High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

DAIVA ŠVEIKAUSKIENĖ Litvanya Dili Enstitüsü Araştırma alanları: hesaplamalı dilbilim, ağaç bankası oluşturma, anotasyon katmanları. LİTVANYA'NIN YÜKSEK KALİTELİ SÖZDİZİMSEL OLARAK ANOTASYONLANMIŞ DERLEMİ – VILSINTEKS Yüksek kaliteli, sözdizimsel olarak anotasyonlanmış Litvanca derlem VILSINTEKS ANOTASYON Bu makalede, Litvanca derlemin yüksek kaliteli anotasyonu için kullanılan iki yönlü bir anotasyon sunulmaktadır. Bir cümle hakkındaki kapsamlı bilgiler bir tabloda verilir ve cümlenin sözdizimsel yapısı bir görselle sunulur. Diğer dillerin deneyimlerinden yararlanılır ve Litvancanın özgül özellikleri dikkate alınır. Litvanca cümlelerin sözdizimsel yapısı için ağaç gösteriminin yetersizliği, istatistiksel olarak anotasyonlanmış örneklerle gösterilir. Kapsamlı bilgi içeren anotasyonlu derlemin oluşturulma amacı da açıkça vurgulanır. Litvancanın özgül özelliklerini yansıtan anotasyonlu cümle örnekleri verilir. ANAHTAR KELİMELER: sözdizimsel olarak anotasyonlanmış derlem; sözdizimsel yapının grafik gösterimi; Litvanca derlemde anotasyon katmanları; Litvanca cümleler için ağaç gösteriminin yetersizliği; sözdizimsel olarak anotasyonlanmış derlemin amacı. ÖZET Makale, yüksek kaliteli, anotasyonlu bir Litvanca metin derlemi oluşturmak için kullanılan iki düzeyli anotasyonu ele almaktadır. Cümleye ilişkin ayrıntılı bilgiler tabloda verilirken cümlenin sözdizimsel yapısı grafiksel olarak çizilir. Litvancanın özgül özellikleri dikkate alınarak diğer dillerin deneyiminden yararlanılmaktadır. Litvanca cümlelerin sözdizimsel yapısını gösterirken ağacın yetersizliği, istatistiksel 252 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS yöntemlerle anotasyonlanmış cümle örnekleriyle gösterilmektedir. Makalede ayrıca, ayrıntılı bilgilerin biriktirileceği anotasyonlu bir metin derlemi oluşturmanın amacı açıkça vurgulanmaktadır. Litvancanın özgül özelliklerini yansıtan anotasyonlu cümle örnekleri sunulmaktadır. TEMEL SÖZCÜKLER: sözdizimsel olarak anotasyonlanmış metin derlemi, cümle yapısının bir grafikle gösterimi, metin derlemi anotasyon düzeyleri, Litvanca cümleleri gösterirken ağacın yetersizliği, metin derlemi oluşturmanın amacı. 1. GİRİŞ 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. Sözdizimsel yapı gösteriminin iki başlıca türü olan öbek yapısı dilbilgisi ve bağımlılık dilbilgisinden, Litvanca için ikincisi seçilmiştir; çünkü “...bağımlılık dilbilgisi, görece serbest sözcük dizilişine sahip dilleri inceleyen öğrencilerin çoğuna hitap etmiştir...” [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. LİTVANCA METİN DERLEMİNİN ANOTASYONU Son zamanlarda Litvanca dilinin bilgisayar ortamına aktarılma düzeyinin düşüklüğü hakkında çok şey söylenmiş ve yazılmıştır. META-NET verilerine göre Straipsniai / Articles 253 DAIVA ŠVEIKAUSKIENĖ proje kapsamında Litvanca, bilgisayarlaştırma düzeyi en düşük Avrupa dilleri grubunda yer almaktadır [Vaišnienė, Zabarskaitė 2012: 35]. Diğer diller için geliştirilen yazılımlar, Litvancaya uygulandığında tatmin edici sonuçlar vermemektedir. Artık Litvancanın bilgisayarlaştırılmasının düşük düzeyinden değil, bilgisayarlaştırılmasının kalitesinden söz etmenin zamanı geldi. Bu nedenle Litvancaya dönüp bakmaya ve Litvancanın yüksek kaliteli bilgisayarlaştırılmasını sağlamak üzere kendi yazılımlarımızı geliştirmeye değer. Litvanca derleminin sözdizimsel anotasyonu konusundaki ilk girişimler 2013 yılında yapılmıştır. Sözdizimsel olarak