammatische Informationen (fehlende Wörter elliptischer Sätze, Antezedens eines Pronomens innerhalb und außerhalb des Satzes, Zahlenangabe eines Numerale und umgekehrt, ausgeschriebene Entsprechungen von Akronymen). Die syntaktische Struktur des litauischen Satzes wird in der ersten Phase in drei Teile gegliedert: die Subjektgruppe, die Prädikatgruppe und das Satzschlusszeichen. Letzteres ist sehr wichtig, da es in einigen Fällen das einzige Kriterium ist, anhand dessen sich der Satztyp (Aussage- oder Fragesatz) bestimmen lässt. Syntaktische Beziehungen werden in der syntaktischen Struktur des Satzes je nach Art der Beziehung durch unterschiedliche Farben und Linienstile dargestellt. Semantisch nicht auflösbare Wortgruppen werden in einem Kasten angeordnet, wobei die syntaktischen Beziehungen innerhalb der Gruppe dargestellt werden. Ziel von VILSINTEKS ist es, umfassende und zuverlässige Informationen über litauische Sätze bereitzustellen. Es kann für die statistische Erforschung der litauischen Sprache und zum Abruf von Informationen zur litauischen Grammatik verwendet werden. Außerdem kann es bei der Entwicklung eines nichtstatistischen maschinellen Übersetzungssystems hilfreich sein. VILSINTEKS zielt darauf ab, grammatische Informationen über die litauische Grammatik in der Praxis zu sammeln. Die ersten Sätze werden manuell annotiert. Später wird die Annotation halbautomatisch erfolgen. Für die Annotation werden Excel-Tabellen verwendet, da sie eine übersichtliche Darstellung für die menschliche Nutzung bieten; das annotierte Korpus wird im Internet frei zugänglich sein. Aus Excel-Tabellen lässt sich leicht das XML-Format erzeugen. Auch die Informationen von VILSINTEKS werden im XML-Format frei zugänglich sein. Somit können die Informationen von VILSINTEKS für die statistische Erforschung der litauischen Sprache und zum Abruf von Informationen zur litauischen Grammatik verwendet werden. REFERENCES Allen James 1987: Natural Language Understanding. Amsterdam: The Benjamin/Cummings Publishing Company. Ambrazas Vytautas 1997: Dabartinės lietuvių kalbos gramatika. Vilnius: Mokslo ir enciklopedijų leidybos institutas. Straipsniai / Articles 265 DAIVA ŠVEIKAUSKIENĖ Atwell Eric, Demetriou George, Hughes John, Schiffrin Amanda, Souter Clive and Wolcock Sean 2000: Comparing linguistic interpretation schemes for English corpora. – ICAME 24, 7–24. Church Kenneth Ward 1988: A Stochastic Parts Program and Noun Phrase Parser for Unrestricted Text. – ANLC ‘88: Proceedings of the second conference on Applied natural language processing. Association for Computational Linguistics Stroudsburg, PA, 136–143. Daudaravičius Vidas 2012: Teksto skaidymas pastoviųjų junginių segmentais. Daktaro disertacijos santrauka. Kaunas: Vytauto Didžiojo universitetas. Hajič Jan, Böhmová Alena, Hajičová Eva and Hladká Barbora Vidová 2000: The Prague Dependency Treebank: A Three-Level Annotation Scenario. – Treebanks: Building and Using Parsed Corpora, ed. by A. Abeillé. Amsterdam: Kluwer, 103–127. Kay Martin, Gawron Mark, J. and Norvig Peter 1994: Verbmobil: A Translation System for Face-to-Face Dialog. Stanford: CSLI. Kapočiūtė-Dzikienė Jurgita, Krupavičius Algis, Nivre Joakim 2013: Lithuanian Dependency Parsing with Rich Morphological Features. – Proceedings of the Fourth Workshop on Statistical Parsing of Morphologically Rich Languages. Seattle, Washington, USA, 18 October, 12–21. Köhler Reinhard 2012: Quantitative Syntax Analysis. – Quantitative linguistics 65, ed. by Reinhard Köhler, Gabriel Altmann, Peter Grzybek. De Gruyter Mouton. Mille Simon, Wanner Leo and Burga