High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

DAIVA ŠVEIKAUSKIENĖ Ινστιτούτο Λιθουανικής Γλώσσας Ερευνητικά πεδία: υπολογιστική γλωσσολογία, δημιουργία treebank, επίπεδα επισημείωσης. ΥΨΗΛΗΣ ΠΟΙΟΤΗΤΑΣ ΣΥΝΤΑΚΤΙΚΑ ΕΠΙΣΗΜΕΙΩΜΕΝΟ ΣΩΜΑ ΚΕΙΜΕΝΩΝ ΤΗΣ ΛΙΘΟΥΑΝΙΚΗΣ – VILSINTEKS Σώμα κειμένων της λιθουανικής γλώσσας με συντακτική επισημείωση υψηλής ποιότητας VILSINTEKS ΕΠΙΣΗΜΕΙΩΣΗ Η παρούσα εργασία παρουσιάζει μια διττή επισημείωση, η οποία χρησιμοποιείται για την υψηλής ποιότητας επισημείωση του λιθουανικού σώματος κειμένων. Πλήρεις πληροφορίες για μια πρόταση παρέχονται σε πίνακα, ενώ η συντακτική δομή της παρουσιάζεται σε εικόνα. Αξιοποιείται η εμπειρία από άλλες γλώσσες και λαμβάνονται υπόψη τα ιδιαίτερα χαρακτηριστικά της λιθουανικής γλώσσας. Η ανεπάρκεια της δενδρικής αναπαράστασης της συντακτικής δομής των λιθουανικών προτάσεων καταδεικνύεται μέσω στατιστικά επισημειωμένων παραδειγμάτων. Τονίζεται επίσης σαφώς ο στόχος της δημιουργίας ενός επισημειωμένου σώματος κειμένων με εξαντλητικές πληροφορίες. Παρατίθενται παραδείγματα επισημειωμένων προτάσεων, τα οποία αποτυπώνουν τα ιδιαίτερα χαρακτηριστικά της λιθουανικής γλώσσας. ΛΕΞΕΙΣ-ΚΛΕΙΔΙΑ: συντακτικά επισημειωμένο σώμα κειμένων· γραφική αναπαράσταση της συντακτικής δομής· επίπεδα επισημείωσης στο λιθουανικό σώμα κειμένων· ανεπάρκεια της δενδρικής αναπαράστασης για τις λιθουανικές προτάσεις· στόχος του συντακτικά επισημειωμένου σώματος κειμένων. ΣΗΜΕΙΩΣΗ Το άρθρο εξετάζει την επισήμανση σε δύο επίπεδα, η οποία χρησιμοποιείται για τη δημιουργία ενός υψηλής ποιότητας επισημασμένου σώματος κειμένων της λιθουανικής γλώσσας. Οι λεπτομερείς πληροφορίες για την πρόταση καταγράφονται σε πίνακα, ενώ η συντακτική δομή της πρότασης απεικονίζεται γραφικά. Αξιοποιείται η εμπειρία από άλλες γλώσσες, λαμβάνοντας υπόψη τα ειδικά χαρακτηριστικά της λιθουανικής γλώσσας. Η ανεπάρκεια του δέντρου στην αναπαράσταση της συντακτικής δομής των λιθουανικών προτάσεων καταδεικνύεται στατιστικά 252 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS με παραδείγματα προτάσεων που έχουν επισημανθεί με μεθόδους. Το άρθρο τονίζει επίσης σαφώς τον στόχο της δημιουργίας ενός επισημασμένου σώματος κειμένων, στο οποίο θα συγκεντρωθούν λεπτομερείς πληροφορίες. Παρουσιάζονται παραδείγματα επισημασμένων προτάσεων που αντανακλούν τα ειδικά χαρακτηριστικά της λιθουανικής γλώσσας. ΒΑΣΙΚΕΣ ΛΕΞΕΙΣ: συντακτικά επισημασμένο σώμα κειμένων, αναπαράσταση της δομής πρότασης με γράφο, επίπεδα επισήμανσης σώματος κειμένων, ανεπάρκεια του δέντρου στην αναπαράσταση λιθουανικών προτάσεων, στόχος δημιουργίας σώματος κειμένων. 1. ΕΙΣΑΓΩΓΗ 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. Από τους δύο κύριους τύπους αναπαράστασης της συντακτικής δομής, τη γραμματική δομής φράσης και τη γραμματική εξάρτησης, επιλέχθηκε η δεύτερη για τη λιθουανική γλώσσα, επειδή «...