High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

DAIVA ŠVEIKAUSKIENĖ Istituto di lingua lituana Campi di ricerca: linguistica computazionale, creazione di treebank, livelli di annotazione. CORPUS LITUANO CON ANNOTAZIONE SINTATTICA DI ALTA QUALITÀ – VILSINTEKS Corpus di lingua lituana annotato sintatticamente di alta qualità VILSINTEKS ANNOTAZIONE Questo articolo presenta un’annotazione duplice, utilizzata per l’annotazione di alta qualità del corpus lituano. Le informazioni complete su una frase sono fornite in una tabella, mentre la struttura sintattica della frase è rappresentata in un’immagine. Si fa ricorso all’esperienza maturata con altre lingue e si tengono in considerazione le caratteristiche specifiche della lingua lituana. L’insufficienza della rappresentazione ad albero della struttura sintattica delle frasi lituane è dimostrata attraverso esempi annotati statisticamente. Viene inoltre chiaramente sottolineato l’obiettivo di creare un corpus annotato che contenga informazioni esaustive. Sono forniti esempi di frasi annotate che riflettono le caratteristiche specifiche della lingua lituana. PAROLE CHIAVE: corpus con annotazione sintattica; rappresentazione grafica della struttura sintattica; livelli di annotazione nel corpus lituano; insufficienza della rappresentazione ad albero per le frasi lituane; obiettivo del corpus con annotazione sintattica. ANOTAZIONE L’articolo discute l’annotazione su due livelli utilizzata per creare un corpus di testi lituani annotato di alta qualità. Le informazioni dettagliate sulla frase sono indicate in una tabella, mentre la struttura sintattica della frase è rappresentata graficamente. Si fa tesoro dell’esperienza maturata con altre lingue, tenendo conto delle caratteristiche specifiche del lituano. L’inadeguatezza dell’albero nel rappresentare la struttura sintattica delle frasi lituane è dimostrata statisticamente 252 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS mediante esempi di frasi annotate con metodi. L’articolo sottolinea inoltre esplicitamente l’obiettivo di creare un corpus annotato che raccolga informazioni dettagliate. Sono presentati esempi di frasi annotate che riflettono le caratteristiche specifiche del lituano. PAROLE CHIAVE: corpus annotato sintatticamente, rappresentazione grafica della struttura della frase, livelli di annotazione del corpus, inadeguatezza dell’albero nel rappresentare le frasi lituane, obiettivo della creazione del corpus. 1. INTRODUZIONE 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. Tra i due principali tipi di rappresentazione della struttura sintattica, la grammatica a struttura sintagmatica e la grammatica delle dipendenze, per il lituano è stata scelta quest’ultima perché «...la grammatica delle dipendenze ha attratto soprattutto gli studenti di lingue con un ordine delle parole relativamente libero...» [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. ANNOTAZIONE DEL CORPUS LITUANO Recentemente si è molto parlato e scritto del basso grado di informatizzazione della lingua lituana. Secondo i dati del META-NET Straipsniai / Articles 253 DAIVA ŠVEIKAUSKIENĖ progetto, il lituano appartiene al gruppo delle lingue europee meno informatizzate [Vaišnienė, Zabarskaitė 2012: 35]. Il software creato per altre lingue non produce risultati soddisfacenti quando viene applicato alla lingua lituana. È giunto il momento di parlare non della scarsa informatizzazione della lingua lituana, ma della qualità della sua informatizzazione. Pertanto, vale la pena guardare nuovamente alla lingua lituana e cercare di creare software propri per informatizzarla, così da ottenere un’informatizzazione di alta qualità. I primi tentativi di annotazione sintattica del corpus lituano risalgono al 2013. Il corpus annotato sintatticamente VILSINTEKS è stato creato presso l’Istituto della lingua lituana a Vilnius. Il nostro obiettivo è fornire quante più informazioni possibili riguardo a una frase, soprattutto se si tratta di dati necessari durante il processo di traduzione. Informazioni esaustive sono fornite nel Prague Dependency Treebank, che presenta un’annotazione a tre livelli [Hajič 2000: 103]. Non era possibile rappresentare più livelli di annotazione in un’unica immagine FIGURA 1. Esempio della struttura sintattica della frase lituana