High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

252 Acta Linguistica Lithuanica LXXIII DAIVA ŠVEIKAUSKIENĖ Institute of Lithuanian Language Domenii de cercetare: lingvistică computațională, constituirea corpusurilor arborate, niveluri de adnotare. HIGH QUALITY SYNTACTIC CORPUS ADNOTAT AL LIMBII LITUANIENE – VILSINTEKS Aukštos kokybės sintaksiškai anotuotas lietuvių kalbos tekstynas VILSINTEKS ADNOTARE Această lucrare prezintă o adnotare dublă, utilizată pentru adnotarea de înaltă calitate a corpusului lituanian. Informații cuprinzătoare despre o propoziție sunt prezentate într-un tabel, iar structura sintactică a unei propoziții este prezentată într-o imagine. Se utilizează experiența altor limbi și se iau în considerare caracteristicile specifice ale limbii lituaniene. Insuficiența reprezentării arborescente pentru structura sintactică a propozițiilor lituaniene este demonstrată prin exemplele adnotate statistic. Este, de asemenea, clar subliniat obiectivul creării unui corpus adnotat care să conțină informații exhaustive. Sunt prezentate exemplele propozițiilor adnotate, care reflectă caracteristicile specifice ale limbii lituaniene. CUVINTE-CHEIE: corpus sintactic adnotat; reprezentarea grafică a structurii sintactice; nivelurile de adnotare din corpusul lituanian; insuficiența reprezentării arborescente pentru propozițiile lituaniene; obiectivul corpusului sintactic adnotat. ANOTAȚIE Articolul examinează adnotarea realizată la două niveluri, utilizată pentru crearea unui corpus de texte lituaniene adnotat de înaltă calitate. Informațiile detaliate despre propoziție sunt indicate într-un tabel, iar structura sintactică a propoziției este reprezentată grafic. Se valorifică experiența altor limbi, ținându-se cont de trăsăturile specifice ale limbii lituaniene. Insuficiența arborelui în reprezentarea structurii sintactice Articole / Articles 253 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS a propozițiilor în limba lituaniană este demonstrată prin exemple de propoziții adnotate printr-o metodă statistică. În articol este, de asemenea, subliniat clar scopul creării unui corpus adnotat în care vor fi acumulate informații detaliate. Sunt prezentate exemple de propoziții adnotate care reflectă trăsăturile specifice ale limbii lituaniene. CUVINTE-CHEIE: corpus sintactic adnotat, reprezentarea structurii propoziției grafu, tekstyno anotavimo lygmenys, medžio nepakankamumas vaizduojant lietuvių kalbos sakinius, tekstyno kūrimo tikslas. 1. INTRODUCERE Prima adnotare a corpusurilor a fost etichetarea părților de vorbire POST [Church 1988: 136]. O astfel de adnotare se găsește în Penn Treebank. Ulterior, au fost introduse alte propoziții, care conțineau informații sintactice. Acestea au fost reprezentate folosind diverse scheme [Atwell et al. 2000: 12]. În 2012, Köhler a menționat următoarele: „...nu există un standard general cu privire la modul în care ar trebui structurate și notate corpusurile” [Köhler 2012: 32]. Prin urmare, corpusul lituanian VILSINTEKS este adnotat ținându-se seama de particularitățile limbii lituaniene – o flexiune bogată și o ordine liberă a cuvintelor în propoziție. Dintre cele două tipuri principale de reprezentare a structurii sintactice, și anume gramatica structurii sintagmatice și gramatica dependenței, pentru limba lituaniană a fost aleasă cea din urmă, deoarece „...gramatica dependenței i-a atras cel mai mult pe cercetătorii limbilor cu o ordine relativ liberă a cuvintelor…” [Kay, Gawron and Norvig 1994: 55]. Cea mai comună reprezentare a structurii sintactice este un arbore [Allen 1987: 41]. Denumirea corpusului adnotat sintactic – treebank – este legată de acest termen. Denumirea treebankului lituanian nu conține cuvântul ‘arbore’, deoarece structura sintactică a unor propoziții lituaniene este reprezentată printr-un graf cu un ciclu, adică nu îndeplinește condițiile stabilite de definiția unui arbore, întrucât un arbore este un graf conex aciclic [Swamy, Thulasiraman 1984: 33]. Acronimul VILSINTEKS înseamnă VILniaus SINtaksinis TEKStynas – corpusul sintactic din Vilnius. 