η γραμματική εξάρτησης έχει προσελκύσει περισσότερο τους σπουδαστές γλωσσών με σχετικά ελεύθερη σειρά λέξεων...» [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. ΕΠΙΣΗΜΑΝΣΗ ΤΟΥ ΛΙΘΟΥΑΝΙΚΟΥ ΣΩΜΑΤΟΣ ΚΕΙΜΕΝΩΝ Πρόσφατα, έχουν ειπωθεί και γραφτεί πολλά για τον χαμηλό βαθμό μηχανοργάνωσης της λιθουανικής γλώσσας. Σύμφωνα με τα στοιχεία του META-NET Straipsniai / Articles 253 DAIVA ŠVEIKAUSKIENĖ έργο, τα Λιθουανικά ανήκουν στην ομάδα των λιγότερο μηχανογραφημένων ευρωπαϊκών γλωσσών [Vaišnienė, Zabarskaitė 2012: 35]. Το λογισμικό που δημιουργήθηκε για άλλες γλώσσες δεν παράγει ικανοποιητικά αποτελέσματα όταν εφαρμόζεται στη λιθουανική γλώσσα. Έχει έρθει προ πολλού η ώρα να μιλάμε όχι για τη χαμηλή μηχανογράφηση της λιθουανικής γλώσσας, αλλά για την ποιότητα της μηχανογράφησής της. Επομένως, αξίζει να στρέψουμε και πάλι το βλέμμα στη λιθουανική γλώσσα και να προσπαθήσουμε να δημιουργήσουμε δικό μας λογισμικό για τη μηχανογράφησή της, ώστε να επιτύχουμε μηχανογράφηση υψηλής ποιότητας. Οι πρώτες προσπάθειες συντακτικής επισημείωσης του λιθουανικού σώματος κειμένων έγιναν το 2013. Το συντακτικά επισημειωμένο σώμα κειμένων VILSINTEKS δημιουργήθηκε στο Ινστιτούτο Λιθουανικής Γλώσσας στο Βίλνιους. Στόχος μας είναι να παρέχουμε όσο το δυνατόν περισσότερα δεδομένα σχετικά με μια πρόταση, ιδιαίτερα εάν πρόκειται για δεδομένα που χρειάζονται κατά τη διαδικασία της μετάφρασης. Το Prague Dependency Treebank παρέχει εξαντλητικές πληροφορίες, με επισημείωση τριών επιπέδων [Hajič 2000: 103]. Περισσότερα επίπεδα επισημείωσης σε μία εικόνα δεν θα μπορούσαν ΣΧΗΜΑ 1. Παράδειγμα της συντακτικής δομής της λιθουανικής πρότασης Jie gali būti kitokie – They can be different 254 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS να επιτευχθούν· γι’ αυτό αποφασίσαμε να χωρίσουμε την αναπαράσταση των πληροφοριών σε δύο μέρη όταν εξετάζουμε λιθουανικές προτάσεις: έναν πίνακα, ο οποίος περιέχει μορφολογικές, συντακτικές και σημασιολογικές πληροφορίες, και μια εικόνα, στην οποία παρουσιάζεται η συντακτική δομή. Για τις λιθουανικές προτάσεις χρησιμοποιείται γράφος με κύκλους, επειδή ένα δέντρο δεν μπορεί να αποτυπώσει το σύνολο των συντακτικών πληροφοριών που περιέχει η λιθουανική πρόταση. Ο κατηγορηματικός προσδιορισμός εξαρτάται από δύο μέρη της πρότασης: από το υποκείμενο ή το αντικείμενο και από το κατηγόρημα. Αυτές οι σχέσεις εκφράζονται τυπικά και δεν μπορούν να αγνοηθούν (για περισσότερες λεπτομέρειες, βλ. Šveikauskienė 2005: 412). Το Σχήμα 1 παρουσιάζει τη συντακτική δομή μιας πρότασης-τίτλου. Περιέχει ένα κατηγορηματικό στοιχείο, το οποίο έχει τυπικά εκφρασμένες σχέσεις με το υποκείμενο και το κατηγόρημα, και αμφότερες οι σχέσεις πρέπει να αναπαρίστανται μέσω της επισημείωσης του σώματος κειμένων. ΣΧΗΜΑ 2. Πρόταση με στατιστική