Jie gali būti kitokie – They can be different 254 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS così abbiamo deciso di suddividere in due parti la rappresentazione delle informazioni quando trattiamo frasi lituane: una tabella contenente informazioni morfologiche, sintattiche e semantiche, mentre la struttura sintattica viene presentata in un’immagine. Per le frasi lituane si utilizza un grafo con cicli, perché un albero non è in grado di riflettere tutte le informazioni sintattiche contenute nella frase lituana. L’attributo predicativo dipende da due parti della frase: dal soggetto o dall’oggetto e dal predicato. Queste relazioni sono espresse formalmente e non possono essere ignorate (per maggiori dettagli, si veda Šveikauskienė 2005: 412). La Figura 1 mostra la struttura sintattica di una frase-titolo. Essa contiene un predicativo, che presenta relazioni espresse formalmente con il soggetto e il predicato; entrambe le relazioni devono essere rappresentate mediante l’annotazione del corpus. FIGURA 2. Frase analizzata statisticamente 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. Frase analizzata statisticamente 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 Il predicativo deve avere la desinenza concordata con il soggetto e, al tempo stesso, essere collegato al predicato; vale a dire, non è un attributo del soggetto. I primi tentativi di annotazione sintattica del corpus lituano hanno dimostrato che il software creato per altre lingue non produceva buoni risultati in lituano. Circa 1500 frasi sono state annotate statisticamente presso l'Università tecnologica di Kaunas [Kapociūtė, Nivre, Krupavičius 2013: 12]. I risultati presentati hanno mostrato l'insufficienza delle informazioni nascoste nel FIGURE 4. Frase analizzata sintatticamente in VILSINTEKS Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia 256 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS FIGURE 5. Frase analizzata sintatticamente in VILSINTEKS Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis Straipsniai / Articles 257 DAIVA ŠVEIKAUSKIENĖ struttura delle frasi. Le due figure illustrano due frasi analizzate sintatticamente, entrambe prive di informazioni molto importanti. Nella prima frase manca la freccia tra il predicato negeria e il soggetto tas (Figura 2). Nella seconda frase non è indicata la relazione di concordanza tra le due parole medį e kuriame, che presentano desinenze concordanti (Figura 3), mentre gli autori scrivono nello stesso articolo: «un aggettivo che modifica un sostantivo deve concordare in GENERE, NUMERO e CASO». Le parole medį e kuriame devono concordare in genere e numero, ma queste informazioni sono assenti dalla struttura della frase. È difficile concordare sul fatto che le relazioni tra le parole kuriame sėdėjau – in which I sat e pro medį – through the tree siano dello stesso tipo. Queste frasi, annotate secondo il metodo utilizzato in VILSINTEKS, sono mostrate rispettivamente nella Figura 4 e nella Figura 5. 3. STRATI DI ANNOTAZIONE NELLA TABELLA Le informazioni nella tabella sono di tre tipi: Informazioni sull’intera frase, Informazioni sulle parole nella frase, Informazioni non grammaticali sulle parole e sulla frase. 3.1. Informazioni sull’intera frase Le informazioni relative all’intera frase comprendono il suo codice, cioè la sua posizione nel corpus, il suo tipo e le sue caratteristiche. La caratteristica della frase è il suo tratto distintivo, considerando la sua funzione nel testo: indica cioè se si tratta di un titolo, di un autore, di un sottotitolo o di una frase del testo. Il tipo di frase indica informazioni comunicative, cioè se è dichiarativa, imperativa, interrogativa ecc., e informazioni strutturali: personale, impersonale, ellittica, frase semplice, composta ecc. [Ambrazas 1997: 573]. 3.2. Informazioni sulle parole nella frase Per ogni parola sono forniti i dati relativi al suo numero nella frase, i dati morfologici (tempo, caso, genere ecc.), il lemma e i dati sulla sua semantica lessicale, 258 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS funzione sintattica, relazioni sintattiche dirette con altre parole nella frase e casi profondi. Poiché l’ordine delle parole in lituano di solito non veicola informazioni sintattiche, le caratteristiche della semantica lessicale sono molto importanti per identificarne la funzione sintattica. Il sostantivo al caso accusativo con la caratteristica di tempo è un complemento avverbiale, mentre senza tale caratteristica è un complemento oggetto. Se nella frase compaiono due sostantivi al caso accusativo, la caratteristica della semantica lessicale è talvolta l’unico criterio che consente di determinarne la funzione sintattica. 