anotasyonlanmış VILSINTEKS derlemi, Vilnius’taki Litvanya Dili Enstitüsünde oluşturulmuştur. Bir cümleye ilişkin mümkün olduğunca çok veri sunmayı amaçlıyoruz; özellikle de çeviri sürecinde ihtiyaç duyulan verileri. Üç düzeyli anotasyona sahip Prag Bağımlılık Ağaçbankası kapsamlı bilgiler sunmaktadır [Hajič 2000: 103]. Tek bir görselde daha fazla anotasyon düzeyi gösterilemediği için ŞEKİL 1. Litvanca cümlenin sözdizimsel yapısına örnek Jie gali būti kitokie – They can be different 254 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS bu nedenle Litvanca cümlelerle çalışırken bilgi gösterimini iki bölüme ayırmaya karar verdik: morfolojik, sözdizimsel ve anlamsal bilgileri içeren bir tablo ile sözdizimsel yapının gösterildiği bir görsel. Litvanca cümleler için çevrimler içeren bir çizge kullanılır; çünkü ağaç, Litvanca cümlenin içerdiği sözdizimsel bilgilerin tümünü yansıtamaz. Yüklemcil niteleyici, cümlenin iki ögesine bağlıdır: özneye ya da nesneye ve yükleme. Bu ilişkiler biçimsel olarak ifade edilir ve göz ardı edilemez (daha fazla bilgi için bkz. Šveikauskienė 2005: 412). Şekil 1, başlık cümlesinin sözdizimsel yapısını göstermektedir. Cümle, özne ve yüklemle biçimsel olarak ifade edilmiş ilişkileri bulunan bir yüklemcil öge içerir ve derlem anotasyonu sırasında her iki ilişki de gösterilmelidir. ŞEKİL 2. İstatistiksel olarak çözümlenmiş cümle 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] ŞEKİL 3. İstatistiksel olarak çözümlenmiş cümle 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 Yüklem unsuru özneyle uyumlu bir eke sahip olmalı ve aynı zamanda yükleme bağlanmalıdır; yani öznenin niteleyicisi değildir. Litvanca derlemini sözdizimsel olarak etiketlemeye yönelik ilk girişimler, başka diller için oluşturulan yazılımın Litvancada iyi sonuçlar vermediğini gösterdi. Yaklaşık 1500 cümle, Kaunas Teknoloji Üniversitesi’nde istatistiksel olarak etiketlendi [Kapociūtė, Nivre, Krupavičius 2013: 12]. Sunulan sonuçlar, içinde gizli olan bilginin yetersizliğini gösterdi. ŞEKİL 4. VILSINTEKS tarafından çözümlenmiş cümle Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia 256 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS ŞEKİL 5. VILSINTEKS tarafından çözümlenmiş cümle Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis Straipsniai / Articles 257 DAIVA ŠVEIKAUSKIENĖ cümlelerin yapısı. İki şekil, her ikisi de çok önemli bilgilerden yoksun olan iki çözümlenmiş cümleyi göstermektedir. İlk cümlede, yüklem negeria ile özne tas arasındaki ok eksiktir (Şekil 2). İkinci cümlede, uyumlu eklere sahip iki sözcük medį ve kuriame arasındaki uyum ilişkisi gösterilmemiştir (Şekil 3); oysa yazarlar aynı makalede şöyle yazmışlardır: “bir ismi niteleyen sıfat CİNSİYET, SAYI ve DURUM bakımından uyumlu olmalıdır”. medį ve kuriame sözcükleri cinsiyet ve sayı bakımından uyumlu olmalıdır; ancak bu bilgi cümlenin yapısında bulunmamaktadır. kuriame sėdėjau – in which I sat ile pro medį – through the tree sözcükleri arasındaki ilişkilerin aynı türden olduğunu kabul etmek güçtür. VILSINTEKS’te kullanılan yönteme göre etiketlenmiş bu cümleler sırasıyla Şekil 4 ve Şekil 5’te gösterilmiştir. 3. TABLODAKİ ANOTASYON KATMANLARI Tablodaki bilgiler üç türdür: Tümceye ilişkin bilgiler, Tümcedeki sözcüklere ilişkin bilgiler, Sözcükler ve tümce hakkındaki dilbilgisel olmayan bilgiler. 