συντακτική ανάλυση 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] ΣΧΗΜΑ 3. Πρόταση με στατιστική συντακτική ανάλυση 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 Το κατηγορούμενο πρέπει να έχει κατάληξη που συμφωνεί με το υποκείμενο και, ταυτόχρονα, να συνδέεται με το ρήμα· δηλαδή, δεν είναι προσδιορισμός του υποκειμένου. Οι πρώτες προσπάθειες συντακτικής επισημείωσης του λιθουανικού σώματος κειμένων έδειξαν ότι το λογισμικό που δημιουργήθηκε για άλλες γλώσσες δεν παρήγαγε καλά αποτελέσματα στη λιθουανική γλώσσα. Περίπου 1500 προτάσεις επισημειώθηκαν στατιστικά στο Τεχνολογικό Πανεπιστήμιο του Κάουνας [Kapociūtė, Nivre, Krupavičius 2013: 12]. Τα αποτελέσματα που παρουσιάστηκαν κατέδειξαν την ανεπάρκεια των πληροφοριών που ήταν κρυμμένες στο ΣΧΗΜΑ 4. Αναλυμένη πρόταση του VILSINTEKS Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia 256 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS ΣΧΗΜΑ 5. Αναλυμένη πρόταση του VILSINTEKS Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis Straipsniai / Articles 257 DAIVA ŠVEIKAUSKIENĖ δομή των προτάσεων. Τα δύο σχήματα απεικονίζουν δύο αναλυμένες προτάσεις, οι οποίες στερούνται και οι δύο πολύ σημαντικών πληροφοριών. Από την πρώτη πρόταση λείπει το βέλος μεταξύ του ρήματος negeria και του υποκειμένου tas (Σχήμα 2). Στη δεύτερη πρόταση δεν παρουσιάζεται η σχέση συμφωνίας μεταξύ των δύο λέξεων medį και kuriame, οι οποίες έχουν καταλήξεις που συμφωνούν (Σχήμα 3), παρότι οι συγγραφείς στο ίδιο άρθρο έγραψαν: «ένα επίθετο που προσδιορίζει ένα ουσιαστικό πρέπει να συμφωνεί ως προς το ΓΕΝΟΣ, τον ΑΡΙΘΜΟ και την ΠΤΩΣΗ». Οι λέξεις medį και kuriame πρέπει να συμφωνούν ως προς το γένος και τον αριθμό, και αυτή η πληροφορία απουσιάζει από τη δομή της πρότασης. Είναι δύσκολο να συμφωνήσει κανείς ότι οι σχέσεις μεταξύ των λέξεων kuriame sėdėjau – in which I sat και pro medį – through the tree είναι του ίδιου τύπου. Αυτές οι προτάσεις, επισημειωμένες σύμφωνα με τη μέθοδο που χρησιμοποιείται στο VILSINTEKS, παρουσιάζονται αντίστοιχα στα Σχήματα 4 και 5. 3. ΕΠΙΠΕΔΑ ΣΧΟΛΙΑΣΜΟΥ ΣΤΟΝ ΠΙΝΑΚΑ Οι πληροφορίες στον πίνακα είναι τριών τύπων: Πληροφορίες για ολόκληρη την πρόταση, Πληροφορίες για τις λέξεις της πρότασης, Μη γραμματικές πληροφορίες για τις λέξεις και την πρόταση. 3.1. Πληροφορίες για ολόκληρη την πρόταση Οι πληροφορίες σχετικά με ολόκληρη την πρόταση αποτελούνται από τον κωδικό της, δηλαδή τη θέση της στο σώμα κειμένων, τον τύπο της και τα χαρακτηριστικά της. Χαρακτηριστικό της πρότασης είναι η ιδιότητά της, λαμβάνοντας υπόψη τη λειτουργία της στο κείμενο, δηλαδή αν είναι τίτλος, συγγραφέας, υπότιτλος ή πρόταση του κειμένου. Ο τύπος της πρότασης υποδεικνύει επικοινωνιακές πληροφορίες, δηλαδή αν είναι αποφαντική, προστακτική, ερωτηματική κ.λπ., καθώς και δομικές πληροφορίες: προσωπική, απρόσωπη, ελλειπτική, απλή, σύνθετη πρόταση κ.