High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

DAIVA ŠVEIKAUSKIENĖ Instituto de la Lengua Lituana Ámbitos de investigación: lingüística computacional, creación de treebanks, capas de anotación. CORPUS SINTÁCTICO ANOTADO DE ALTA CALIDAD DEL LITUANO – VILSINTEKS Corpus de textos en lituano sintácticamente anotado de alta calidad VILSINTEKS ANOTACIÓN Este artículo presenta una anotación doble, que se utiliza para la anotación de alta calidad del corpus lituano. Se ofrece información exhaustiva sobre una oración en una tabla y la estructura sintáctica de la oración se presenta en una imagen. Se aprovecha la experiencia de otras lenguas y se tienen en cuenta las características específicas de la lengua lituana. La insuficiencia de la representación arbórea de la estructura sintáctica de las oraciones lituanas se muestra mediante ejemplos anotados estadísticamente. También se destaca claramente el objetivo de crear un corpus anotado que contenga información exhaustiva. Se ofrecen ejemplos de oraciones anotadas que reflejan las características específicas de la lengua lituana. PALABRAS CLAVE: corpus sintáctico anotado; representación gráfica de la estructura sintáctica; capas de anotación en el corpus lituano; insuficiencia de la representación arbórea de las oraciones lituanas; objetivo del corpus sintáctico anotado. ANOTACIÓN El artículo analiza la anotación realizada en dos niveles y utilizada para crear un corpus anotado de alta calidad de textos en lengua lituana. La información detallada sobre la oración se indica en una tabla, mientras que su estructura sintáctica se representa gráficamente. Se aprovecha la experiencia de otras lenguas, teniendo en cuenta las características específicas del lituano. Mediante ejemplos estadísticos de oraciones anotadas se muestra que el árbol es insuficiente para representar la estructura sintáctica de las oraciones lituanas. 252 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS ... mediante ejemplos estadísticos de oraciones anotadas. El artículo también destaca claramente el objetivo de crear un corpus anotado en el que se recopilará información detallada. Se presentan ejemplos de oraciones anotadas que reflejan las características específicas del lituano. PALABRAS CLAVE: corpus anotado sintácticamente, representación de la estructura de la oración mediante grafos, niveles de anotación del corpus, insuficiencia del árbol para representar las oraciones lituanas, objetivo de la creación del corpus. 1. INTRODUCCIÓN 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. De los dos principales tipos de representación de la estructura sintáctica —la gramática de estructura de frase y la gramática de dependencias—, se eligió esta última para el lituano porque «...la gramática de dependencias ha atraído sobre todo a los estudiantes de lenguas con un orden de palabras relativamente libre...» [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. ANOTACIÓN DEL CORPUS LITUANO Últimamente se ha hablado y escrito mucho sobre el bajo grado de informatización de la lengua lituana. Según los datos de META-NET Straipsniai / Articles 253 DAIVA ŠVEIKAUSKIENĖ proyecto, el lituano pertenece al grupo de las lenguas europeas menos informatizadas [Vaišnienė, Zabarskaitė 2012: 35]. El software creado para otros idiomas no produce resultados satisfactorios cuando se aplica a la lengua lituana. Ya es hora de hablar no de la escasa informatización de la lengua lituana, sino de la calidad de su informatización. Por tanto, vale la pena volver la mirada hacia la lengua lituana e intentar crear software propio para informatizarla, con el fin de lograr una informatización de alta calidad. Los primeros intentos de anotación sintáctica del corpus lituano se realizaron en 2013. El corpus con anotación sintáctica VILSINTEKS se creó en el Instituto de la Lengua Lituana, en Vilnius. Nuestro objetivo es proporcionar la mayor cantidad posible de datos relativos a una oración, especialmente si se trata de datos necesarios durante el proceso de traducción. El Prague Dependency Treebank ofrece información exhaustiva y cuenta con una anotación de tres niveles [Hajič 2000: 103]. No podían mostrarse más niveles de anotación en una sola imagen FIGURA 1. Ejemplo de la estructura sintáctica de la oración lituana Jie gali būti kitokie – They can be different 254 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS por lo que decidimos dividir en dos partes la representación de la información al tratar las oraciones lituanas: una tabla que contiene la información morfológica, sintáctica y semántica, y una imagen en la que se presenta la estructura sintáctica. Para las oraciones lituanas se utiliza un grafo con ciclos, porque un árbol no puede reflejar toda la información sintáctica que contiene la oración lituana. El atributo predicativo depende de dos partes de la oración: del sujeto o del objeto, y del predicado. Estas relaciones se expresan formalmente y no pueden ignorarse (para más detalles, véase Šveikauskienė 2005: 412). La Figura 1 muestra la estructura sintáctica de una oración de título. Contiene un predicativo, cuyas relaciones con el sujeto y el predicado se expresan formalmente; ambas relaciones deben representarse mediante la anotación del corpus. FIGURA 2. Oración analizada estadísticamente 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] FIGURA 3. Oración analizada estadísticamente 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 El predicativo debe llevar la terminación que concuerda con el sujeto y, al mismo tiempo, está adjunto al predicado; es decir, no es un atributo del sujeto. Los primeros intentos de anotar sintácticamente el corpus lituano demostraron que el software creado para otros idiomas no producía buenos resultados en lituano. Se anotaron estadísticamente unas 1500 oraciones en la Universidad Tecnológica de Kaunas [Kapociūtė, Nivre, Krupavičius 2013: 12]. Los resultados presentados mostraron la insuficiencia de la información oculta en el FIGURA 4. Oración analizada de VILSINTEKS Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia 256 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS FIGURA 5. Oración analizada de VILSINTEKS Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis Straipsniai / Articles 257 DAIVA ŠVEIKAUSKIENĖ estructura de las oraciones. Las dos figuras ilustran dos oraciones analizadas, ambas carentes de información muy importante. A la primera oración le falta la flecha entre el predicado negeria y el sujeto tas (Figura 2). En la segunda oración no se muestra la relación de concordancia entre las dos palabras medį y kuriame, que tienen terminaciones concordantes (Figura 3), aunque los autores escribieron en el mismo artículo: «un adjetivo que modifica a un sustantivo debe concordar en GÉNERO, NÚMERO y CASO». Las palabras medį y kuriame deben concordar en género y número, y esta información está ausente de la estructura de la oración. Es difícil estar de acuerdo en que las relaciones entre las palabras kuriame sėdėjau – in which I sat y pro medį – through the tree sean del mismo tipo. Estas oraciones anotadas según el método utilizado en VILSINTEKS se muestran, respectivamente, en la Figura 4 y la Figura 5. 3. CAPAS DE ANOTACIÓN EN LA TABLA La información de la tabla es de tres tipos: Información sobre la oración completa, Información sobre las palabras de la oración, Información no gramatical sobre las palabras y la oración. 3.1. Información sobre la oración completa La información relativa a la oración completa consta de su código, es decir, su posición en el corpus, su tipo y sus características. La característica de la oración describe su función en el texto, es decir, si es un título, el nombre de un autor, un subtítulo o una oración del texto. El tipo de oración indica información comunicativa, es decir, si es declarativa, imperativa, interrogativa, etc., e información estructural: personal, impersonal, elíptica, oración simple, compuesta, etc. [Ambrazas 1997: 573]. 3.2. Información sobre las palabras de la oración Cada palabra incluye datos sobre su número en la oración, datos morfológicos (tiempo verbal, caso, género, etc.), lema y datos sobre su semántica léxica, 258 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS función sintáctica, relaciones sintácticas directas con otras palabras de la oración y casos profundos. Dado que el orden de las palabras en lituano normalmente no aporta información sintáctica, los rasgos de la semántica léxica son muy importantes para identificar su función sintáctica. El sustantivo en caso acusativo con el rasgo de tiempo es un complemento circunstancial y, sin dicho rasgo, un objeto. Si en la oración aparecen dos sustantivos en caso acusativo, el rasgo de la semántica léxica es a veces el único criterio que permite decidir cuál es su función sintáctica. 