3.3. Informazioni non grammaticali sulle parole e sulla frase La tabella riporta le informazioni stilistiche relative alla parola. Queste aiutano a scegliere l’equivalente corretto nell’altra lingua quando si traduce la parola. 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 tabella contiene le parole mancanti nelle frasi ellittiche e il soggetto omesso, espresso da un pronome personale. Questo accade molto spesso in lituano. Possiamo dedurlo dalla desinenza del verbo. Anche la copula del predicato al presente viene solitamente omessa; perciò la tabella contiene queste parole mancanti. Nella tabella gli acronimi sono riportati per esteso. Nella tabella i numeri sono rappresentati anche mediante cifre e le cifre mediante numeri, poiché l’espressione lessicale dei numeri può variare nelle diverse lingue. Straipsniai / Articles 259 DAIVA ŠVEIKAUSKIENĖ 4. TIPI DI INFORMAZIONI NELLA STRUTTURA SINTATTICA Nella struttura sintattica, al primo stadio la frase è suddivisa in un gruppo nominale, un gruppo verbale e il carattere di fine frase. Il lituano ha un ordine delle parole libero e talvolta il carattere di fine frase è l’unico mezzo per determinare il tipo di frase, cioè se è dichiarativa o interrogativa, ad esempio, Tu šiandien laimėjai prizą. – You have won a prize today. e Tu šiandien laimėjai prizą? – Have you won a prize today?. La Figura 6 mostra la struttura sintattica della frase interrogativa. La traduzione della frase viene scelta in base al carattere di fine frase. Inoltre, la struttura della frase è rappresentata mediante la grammatica delle dipendenze. La testa del gruppo soggetto è il soggetto; sotto di essa sono rappresentate le parole che la espandono. La testa del gruppo predicato è il predicato, con le parole subordinate collocate al di sotto. Altri due campi, molto importanti per l’annotazione del corpus lituano, sono il tipo di relazioni sintattiche tra le parole e i gruppi di parole semanticamente irrisolvibili. FIGURA 6. Struttura sintattica della frase 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 di relazione sintattica La lingua lituana presenta una notevole quantità di flessioni. È quindi molto importante rappresentare le informazioni sul tipo di relazioni sintattiche, poiché queste sono spesso espresse dalle desinenze delle parole. La lingua lituana presenta tre tipi di relazioni sintattiche: interdipendenza tra soggetto e predicato, coordinazione tra due o più parole di pari status sintattico nella frase e subordinazione tra due parole, di cui una determina la desinenza dell’altra. La subordinazione si suddivide in reggenza, accordo e adiacenza [Ambrazas 1997: 478]. Ogni tipo di relazione sintattica è rappresentato nella struttura con un colore diverso. L’interdipendenza è rappresentata da una freccia bidirezionale lilla, poiché entrambe le parole determinano la forma dell’altra; la coordinazione da una linea gialla senza direzione, poiché le parole non influiscono sulla forma l’una dell’altra; la reggenza da una piccola freccia unidirezionale blu tratteggiata; l’accordo da una freccia unidirezionale rossa; e l’adiacenza da una grande freccia unidirezionale verde tratteggiata. Le preposizioni, le congiunzioni o i segni di punteggiatura sono rappresentati come etichette delle frecce tra le parole. La Figura 7 mostra un esempio di frase con una congiunzione. FIGURE 7. Struttura sintattica della frase con congiunzione Laukais, miškais ir kalvomis ateina saulėtas ruduo. – Attraverso campi, foreste e colline arriva il soleggiato autunno. Straipsniai / Articles 261 DAIVA ŠVEIKAUSKIENĖ 4.2. Gruppi di parole semanticamente irresolubili Un gruppo di parole semanticamente irresolubile è una combinazione in cui una parola può espanderne un’altra solo quando sono insieme, mentre la parola dipendente può espandere soltanto l’intero gruppo. La relazione tra una parola del gruppo e la parola che la espande è