λπ. [Ambrazas 1997: 573]. 3.2. Πληροφορίες για τις λέξεις της πρότασης Κάθε λέξη συνοδεύεται από δεδομένα σχετικά με τον αριθμό της στην πρόταση, μορφολογικά δεδομένα (χρόνος, πτώση, γένος κ.λπ.), το λήμμα της και δεδομένα για τη λεξική σημασιολογία της, 258 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS συντακτική λειτουργία, άμεσες συντακτικές σχέσεις με άλλες λέξεις της πρότασης και βαθιές πτώσεις. Καθώς η σειρά των λέξεων στη λιθουανική γλώσσα συνήθως δεν φέρει συντακτικές πληροφορίες, τα χαρακτηριστικά της λεξικής σημασιολογίας είναι πολύ σημαντικά για τον προσδιορισμό της συντακτικής λειτουργίας της. Το ουσιαστικό σε αιτιατική με χρονική σημασία λειτουργεί ως επιρρηματικός προσδιορισμός, ενώ χωρίς αυτήν ως αντικείμενο. Αν δύο ουσιαστικά σε αιτιατική εμφανίζονται στην πρόταση, το χαρακτηριστικό της λεξικής σημασιολογίας είναι μερικές φορές το μοναδικό κριτήριο που επιτρέπει να καθοριστεί η συντακτική τους λειτουργία. 3.3. Μη γραμματικές πληροφορίες για τις λέξεις και την πρόταση Οι πληροφορίες για το ύφος της λέξης παρέχονται στον πίνακα. Βοηθούν στην επιλογή του κατάλληλου ισοδύναμου σε άλλη γλώσσα κατά τη μετάφραση της λέξης. 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. Ο πίνακας περιλαμβάνει τις λέξεις που λείπουν από ελλειπτικές προτάσεις, καθώς και το παραλειπόμενο υποκείμενο, το οποίο εκφράζεται με προσωπική αντωνυμία. Αυτό συμβαίνει πολύ συχνά στη λιθουανική γλώσσα. Μπορούμε να το συμπεράνουμε από την κατάληξη του ρήματος. Συνήθως παραλείπεται επίσης το συνδετικό ρήμα του κατηγορουμένου στον ενεστώτα, οπότε ο πίνακας περιλαμβάνει και αυτές τις λέξεις που λείπουν. Τα ακρωνύμια αποδίδονται στον πίνακα με τις πλήρεις λέξεις. Οι αριθμοί αποδίδονται επιπλέον στον πίνακα με αριθμητικά ψηφία και τα αριθμητικά ψηφία με λέξεις, επειδή η λεξική απόδοση των αριθμών μπορεί να διαφέρει από γλώσσα σε γλώσσα. Straipsniai / Articles 259 DAIVA ŠVEIKAUSKIENĖ 4. ΤΥΠΟΙ ΠΛΗΡΟΦΟΡΙΩΝ ΣΤΗ ΣΥΝΤΑΚΤΙΚΗ ΔΟΜΗ Στη συντακτική δομή, στο πρώτο στάδιο, η πρόταση διαιρείται σε ονοματική ομάδα, ρηματική ομάδα και χαρακτήρα τέλους πρότασης. Η λιθουανική γλώσσα έχει ελεύθερη σειρά λέξεων και, μερικές φορές, ο χαρακτήρας τέλους πρότασης είναι το μόνο μέσο για να καθοριστεί ο τύπος της πρότασης, δηλαδή αν είναι αποφαντική ή ερωτηματική· για παράδειγμα, Tu šiandien laimėjai prizą. – You have won a prize today. και Tu šiandien laimėjai prizą? – Have you won a prize today?. Το Σχήμα 6 παρουσιάζει τη συντακτική δομή της ερωτηματικής πρότασης. Η μετάφραση της πρότασης επιλέγεται ανάλογα με τον χαρακτήρα τέλους πρότασης. Επιπλέον, η δομή της πρότασης αναπαρίσταται με τη γραμματική εξαρτήσεων. Κεφαλή της ονοματικής ομάδας είναι το υποκείμενο, ενώ από κάτω απεικονίζονται οι λέξεις που το προσδιορίζουν· κεφαλή της