3.3. Información no gramatical sobre las palabras y la oración La tabla proporciona información estilística sobre la palabra. Esta ayuda a elegir el equivalente adecuado en la otra lengua al traducirla. 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. La tabla contiene las palabras ausentes en las oraciones elípticas y el sujeto omitido, expresado mediante un pronombre personal. Esto ocurre con mucha frecuencia en lituano. Podemos deducirlo por la terminación del verbo. También suele omitirse la cópula del predicado en presente, por lo que la tabla contiene estas palabras ausentes. En la tabla, las siglas se representan con las palabras desarrolladas. Además, en la tabla los números se representan mediante numerales y los numerales mediante números, ya que la expresión léxica de los números puede variar entre las distintas lenguas. Straipsniai / Articles 259 DAIVA ŠVEIKAUSKIENĖ 4. TIPOS DE INFORMACIÓN EN LA ESTRUCTURA SINTÁCTICA En la estructura sintáctica, en la primera etapa la oración se divide en un grupo nominal, un grupo verbal y el signo de cierre de la oración. El lituano tiene un orden de palabras libre y, a veces, el signo de cierre de la oración es el único medio para determinar el tipo de oración, es decir, si es enunciativa o interrogativa; por ejemplo, Tu šiandien laimėjai prizą. – You have won a prize today. y Tu šiandien laimėjai prizą? – Have you won a prize today?. La figura 6 muestra la estructura sintáctica de la oración interrogativa. La traducción de la oración se elige según el signo de cierre de la oración. Además, la estructura de la oración se representa mediante la gramática de dependencias. El núcleo del grupo del sujeto es el sujeto, y debajo se representan las palabras que lo expanden; el núcleo del grupo del predicado es el predicado, con las palabras subordinadas situadas debajo. Otros dos campos muy importantes para anotar el corpus lituano son el tipo de relaciones sintácticas entre las palabras y los grupos de palabras semánticamente irresolubles. FIGURE 6. Estructura sintáctica de la oración interrogativa 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. Tipo de relación sintáctica La lengua lituana tiene una cantidad considerable de flexiones. Por ello, es muy importante representar la información sobre el tipo de relaciones sintácticas, ya que a menudo se expresan mediante las terminaciones de las palabras. La lengua lituana tiene tres tipos de relaciones sintácticas: interdependencia entre el sujeto y el predicado, coordinación entre dos o más palabras de igual estatus sintáctico en la oración, y subordinación entre dos palabras, de las cuales una determina la terminación de la otra. La subordinación se divide en régimen, concordancia y adjunción [Ambrazas 1997: 478]. Cada tipo de relación sintáctica se representa en la estructura con un color diferente. La interdependencia se representa mediante una flecha bidireccional lila, porque ambas palabras determinan la forma de la otra; la coordinación, mediante una línea amarilla sin dirección, porque las palabras no influyen en la forma de la otra; el régimen, mediante una pequeña flecha azul unidireccional de puntos; la concordancia, mediante una flecha roja unidireccional; y la adjunción, mediante una gran flecha verde unidireccional de puntos. Las preposiciones, conjunciones o signos de puntuación se representan como etiquetas de las flechas entre las palabras. La Figura 7 muestra un ejemplo de oración con conjunción. FIGURE 7. Estructura sintáctica de la oración con conjunción Laukais, miškais ir kalvomis ateina saulėtas ruduo. – A través de campos, bosques y colinas llega el soleado otoño. Straipsniai / Articles 261 DAIVA ŠVEIKAUSKIENĖ 4.2. Grupos de palabras semánticamente irresolubles Un grupo de palabras semánticamente irresoluble es una combinación de palabras en la que una palabra solo puede ampliar a otra cuando ambas aparecen juntas, y la palabra dependiente solo puede ampliar el grupo entero. La relación de una palabra de ese grupo con la palabra que la amplía carece de significado. Mel’chuk describe un caso similar observado en