priva di significato. Mel’chuk descrive un caso analogo osservato nella lingua russa [Mel’chuk 2006: 37]. Un gruppo di parole irresolubile viene racchiuso in un unico riquadro, rappresentandovi al suo interno le relazioni sintattiche. La Figura 8 mostra la struttura sintattica della frase con un gruppo di parole irresolubile: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – Un agricoltore che possiede cinquemila acri di terreno vende a basso prezzo verdure fresche. Il verbo valdyti – ‘possedere’ è transitivo in lituano e richiede l’accusativo; perciò la parola tūkstančius–‘mille’ è al caso accusativo. In lituano i numerali richiedono il genitivo, ed è per questo che la parola hektarų–‘acri’ è al genitivo. Semanticamente, l’agricoltore non possiede «mille», sebbene la parola mille sia al caso retto dal participio valdantis–‘possessore’. Possiede invece acri, cioè la parola al genitivo, vale a dire al caso retto dal numerale mille. Di conseguenza, il gruppo di parole tūkstančius hektarų ‘-mille acri’ è semanticamente irresolubile e pertanto entrambe le parole sono collocate in un unico riquadro nella struttura sintattica della frase. La parola cinque è un attributo della parola mille, quindi è collocata nello stesso riquadro. L’attributo non concordato žemės – ‘del terreno’ espande l’intero riquadro, cioè l’intero gruppo di parole che vi è collocato, e può essere sostituito da altri attributi non concordati, per esempio: cinquemila acri di foresta. Pertanto, il gruppo di parole semanticamente irresolubile è considerato un’unica unità lessicale. Le combinazioni di numerali (cinque e mille) presentano una doppia relazione sintattica: accordo e reggenza. Il caso della parola «mille» (la cui desinenza è determinata dalla reggenza del verbo) determina la desinenza della parola «cinque»: le due parole devono avere desinenze concordanti (jis valdo penkis tūkstančius hektarų – possiede cinquemila acri, ma penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – ha usato 10 tonnellate di fertilizzante per cinquemila acri), e il lessema «cinque» regge la parola «mille», ossia ne richiede una determinata desinenza. Per esempio, nei gruppi di parole possiede cinquemila acri (jis valdo penkis tūkstančius hektarų) e possiede ventimila acri (jis valdo dvidešimt tūkstančių hektarų), la parola «mille» ha desinenze diverse in lituano. Per questo è molto importante rappresentare con grande precisione tutti i tipi di relazioni sintattiche. 262 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS FIGURE 8. Struttura sintattica della frase con un gruppo di parole semanticamente irresolubile Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Un agricoltore che possiede cinquemila acri di terreno vende a basso prezzo verdure fresche) 5. GLI OBIETTIVI DELL’ANNOTAZIONE Il metodo statistico di elaborazione del linguaggio naturale, soprattutto quando viene impiegato nella traduzione automatica, non produce risultati soddisfacenti per la lingua lituana. Neppure l’analisi sintattica statistica fornisce informazioni esaustive. Inoltre, il software sviluppato per altre lingue non offre risultati sufficienti per il lituano. V. Daudaravičius si è occupato a lungo dell’analisi sintattica automatica della lingua lituana e ha scritto: «Naivu manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms. – È ingenuo pensare che i metodi applicati con successo alla lingua inglese siano adatti anche alle altre lingue.» [Daudaravičius 2012: 3]. L’obiettivo di VILSINTEKS è raccogliere informazioni affidabili e complete sulla grammatica della lingua lituana nella pratica. Con un’analisi sintattica automatica di alta qualità, realizzata mediante un approccio non statistico, non statisticamente Straipsniai / Articles 263 DAIVA ŠVEIKAUSKIENĖ i sistemi di traduzione automatica basati su machine learning sono abilitati, soprattutto per la generazione di frasi in lituano. VILSINTEKS mira a riflettere le caratteristiche specifiche della lingua lituana. Saranno fornite informazioni esaustive sulle frasi lituane in una rappresentazione chiara, destinata all’uso generale. Il corpus annotato sarà liberamente accessibile su Internet. Attualmente, è possibile ottenere esempi di frasi contenenti una determinata parola utilizzando il corpus testuale creato presso l’Università Vytautas