κατηγορηματικής ομάδας είναι το κατηγόρημα, με τις εξαρτημένες λέξεις τοποθετημένες από κάτω. Δύο άλλα πεδία, πολύ σημαντικά για την επισημείωση του λιθουανικού σώματος κειμένων, είναι ο τύπος των συντακτικών σχέσεων μεταξύ των λέξεων και οι σημασιολογικά μη αναλύσιμες ομάδες λέξεων. ΣΧΗΜΑ 6. Συντακτική δομή της ερωτηματικής πρότασης 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. Τύπος συντακτικής σχέσης Η λιθουανική γλώσσα διαθέτει μεγάλο αριθμό κλιτικών καταλήξεων. Γι’ αυτό είναι πολύ σημαντικό να αποτυπώνονται οι πληροφορίες σχετικά με τον τύπο των συντακτικών σχέσεων, επειδή αυτές συχνά εκφράζονται με τις καταλήξεις των λέξεων. Η λιθουανική γλώσσα έχει τρεις τύπους συντακτικών σχέσεων: αλληλεξάρτηση μεταξύ υποκειμένου και κατηγορήματος, παρατακτική σύνδεση δύο ή περισσότερων λέξεων ισοδύναμης συντακτικής θέσης στην πρόταση και υποτακτική σύνδεση δύο λέξεων, από τις οποίες η μία καθορίζει την κατάληξη της άλλης. Η υποτακτική σύνδεση διακρίνεται σε εξάρτηση, συμφωνία και παράθεση [Ambrazas 1997: 478]. Κάθε τύπος συντακτικής σχέσης αποδίδεται στη δομή με διαφορετικό χρώμα. Η αλληλεξάρτηση παριστάνεται με ένα λιλά αμφίδρομο βέλος, επειδή κάθε μία από τις δύο λέξεις καθορίζει τη μορφή της άλλης· η παρατακτική σύνδεση με μια κίτρινη γραμμή χωρίς κατεύθυνση, επειδή οι λέξεις δεν επηρεάζουν η μία τη μορφή της άλλης· η εξάρτηση με ένα μικρό μπλε μονόδρομο διάστικτο βέλος· η συμφωνία με ένα κόκκινο μονόδρομο βέλος· και η παράθεση με ένα μεγάλο πράσινο μονόδρομο διάστικτο βέλος. Οι προθέσεις, οι σύνδεσμοι ή τα σημεία στίξης αναπαρίστανται ως ετικέτες των βελών μεταξύ των λέξεων. Το Figure 7 δείχνει παράδειγμα πρότασης με σύνδεσμο. FIGURE 7. Συντακτική δομή πρότασης με σύνδεσμο Laukais, miškais ir kalvomis ateina saulėtas ruduo. – Μέσα από χωράφια, δάση και λόφους έρχεται το ηλιόλουστο φθινόπωρο. Straipsniai / Articles 261 DAIVA ŠVEIKAUSKIENĖ 4.2. Σημασιολογικά μη αναλύσιμες ομάδες λέξεων Μια σημασιολογικά μη αναλύσιμη ομάδα λέξεων είναι ένας συνδυασμός λέξεων στον οποίο μία λέξη μπορεί να προσδιορίσει μια άλλη μόνο όταν βρίσκονται μαζί, ενώ η εξαρτημένη λέξη μπορεί να προσδιορίσει μόνο ολόκληρη την ομάδα. Η σχέση μιας λέξης της ομάδας με τη λέξη που την προσδιορίζει δεν έχει νόημα. Ο Mel’chuk περιγράφει παρόμοια περίπτωση που παρατηρείται στη ρωσική γλώσσα [Mel’chuk 2006: 37]. Μια μη αναλύσιμη ομάδα λέξεων περικλείεται σε ένα πλαίσιο, μέσα στο οποίο αποδίδονται οι συντακτικές σχέσεις. Το Figure 8 δείχνει τη συντακτική δομή πρότασης με μια μη αναλύσιμη ομάδα λέξεων: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – Ένας αγρότης που κατέχει πέντε χιλιάδες στρέμματα γης πουλά φθηνά φρέσκα λαχανικά. Το ρήμα valdyti – «κατέχω» είναι μεταβατικό στη λιθουανική γλώσσα και απαιτεί αιτιατική, γι’ αυτό η λέξη tūkstančius–«χίλια» βρίσκεται σε αιτιατική