la lengua rusa [Mel’chuk 2006: 37]. Un grupo de palabras irresoluble se encierra en un recuadro, representando en su interior las relaciones sintácticas. La Figura 8 muestra la estructura sintáctica de una oración con un grupo de palabras irresoluble: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – Un agricultor que posee cinco mil acres de tierra vende verduras frescas baratas. El verbo valdyti – ‘poseer’ es transitivo en la lengua lituana y exige el acusativo; por tanto, la palabra tūkstančius–‘mil’ está en caso acusativo. En lituano, los numerales exigen el caso genitivo, por lo que la palabra hektarų–‘acres’ está en caso genitivo. Semánticamente, el agricultor no posee ‘mil’, aunque la palabra mil está en el caso regido por el participio valdantis–‘que posee’. Más bien, posee acres, es decir, la palabra que está en caso genitivo, o sea, en el caso regido por el numeral mil. En consecuencia, el grupo de palabras tūkstančius hektarų ‘-mil acres’ es semánticamente irresoluble y, por ello, ambas palabras se sitúan en un mismo recuadro en la estructura sintáctica de la oración. La palabra cinco es un atributo de la palabra mil, por lo que se sitúa en el mismo recuadro. El atributo no concordante žemės – ‘de tierra’ amplía el recuadro entero, es decir, el grupo de palabras completo que se encuentra en él, y puede sustituirse por otros atributos no concordantes, por ejemplo: cinco mil acres de bosque. Así, el grupo de palabras semánticamente irresoluble se considera una unidad léxica. Las combinaciones de numerales (cinco y mil) tienen una doble relación sintáctica: concordancia y régimen. El caso de la palabra ‘mil’ (cuya terminación viene determinada por el régimen del verbo) determina la terminación de la palabra ‘cinco’: ambas deben tener terminaciones concordantes (jis valdo penkis tūkstančius hektarų – posee cinco mil acres, pero penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – utilizó 10 toneladas de fertilizante para cinco mil acres), y el lexema ‘cinco’ rige la palabra ‘mil’, es decir, exige que tenga una determinada terminación. Por ejemplo, en los grupos de palabras posee cinco mil acres (jis valdo penkis tūkstančius hektarų) y posee veinte mil acres (jis valdo dvidešimt tūkstančių hektarų), la palabra mil tiene terminaciones distintas en lituano. Por eso es muy importante representar con precisión todos los tipos de relaciones sintácticas. 262 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS FIGURE 8. Estructura sintáctica de la oración con un grupo de palabras semánticamente irresoluble Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Un agricultor que posee cinco mil acres de tierra vende verduras frescas baratas) 5. OBJETIVOS DE LA ANOTACIÓN El método estadístico de procesamiento del lenguaje natural, especialmente cuando se utiliza en la traducción automática, no produce resultados satisfactorios para la lengua lituana. El análisis sintáctico estadístico tampoco proporciona información exhaustiva. Además, el software creado para otras lenguas no ofrece resultados suficientes para la lengua lituana. V. Daudaravičius trabajó durante mucho tiempo en el análisis sintáctico automático de la lengua lituana y escribió lo siguiente: “Naivu manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms. – Es ingenuo pensar que los métodos que se aplican con éxito a la lengua inglesa sean adecuados también para otras lenguas.” [Daudaravičius 2012: 3]. El objetivo de VILSINTEKS es recopilar información fiable y exhaustiva sobre la gramática de la lengua lituana en la práctica. Mediante un análisis sintáctico automático de alta calidad, creado con un enfoque no estadístico, no estadísticamente Straipsniai / Articles 263 DAIVA ŠVEIKAUSKIENĖ se habilitan los sistemas de traducción automática basados en máquinas, especialmente para la generación de oraciones en lituano. VILSINTEKS busca reflejar características específicas de la lengua lituana. Se proporcionará información exhaustiva sobre las oraciones lituanas en una representación clara para uso general. El corpus anotado será de libre acceso en Internet. Actualmente, se pueden obtener ejemplos de oraciones que contienen una palabra determinada utilizando el corpus textual creado en la Universidad Vytautas Magnus. VILSINTEKS proporcionará ejemplos de estructuras