2. ADNOTARE DESPRE CORPUSUL LITUANIAN Recent, s-a spus și s-a scris mult despre gradul scăzut de informatizare a limbii lituaniene. Conform datelor META-NET DAIVA ŠVEIKAUSKIENĖ 254 Acta Linguistica Lithuanica LXXIII proiectul, limba lituaniană aparține grupului celor mai puțin informatizate limbi europene [Vaišnienė, Zabarskaitė 2012: 35]. Software-ul creat pentru alte limbi nu produce rezultate satisfăcătoare atunci când este aplicat limbii lituaniene. Este timpul să nu se mai vorbească despre gradul scăzut de informatizare a limbii lituaniene, ci despre calitatea informatizării acesteia. Prin urmare, merită să revenim asupra limbii lituaniene și să încercăm să creăm o informatizare proprie, de înaltă calitate, a limbii lituaniene. Primele încercări de software for the computerization of the Lithuanian language so as to produce adnotare sintactică a corpusului lituanian au fost făcute în 2013. Corpusul adnotat sintactic VILSINTEKS a fost creat la Institutul Limbii Lituaniene din Vilnius. Scopul nostru este de a furniza cât mai multe date posibil cu privire la o propoziție, în special dacă se întâmplă ca acestea să fie datele necesare în timpul procesului de traducere. Informații exhaustive sunt oferite în Prague Dependency Treebank, care are o adnotare pe trei niveluri [Hajič 2000: 103]. Mai multe niveluri de adnotare într-o singură imagine nu au putut FIGURA 1. Exemplu al structurii sintactice a propoziției lituaniene Jie gali būti kitokie – Ei pot fi diferiți Straipsniai / Articole 255 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS FIGURA 2. Propoziție analizată statistic Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia (Cine nu riscă nu bea șampanie, dar nici nu plânge cu jale) [Kapočiūtė, Nivre, Krupavičius 2013: 15] FIGURA 3. Propoziția analizată statistic Bet štai pro medį, kuriame sėdėjau, praslinko didelis šešėlis (Dar aici, prin copacul în care stăteam, a trecut o umbră mică) [Kapočiūtė, Nivre, Krupavičius 2013: 15] a putut fi obținută, astfel că am decis să împărțim reprezentarea informației în două părți atunci când analizăm propoziții în limba lituaniană: un tabel, care conține morconține. Atributul predicativ depinde de două părți ale propoziției: de subiect sau de obiect și de predicat. Aceste relații sunt exprimate formal și phological, syntactic and semantic information, while the syntactic structure should be presented in a picture. A graph with cycles is used for Lithuanian sentences because a tree is not able to reflect the entire syntactic information which the Lithuanian sentence nu puteau fi ignorate (pentru mai multe detalii, vezi Šveikauskienė 2005: 412). Figura 1 prezintă structura sintactică a unei propoziții-titlu. Aceasta conține un predicativ, care are relații exprimate formal cu subiectul și predicatul, iar ambele relații trebuie reprezentate prin adnotarea corpusului. DAIVA ŠVEIKAUSKIENĖ 256 Acta Linguistica Lithuanica LXXIII Predicativul trebuie să aibă terminația în acord cu subiectul și, în același timp, este alăturat predicatului; adică nu este un atribut al subiectului. Primele încercări de a adnota sintactic corpusul lituanian au demonstrat că software-ul creat pentru alte limbi nu a produs rezultate bune în limba lituaniană. Aproximativ 1500 de propoziții au fost adnotate statistic la Universitatea de Tehnologie din Kaunas [Kapočiūtė, Nivre, Krupavičius 2013: 12]. Rezultatele prezentate au arătat insuficiența informațiilor ascunse în FIGURA 4. VILSINTEKS parsed sentence Cine nu riscă nu bea șampanie, dar nici nu plânge amar Articole / Articles 257 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS FIGURA 5. VILSINTEKS a analizat propoziția Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis DAIVA ŠVEIKAUSKIENĖ 258 Acta Linguistica Lithuanica LXXIII structura propozițiilor. Cele două figuri ilustrează două propoziții analizate, ambele În a doua propoziție nu este lacking very important information. The first sentence lacks the arrow between the predicate negeria and subject tas (Figure 2). prezentată relația de acord dintre cele două cuvinte medį și kuriame, care au desinențe concordante (Figura 3), deși autorii au scris în același articol: „un adjectiv care determină un substantiv trebuie să fie în acord în GEN, NUMĂR și CAZ”. Cuvintele medį și kuriame trebuie să concorde în gen și număr, iar această informație lipsește din structura propoziției. Este dificil să fim de acord că relațiile dintre cuvintele kuriame sėdėjau - în care am stat și pro medį prin copac sunt de același tip. Aceste propoziții, adnotate conform metodei utilizate în VILSINTEKS, sunt prezentate în Figura 4 și, respectiv, în Figura 5. 