Magnus. VILSINTEKS fornirà esempi di strutture sintattiche con caratteristiche specifiche, per esempio una frase semplice con un pronome in funzione di soggetto, e altri casi. Anche l’applicazione del corpus russo è descritta in modo analogo: può essere utilizzato nella modalità di ricerca di esempi che illustrano un determinato fenomeno linguistico [НКРЯ –National Corpus of the Russian Language] Le prime 500–1000 frasi del corpus di 2 milioni di parole della lingua lituana contemporanea (giornalismo) saranno annotate manualmente. In seguito, l’annotazione sarà semiautomatica. L’analisi sintattica automatica della lingua lituana così realizzata sarà utilizzata per l’annotazione, seguita da una revisione umana. Durante il processo di annotazione, il software sarà migliorato tenendo conto degli errori individuati. Il compito più importante è preparare un’analisi sintattica automatica della lingua lituana ben funzionante, utilizzabile nella creazione di un sistema di traduzione automatica basato sul trasferimento. Con il metodo TRANSFER, il secondo passaggio è l’analisi sintattica. Ci si può aspettare che l’annotazione sintattica del corpus contribuisca a migliorare l’analisi sintattica automatica. Per l’annotazione si utilizzano tabelle Excel, poiché offrono una rappresentazione chiara ed è facile ricavare da esse il formato XML. Anche le informazioni di VILSINTEX saranno liberamente accessibili in formato XML. Pertanto, potranno essere utilizzate per la ricerca statistica sulla lingua lituana e per reperire informazioni sulla grammatica del lituano, tra gli altri impieghi. 6. CONCLUSIONI Per rappresentare la struttura sintattica delle frasi lituane si utilizza un grafo, poiché un albero non può riflettere tutte le informazioni sintattiche contenute in una frase lituana. Due esempi di annotazione statistica mostrano l’insufficienza dell’albero nel rappresentare la struttura sintattica delle frasi lituane. Per il corpus lituano si utilizza un’annotazione duplice: la tabella descrive le informazioni esaustive sulla frase e sulle sue parole, mentre la struttura sintattica della frase è rappresentata in un’immagine. 264 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Nella tabella sono rappresentati tre tipi di informazioni: informazioni sull’intera frase (interrogativa, ellittica, impersonale); informazioni su ciascuna parola della frase (dati morfologici, sintattici e semantici); e informazioni non grammaticali (parole mancanti nelle frasi ellittiche, antecedente del pronome all’interno e all’esterno della frase, espressione numerica del numerale e viceversa, corrispondenti delle parole complete degli acronimi). La struttura sintattica della frase lituana viene suddivisa, nella prima fase, in tre parti: il gruppo del soggetto, il gruppo del predicato e il carattere finale della frase. Quest’ultimo è molto importante perché, in alcuni casi, è l’unico criterio che consente di decidere il tipo di frase (dichiarativa o interrogativa). Le relazioni sintattiche sono rappresentate nella struttura sintattica della frase con colori e stili di linea diversi, a seconda del tipo di relazione. I gruppi di parole semanticamente irresolubili sono collocati in un’unica casella, rappresentando al suo interno le relazioni sintattiche. L’obiettivo di VILSINTEKS è fornire informazioni esaustive e affidabili sulle frasi lituane. Può essere utilizzato per la ricerca statistica sulla lingua lituana e per il recupero di informazioni sulla grammatica lituana. Può inoltre essere utile nella creazione di un sistema di traduzione automatica non statistico. VILSINTEKS mira a raccogliere informazioni grammaticali sulla grammatica lituana nella pratica. Le prime frasi vengono annotate manualmente. In seguito, l’annotazione sarà semiautomatica. Per l’annotazione si utilizzano fogli Excel perché offrono una rappresentazione chiara per l’uso umano, e il corpus annotato sarà liberamente accessibile su Internet. È facile ottenere il formato XML dai fogli Excel. Anche le informazioni di VILSINTEKS saranno liberamente accessibili in formato XML. Pertanto, le informazioni di VILSINTEKS possono essere utilizzate per la ricerca statistica sulla lingua lituana e per il recupero di informazioni sulla grammatica 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