πτώση. Τα αριθμητικά απαιτούν γενική πτώση στα λιθουανικά, γι’ αυτό η λέξη hektarų–«στρέμματα» βρίσκεται σε γενική πτώση. Σημασιολογικά, ο αγρότης δεν κατέχει «χίλια», παρότι η λέξη χίλια βρίσκεται στην πτώση που ελέγχεται από τη μετοχή valdantis–«που κατέχει». Αντίθετα, κατέχει στρέμματα, δηλαδή τη λέξη που βρίσκεται στη γενική πτώση, δηλαδή στην πτώση που ελέγχεται από το αριθμητικό χίλια. Κατά συνέπεια, η ομάδα λέξεων tūkstančius hektarų «χίλια στρέμματα» είναι σημασιολογικά μη αναλύσιμη και, επομένως, οι δύο λέξεις τοποθετούνται σε ένα πλαίσιο στη συντακτική δομή της πρότασης. Η λέξη πέντε προσδιορίζει τη λέξη χίλια, επομένως τοποθετείται στο ίδιο πλαίσιο. Ο μη συμφωνών επιθετικός προσδιορισμός žemės – «της γης» προσδιορίζει ολόκληρο το πλαίσιο, δηλαδή ολόκληρη την ομάδα λέξεων που περιλαμβάνεται σε αυτό, και μπορεί να αντικατασταθεί από άλλους μη συμφωνούντες επιθετικούς προσδιορισμούς, για παράδειγμα: πέντε χιλιάδες στρέμματα δάσους. Έτσι, η σημασιολογικά μη αναλύσιμη ομάδα λέξεων θεωρείται μία λεξική μονάδα. Οι συνδυασμοί αριθμητικών (πέντε και χίλια) έχουν διπλές συντακτικές σχέσεις: συμφωνία και εξάρτηση. Η πτώση της λέξης «χίλια» (η κατάληξη της οποίας καθορίζεται από την εξάρτησή της από το ρήμα) καθορίζει την κατάληξη της λέξης «πέντε» — πρέπει να έχουν καταλήξεις που συμφωνούν (jis valdo penkis tūkstančius hektarų – κατέχει πέντε χιλιάδες στρέμματα, αλλά penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – χρησιμοποίησε 10 τόνους λιπάσματος για πέντε χιλιάδες στρέμματα) και το λήμμα «πέντε» κυβερνά τη λέξη «χίλια», δηλαδή απαιτεί συγκεκριμένη κατάληξη γι’ αυτήν. Για παράδειγμα, στις ομάδες λέξεων κατέχει πέντε χιλιάδες στρέμματα (jis valdo penkis tūkstančius hektarų) και κατέχει είκοσι χιλιάδες στρέμματα (jis valdo dvidešimt tūkstančių hektarų), η λέξη «χίλια» έχει διαφορετικές καταλήξεις στη λιθουανική γλώσσα. Γι’ αυτό είναι πολύ σημαντικό να αποδίδουμε με μεγάλη ακρίβεια όλους τους τύπους συντακτικών σχέσεων. 262 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS FIGURE 8. Συντακτική δομή πρότασης με σημασιολογικά μη αναλύσιμη ομάδα λέξεων Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Ένας αγρότης που κατέχει πέντε χιλιάδες στρέμματα γης πουλά φθηνά φρέσκα λαχανικά) 5. ΟΙ ΣΤΟΧΟΙ ΤΗΣ ΑΝΑΛΥΣΗΣ Η στατιστική μέθοδος επεξεργασίας φυσικής γλώσσας, ιδίως όταν χρησιμοποιείται στη μηχανική μετάφραση, δεν δίνει ικανοποιητικά αποτελέσματα για τη λιθουανική γλώσσα. Η στατιστική συντακτική ανάλυση δεν παρέχει επίσης εξαντλητικές πληροφορίες. Επιπλέον, το λογισμικό που δημιουργήθηκε για άλλες γλώσσες δεν δίνει επαρκή αποτελέσματα για τη λιθουανική γλώσσα. Ο V. Daudaravičius εργάστηκε για μεγάλο χρονικό διάστημα στην αυτόματη συντακτική ανάλυση της λιθουανικής γλώσσας και έγραψε τα εξής: «Naivu manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms. – Είναι αφελές να πιστεύουμε ότι οι μέθοδοι που εφαρμόζονται με επιτυχία στην αγγλική γλώσσα είναι κατάλληλες και για άλλες γλώσσες.» [Daudaravičius 2012: 3]. Στόχος του VILSINTEKS είναι να συγκεντρώσει αξιόπιστες και ολοκληρωμένες πληροφορίες για τη γραμματική της λιθουανικής γλώσσας στην πράξη. Με την υψηλής ποιότητας αυτόματη συντακτική ανάλυση που δημιουργήθηκε με μη στατιστική προσέγγιση, μη στατιστικά Straipsniai / Articles 263 DAIVA ŠVEIKAUSKIENĖ Τα συστήματα μηχανικής μετάφρασης που βασίζονται σε αυτά καθίστανται δυνατά, ιδίως για τη δημιουργία λιθουανικών προτάσεων. Το VILSINTEKS επιδιώκει να αποτυπώσει τα ειδικά χαρακτηριστικά της λιθουανικής γλώσσας. Θα παρέχονται εξαντλητικές πληροφορίες για τις λιθουανικές προτάσεις με σαφή μορφή, για γενική χρήση. Το επισημειωμένο σώμα κειμένων θα είναι ελεύθερα προσβάσιμο στο Διαδίκτυο. Επί του παρόντος, μπορεί κανείς να βρει παραδείγματα προτάσεων που περιέχουν τη δοσμένη λέξη χρησιμοποιώντας το σώμα κειμένων που δημιουργήθηκε στο Πανεπιστήμιο Vytautas Magnus. Το VILSINTEKS θα παρέχει παραδείγματα συντακτικής δομής με τα δοσμένα χαρακτηριστικά, για παράδειγμα, μια απλή πρόταση με την αντωνυμία ως υποκείμενο, και άλλα. Η εφαρμογή του ρωσικού σώματος κειμένων περιγράφεται με παρόμοιο τρόπο: μπορεί να χρησιμοποιηθεί σε λειτουργία αναζήτησης παραδειγμάτων που απεικονίζουν το δοσμένο γλωσσικό φαινόμενο [НКРЯ –National Corpus of the Russian Language] Οι πρώτες 500–1000 προτάσεις από τα 2 εκατομμύρια λέξεις του σώματος κειμένων της σύγχρονης λιθουανικής γλώσσας (δημοσιογραφία) θα επισημειωθούν χειροκίνητα. Αργότερα, η επισημείωση θα γίνεται ημιαυτόματα. Η αυτόματη συντακτική ανάλυση της λιθουανικής γλώσσας που θα δημιουργηθεί κατ’ αυτόν τον τρόπο θα χρησιμοποιηθεί για την επισημείωση, με επακόλουθο ανθρώπινο έλεγχο. Κατά τη διαδικασία επισημείωσης, το λογισμικό θα βελτιώνεται λαμβάνοντας δεόντως υπόψη τα εντοπισμένα σφάλματα. Το σημαντικότερο έργο είναι η προετοιμασία μιας εύρυθμης αυτόματης συντακτικής ανάλυσης της λιθουανικής γλώσσας, η οποία μπορεί να χρησιμοποιηθεί για τη δημιουργία ενός συστήματος μηχανικής μετάφρασης μέσω μεταφοράς. Με τη μέθοδο TRANSFER, το δεύτερο βήμα είναι η συντακτική ανάλυση. Αναμένεται ότι η συντακτική επισημείωση του σώματος κειμένων θα συμβάλει στη βελτίωση της αυτόματης συντακτικής ανάλυσης. Για την επισημείωση χρησιμοποιούνται πίνακες Excel, επειδή παρέχουν σαφή παρουσίαση και είναι εύκολο να εξαχθεί η μορφή XML από αυτούς. Οι πληροφορίες του VILSINTEX θα είναι επίσης ελεύθερα προσβάσιμες σε μορφή XML. Έτσι, μπορούν να χρησιμοποιηθούν για στατιστική έρευνα σχετικά με τη λιθουανική γλώσσα και, μεταξύ άλλων, για την ανάκτηση πληροφοριών σχετικά με τη γραμματική της λιθουανικής. 