Alicia 2012: Treebank Annotation in the Light of the Meaning-Text Theory. – Linguistic Issues in Language Theory 7(16), 1–12. Swamy M.N.S, Thulasiraman K. 1981: Graphs, Networks, and Algorithms. New York, Chichester Toronto: Willey Interscience publication. Šveikauskienė Daiva 2005: Graph Representation of the Syntactic Structure of the Lithuanian Sentence. – Informatica 16(3), 407–418. Vaišnienė Daiva, Zabarskaitė Jolanta 2012: The Lithuanian Language in the digital age. – META-NET White paper series, ed. by Georg Rehm, Hans Uszkoreit. Berlin, Heidelberg: Springer-Verlag. НКРЯ – Национальный корпус русского языка 2003–2013. Prieiga internete: http://www.ruscorpora.ru/corpora-usage.html 266 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Aukštos kokybės sintaksiškai anot uotas lietuvių kalbos tekstynas VILSINTEKS SANTRAUKA Pastaruoju metu labai daug kalbama ir rašoma apie tai, kad lietuvių kalba mažai kompiuterizuota. Perkama kitoms kalboms sukurta programinė įranga, kuri lietuvių kalbos atveju dažniausiai neduoda patenkinamų rezultatų. Jau atėjo metas, kai reikia pradėti aptarti lietuvių kalbos kompiuterizavimo kokybę, užuot kalbėjus apie menką jos kompiuterizavimą. Straipsnyje aprašomas aukštos kokybės sintaksiškai anotuotas lietuvių kalbos tekstynas, kuriame pateikta patikima informacija. Anotavimas atliekamas dviem lygmenimis: išsami informacija apie sakinį nurodoma lentelėje ir sintaksinė struktūra nubraižoma grafiškai. Anotuojant didelis dėmesys skiriamas sintaksinių ryšių vaizdavimui. Jie parodomi skirtingų spalvų ir tipų linijomis. Straipsnyje aprašomi neskaidomi žodžių junginiai – tai žodžių grupės, kurios tik kartu gali išplėsti kitą žodį, ir tik visą grupę gali pažymėti ją išplečiantis žodis. Kitų sakinio žodžių ryšys su vienu iš neskaidomo junginio dėmenų neturi prasmės. Struktūroje neskaidomi junginiai sudedami į vieną bloką parodant vidinius sintaksinius ryšius. Straipsnyje pateikiami sintaksiškai anotuotų sakinių pavyzdžiai. Sakinio struktūrai vaizduoti naudojamas grafas, nes medis, kuris sėkmingai taikomas anglų kalbos sakinių struktūrai, negali atspindėti visos sintaksinės informacijos, esančios lietuviškame sakinyje. Tai labai gerai matyti statistiniu metodu anotuotų sakinių pavyzdžiuose, kurie pateikiami šiame straipsnyje. Parodomos dviejų sakinių struktūros, kuriose trūksta labai svarbios informacijos: vienoje neparodytas sintaksinis ryšys tarp veiksnio ir tarinio, kitoje nėra ryšio tarp žodžių, kurie derinami skaičiumi ir gimine. Palyginimui straipsnyje pateikiami šie sakiniai, anotuoti ir VILSINTEKS naudojamu metodu. Pradėto kurti tekstyno tikslas – sukaupti išsamią ir patikimą informaciją apie lietuvių kalbos gramatiką, atliekant sakinio analizę be klaidų, t. y. kai kompiuterio darbo rezultatus dar peržiūri žmogus. Anotuotas tekstynas bus viešai prieinamas internete. Kaip dabar iš VDU tekstyno galima gauti pateikto žodžio pavartojimo pavyzdžius, taip VILSINTEKS tinklapyje bus galima gauti sintaksinių struktūrų, kurios turi tam tikrų požymių – pavyzdžiui, vientisinių sakinių, kuriuose veiksniu eina įvardis ir pan., – pavyzdžių. Anotuojant naudojamos Excel lentelės, nes jos leidžia vaizdžiai pateikti sakinio struktūrą ir lengvai pertvarkyti informaciją į XML formatą, kuris plačiai taikomas paieškai. Taigi anotuotą tekstyną bus galima panaudoti statistiniams lietuvių kalbos tyrimams, taip pat informacijai apie lietuvių kalbos gramatiką išgauti ir kt. Įteikta 2013 m. spalio 28 d. DAIVA ŠVEIKAUSKIENĖ Lietuvių kalbos institutas Petro Vileišio g. 5-216, LT-10308 Vilnius, Lietuva [email protected] Straipsniai / Articles 267