sintácticas con características determinadas; por ejemplo, una oración simple cuyo sujeto sea un pronombre, entre otros. El corpus ruso se describe de forma similar: puede utilizarse en el modo de búsqueda de ejemplos que ilustren un fenómeno lingüístico determinado [НКРЯ –National Corpus of the Russian Language] Se anotarán manualmente las primeras 500–1000 oraciones de los 2 millones de palabras del corpus de la lengua lituana contemporánea (periodismo). Posteriormente, la anotación será semiautomática. El análisis sintáctico automático de la lengua lituana que se cree de este modo se utilizará para la anotación, seguida de una revisión humana. Durante el proceso de anotación, el software se mejorará teniendo debidamente en cuenta los errores identificados. La tarea más importante es preparar un análisis sintáctico automático de la lengua lituana que funcione correctamente y que pueda utilizarse en la creación de un sistema de traducción automática por transferencia. Con el método TRANSFER, el análisis sintáctico constituye el segundo paso. Cabe esperar que la anotación sintáctica del corpus contribuya a mejorar el análisis sintáctico automático. Se utilizan hojas de cálculo de Excel para la anotación porque ofrecen una representación clara y es fácil obtener el formato XML a partir de ellas. La información de VILSINTEX también será de libre acceso en formato XML. Así, podrá utilizarse, entre otros fines, para la investigación estadística sobre la lengua lituana y para recuperar información sobre la gramática del lituano. 6. CONCLUSIONES Se utiliza un grafo para representar la estructura sintáctica de las oraciones lituanas, porque un árbol no puede reflejar toda la información sintáctica que contiene una oración lituana. Dos ejemplos de anotación estadística muestran que el árbol es insuficiente para representar la estructura sintáctica de las oraciones lituanas. Para el corpus lituano se utiliza una anotación doble: la tabla describe la información exhaustiva sobre la oración y sus palabras, y la estructura sintáctica de la oración se representa en una imagen. 264 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS En la tabla se representan tres tipos de información: información sobre la oración completa (interrogativa, elíptica, impersonal); información sobre cada palabra de la oración (datos morfológicos, sintácticos y semánticos); e información no gramatical (palabras omitidas en oraciones elípticas, antecedente del pronombre dentro y fuera de la oración, expresión numérica del numeral y viceversa, correspondencias de las formas completas de las palabras para las siglas). En la primera etapa, la estructura sintáctica de la oración lituana se divide en tres partes: el grupo del sujeto, el grupo del predicado y el carácter final de la oración. Este último es muy importante porque, en algunos casos, es el único criterio que permite decidir el tipo de oración (declarativa o interrogativa). Las relaciones sintácticas se representan en la estructura sintáctica de la oración mediante distintos colores y estilos de línea, según el tipo de relación. Los grupos de palabras semánticamente irresolubles se sitúan en un mismo recuadro, representando en su interior las relaciones sintácticas. El objetivo de VILSINTEKS es proporcionar información exhaustiva y fiable sobre las oraciones lituanas. Puede utilizarse para la investigación estadística de la lengua lituana y para la recuperación de información relativa a la gramática lituana. También puede servir para crear un sistema de traducción automática no estadístico. VILSINTEKS tiene como objetivo recopilar información gramatical sobre el uso práctico de la gramática lituana. Las primeras oraciones se anotan manualmente. Más adelante, la anotación será semiautomática. Para la anotación se utilizan tablas de Excel porque ofrecen una representación clara para el uso humano, y el corpus anotado será de libre acceso en Internet. Es fácil obtener el formato XML a partir de las tablas de Excel. La información de VILSINTEKS también estará disponible gratuitamente en formato XML. Así, la información de VILSINTEKS podrá utilizarse para la investigación estadística de la lengua lituana y para la recuperación de información sobre la gramática lituana. 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