6. ΣΥΜΠΕΡΑΣΜΑΤΑ Το γράφημα χρησιμοποιείται για την αναπαράσταση της συντακτικής δομής των λιθουανικών προτάσεων, επειδή ένα δέντρο δεν μπορεί να αποτυπώσει όλες τις συντακτικές πληροφορίες που περιέχει μια λιθουανική πρόταση. Δύο παραδείγματα στατιστικής επισημείωσης καταδεικνύουν ότι το δέντρο δεν επαρκεί για την αναπαράσταση της συντακτικής δομής των λιθουανικών προτάσεων. Για το λιθουανικό σώμα κειμένων χρησιμοποιείται διπλή επισημείωση: ο πίνακας περιγράφει εξαντλητικά τις πληροφορίες για την πρόταση και τις λέξεις της, ενώ η συντακτική δομή της πρότασης αναπαρίσταται σε εικόνα. 264 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Στον πίνακα παρουσιάζονται τριών ειδών πληροφορίες: πληροφορίες για ολόκληρη την πρόταση (ερωτηματική, ελλειπτική, απρόσωπη)· πληροφορίες για κάθε λέξη της πρότασης (μορφολογικά, συντακτικά και σημασιολογικά δεδομένα)· και μη γραμματικές πληροφορίες (λέξεις που λείπουν από ελλειπτικές προτάσεις, προηγούμενο αναφορικών αντωνυμιών εντός και εκτός της πρότασης, αριθμητική έκφραση του αριθμητικού και αντίστροφα, πλήρεις λεκτικές αντιστοιχίες ακρωνυμίων). Η συντακτική δομή της λιθουανικής πρότασης διαιρείται στο πρώτο στάδιο σε τρία μέρη: την ομάδα του υποκειμένου, την ομάδα του κατηγορήματος και το τελικό σημείο της πρότασης. Το τελευταίο είναι πολύ σημαντικό, επειδή σε ορισμένες περιπτώσεις αποτελεί το μοναδικό κριτήριο που επιτρέπει να αποφασιστεί ο τύπος της πρότασης (δηλωτική ή ερωτηματική). Οι συντακτικές σχέσεις απεικονίζονται στη συντακτική δομή της πρότασης με διαφορετικά χρώματα και τύπους γραμμής, ανάλογα με το είδος της σχέσης. Οι σημασιολογικά μη επιλύσιμες ομάδες λέξεων τοποθετούνται σε ένα πλαίσιο, αναπαριστώντας τις συντακτικές σχέσεις στο εσωτερικό τους. Στόχος του VILSINTEKS είναι να παρέχει εξαντλητικές και αξιόπιστες πληροφορίες για τις λιθουανικές προτάσεις. Μπορεί να χρησιμοποιηθεί για τη στατιστική έρευνα της λιθουανικής γλώσσας και για την ανάκτηση πληροφοριών σχετικά με τη λιθουανική γραμματική. Μπορεί επίσης να χρησιμεύσει στη δημιουργία ενός μη στατιστικού συστήματος αυτόματης μετάφρασης. Το VILSINTEKS έχει ως στόχο να συγκεντρώσει στην πράξη τις γραμματικές πληροφορίες για τη λιθουανική γραμματική. Οι πρώτες προτάσεις σχολιάζονται χειροκίνητα. Αργότερα, ο σχολιασμός θα γίνεται ημιαυτόματα. Για τον σχολιασμό χρησιμοποιούνται πίνακες Excel, επειδή προσφέρουν μια ευδιάκριτη παρουσίαση για ανθρώπινη χρήση, ενώ το σχολιασμένο σώμα κειμένων θα είναι ελεύθερα προσβάσιμο στο Διαδίκτυο. Είναι εύκολο να ληφθεί η μορφή XML από τους πίνακες Excel. Οι πληροφορίες του VILSINTEKS θα είναι επίσης ελεύθερα προσβάσιμες σε μορφή XML. Έτσι, οι πληροφορίες του VILSINTEKS μπορούν να χρησιμοποιηθούν για τη στατιστική έρευνα της λιθουανικής γλώσσας και για την ανάκτηση πληροφοριών σχετικά με τη λιθουανική γραμματική. 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