3. STRATURI DE ADNOTARE ÎN TABEL Informațiile din tabel sunt de trei tipuri: • Informații despre întreaga propoziție, • Informații despre cuvintele din propoziție, • Informații negramaticale despre cuvinte și propoziție. 3.1. Informații despre întreaga propoziție Informațiile referitoare la întreaga propoziție constau în codul acesteia, adică poziția sa în corpus, tipul său și caracteristicile sale. Caracteristica propoziției este caracteristica sa care ține cont de funcția sa în text, adică dacă este un titlu, un autor, un subtitlu sau o propoziție din text. Tipul propoziției indică informații comunicative, adică dacă este enunțiativă, imperativă, interrogative, etc., and structural information: personal, impersonal, elliptical, simple, composite sentence, etc. [Ambrazas 1997: 573]. 3.2. Informații despre cuvintele din propoziție Fiecare cuvânt este însoțit de date despre numărul său în propoziție, date morfologice (timp, caz, gen etc.), lemă, date privind semantica sa lexicală, funcția Straipsniai / Articole 259 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS sintactică, relațiile sintactice directe cu alte cuvinte din propoziție și cazurile profunde. Deoarece ordinea cuvintelor în limba lituaniană nu conține de obicei informații sintactice, caracteristicile semanticii lexicale sunt foarte importante pentru identificarea funcției sale sintactice. Substantivul la cazul acuzativ cu caracteristica timpului este un complement circumstanțial și, fără aceasta, un complement direct. Dacă în propoziție apar două substantive la cazul acuzativ, caracteristica semanticii lexicale este uneori singurul criteriu care permite stabilirea funcției sintactice. 3.3. Informații non-gramaticale despre cuvinte și propoziție Informațiile stilistice despre cuvânt sunt prezentate în tabel. Acestea ajută la alegerea echivalentului potrivit în cealaltă limbă atunci când se traduce cuvântul. Antecedentul pronumelui este necesar. Mille, Wanner și Burga [2012: 5] descriu structura coreferențială, care leagă pronumele de antecedentul său într-o propoziție. Treebank-ul lituanian oferă informații despre antecedentul pronumelui și atunci când acesta se află în afara propoziției. Acest lucru este foarte important pentru traducere, deoarece genul substantivului (sau, în consecință, al pronumelui) poate diferi în diverse limbi. De exemplu, propoziția lituaniană Ji buvo graži are trei traduceri în germană. Dacă este „o fată”, traducerea corectă este Es war schön. Dacă este „o pisică”, traducerea corectă este Sie war schön, iar dacă este „o zi”, traducerea corectă este Er war schön. Toate cele trei pronume din limba lituaniană sunt feminine, deoarece toate cele trei substantive sunt feminine, în timp ce, în cazul limbii germane, acest pronume are trei echivalente diferite, ținând cont de substantivul pe care îl înlocuiește. Tabelul conține cuvintele lipsă din propozițiile eliptice și omisiunea în limba ted subject, which is expressed by a personal pronoun. It is very often the case lituaniană. Putem ghici acest lucru după terminația verbului. De obicei, și copula predicatului la timpul prezent este omisă, astfel încât tabelul conține aceste cuvinte lipsă. Acronimele sunt reprezentate în tabel prin cuvinte complete. Numerele sunt reprezentate suplimentar în tabel prin cifre, iar cifrele prin numere, deoarece exprimarea lexicală a numerelor poate diferi în diverse limbi. DAIVA ŠVEIKAUSKIENĖ 260 Acta Linguistica Lithuanica LXXIII 4. TIPURI DE INFORMAȚIE ÎN STRUCTURA SINTACTICĂ În structura sintactică, propoziția este împărțită în prima etapă într-un grup nominal, un grup verbal și caracterul de final al propoziției. Limba lituaniană are o ordine liberă a cuvintelor și, uneori, caracterul de final al propoziției este singurul mijloc prin care se poate determina tipul propoziției, adică dacă este o propoziție enunțiativă sau interogativă, de exemplu, Tu šiandien laimėjai prizą. – Ai câștigat un premiu astăzi. și Tu šiandien laimėjai prizą? – Ai câștigat un premiu astăzi?. Figura 6 prezintă structura sintactică a propoziției interogative. Traducerea propoziției este aleasă în funcție de caracterul de la sfârșitul propoziției. cuvintele care o extind, iar Furthermore, the structure of the sentence is represented using dependency grammar. The head of the subject group is the subject and below are depicted nucleul grupului predicativ este predicatul, cu cuvintele subordonate situate dedesubt. Alte două câmpuri, care sunt foarte importante pentru adnotarea corpusului lituanian, sunt tipul relațiilor sintactice dintre cuvinte și grupurile de cuvinte irezolvabile semantic. FIGURA 6. Structura sintactică a propoziției interogative Tu šiandien laimėjai prizą? – Ai câștigat un premiu astăzi? Articole / Articles 267 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Aukštos kokybės sintaksiškai anotuotas lietuvių kalbos tekstynas VILSINTEKS REZUMAT În ultima vreme se vorbește și se scrie foarte mult despre faptul că limba lituaniană este puțin informatizată. Se achiziționează programe informatice create pentru alte limbi, care, în cazul limbii lituaniene, cel mai adesea nu oferă rezultate satisfăcătoare. A sosit deja momentul în care trebuie să începem să discutăm calitatea informatizării limbii lituaniene, în loc să vorbim despre nivelul scăzut al informatizării acesteia. În articol este descris un corpus de texte în limba lituaniană, adnotat sintactic la un nivel înalt de calitate, în care sunt furnizate išsami informacija apie sakinį nurodoma lentelėje ir sintaksinė struktūra nubraižoma grainformații fiabile. Adnotarea se efectuează la două niveluri: fiškai. La adnotare se acordă o mare atenție reprezentării relațiilor sintactice. Acestea sunt indicate prin linii de culori și tipuri diferite. Articolul descrie grupurile de cuvinte nesegmentabile – acestea sunt grupuri de cuvinte care pot extinde un alt cuvânt doar împreună și pe care un cuvânt care le extinde le poate marca doar ca întreg grup. Relația celorlalte cuvinte ale propoziției cu unul dintre componentele grupului nesegmentabil nu are sens. În structură, grupurile nesegmentabile sunt reunite într-un singur bloc, evidențiind relațiile sintactice interne. În articol sunt prezentate exemple de propoziții adnotate sintactic. Pentru reprezentarea structurii propoziției se folosește un graf, deoarece arborele, aplicat cu succes structurii propozițiilor în limba engleză, nu poate reflecta toate informațiile sintactice prezente într-o propoziție în limba lituaniană. Acest lucru se observă foarte bine în exemplele de propoziții adnotate prin metoda statistică, care sunt prezentate în acest articol. Sunt prezentate structurile a două propoziții în care lipsesc informații foarte importante: în una nu este arătată relația sintactică dintre subiect și predicat, iar în cealaltă lipsește relația dintre cuvintele care se acordă în număr și gen. Pentru comparație, în articol sunt prezentate aceste propoziții, adnotate și prin metoda utilizată de VILSINTEKS. Scopul corpusului în curs de creare este de a acumula informații cuprinzătoare și fiabile despre gramatica limbii lituaniene, efectuând analiza propozițiilor fără erori, adică atunci când rezultatele muncii computerului sunt verificate ulterior de o persoană. Corpusul adnotat va fi disponibil public pe internet. Așa cum acum din corpusul VDU se pot obține exemple de utilizare a cuvântului dat, tot astfel pe site-ul VILSINTEKS se vor putea obține exemple de structuri sintactice care au anumite caracteristici – de exemplu, exemple de propoziții simple în care subiectul este exprimat printr-un pronume și altele asemenea –. În procesul de adnotare se utilizează tabele Excel, deoarece acestea permit prezentarea vizuală a structurii propoziției și reorganizarea cu ușurință a informației în format XML, utilizat pe scară largă pentru căutare. Prin urmare, corpusul adnotat va putea fi utilizat pentru cercetări statistice asupra limbii lituaniene, precum și pentru extragerea de informații despre gramatica limbii lituaniene etc. Primită la 28 octombrie 2013 DAIVA ŠVEIKAUSKIENĖ Institutul Limbii Lituaniene Str. Petro Vileišio 5-216, LT-10308 Vilnius, Lituania [email protected]