3.1. Tüm Tümceye İlişkin Bilgiler Tümcenin tamamına ilişkin bilgiler; kodunu, yani derlemdeki konumunu, türünü ve özelliklerini kapsar. Tümcenin özelliği, metindeki işlevi dikkate alınarak belirlenen niteliğidir; başka bir deyişle, tümcenin başlık, yazar adı, alt başlık ya da metin tümcesi olup olmadığıdır. Tümcenin türü; bildirme, emir, soru vb. iletişimsel bilgileri ve kişisel, kişisiz, eksiltili, basit, bileşik tümce vb. yapısal bilgileri belirtir. [Ambrazas 1997: 573]. 3.2. Tümcedeki Sözcüklere İlişkin Bilgiler Her sözcük için tümcedeki sıra numarasına ilişkin veriler, biçimbilimsel veriler (zaman, durum, cinsiyet vb.), lemma ve sözcüğün sözlüksel anlamına ilişkin veriler bulunur, 258 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS sözdizimsel işlev, cümledeki diğer sözcüklerle doğrudan sözdizimsel ilişkiler ve derin durumlar. Litvancada sözcük dizilişi genellikle sözdizimsel bilgi taşımadığından, sözdizimsel işlevi belirlemede sözcüksel anlam özellikleri çok önemlidir. Zaman anlamı taşıyan belirtme durumundaki isim bir zarf tümlecidir; bu anlamı taşımadığında ise nesnedir. Cümlede belirtme durumunda iki isim bulunuyorsa sözcüksel anlam özelliği, sözdizimsel işlevin belirlenmesini sağlayan bazen tek ölçüttür. 3.3. Sözcükler ve Cümle Hakkında Dilbilgisel Olmayan Bilgiler Sözcüğe ilişkin üslup bilgisi tabloda verilir. Bu bilgi, sözcük çevrilirken diğer dildeki doğru karşılığın seçilmesine yardımcı olur. 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. Tabloda, eksiltili cümlelerdeki eksik sözcükler ve şahıs zamiriyle ifade edilen düşmüş özne yer alır. Litvancada bu duruma çok sık rastlanır. Özne, fiilin son ekinden tahmin edilebilir. Şimdiki zamanda yüklemin kopulası da genellikle düşürülür; bu nedenle tablo bu eksik sözcükleri de içerir. Kısaltmalar tabloda tam sözcük biçimleriyle gösterilir. Sayıların çeşitli dillerdeki sözcüksel ifadeleri farklılık gösterebildiğinden, tabloda sayılar rakamlarla, rakamlar da sayılarla ayrıca gösterilir. Straipsniai / Articles 259 DAIVA ŠVEIKAUSKIENĖ 4. SÖZDİZİMSEL YAPIDAKİ BİLGİ TÜRLERİ Sözdizimsel yapıda cümle ilk aşamada bir isim öbeğine, bir fiil öbeğine ve cümle sonu karakterine ayrılır. Litvancada sözcük dizilişi serbesttir ve bazen cümle türünü, yani bildirme mi yoksa soru cümlesi mi olduğunu belirlemenin tek yolu cümle sonu karakteridir; örneğin, Tu šiandien laimėjai prizą. – You have won a prize today. ve Tu šiandien laimėjai prizą? – Have you won a prize today?. Şekil 6, soru cümlesinin sözdizimsel yapısını göstermektedir. Cümlenin çevirisi, cümle sonu karakterine göre seçilir. Ayrıca cümlenin yapısı bağımlılık dil bilgisi kullanılarak gösterilir. Özne öbeğinin başı öznedir; altında bu öbeği genişleten sözcükler gösterilir. Yüklem öbeğinin başı ise yüklemdir ve ona bağlı sözcükler altında yer alır. Litvanca derleminin açıklanması açısından çok önemli olan diğer iki alan, sözcükler arasındaki sözdizimsel ilişkilerin türü ve anlamsal açıdan çözümlenemeyen sözcük gruplarıdır. ŞEKİL 6. Soru cümlesinin sözdizimsel yapısı 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. Sözdizimsel İlişkinin Türü Litvanca önemli ölçüde çekim eki içerir. Bu nedenle, sözdizimsel ilişkilerin türüne ilişkin bilgilerin gösterilmesi çok önemlidir; çünkü bu ilişkiler çoğu zaman sözcük sonlarıyla ifade edilir. Litvancada üç tür sözdizimsel ilişki vardır: özne ile yüklem arasındaki karşılıklı bağımlılık, cümlede eşdeğer sözdizimsel statüye sahip iki ya da daha fazla sözcük arasındaki eşgüdüm ve bir sözcüğün diğerinin sonunu belirlediği iki sözcük arasındaki bağımlılık. Bağımlılık; yönetim, uyum ve eklemlenme olarak ayrılır [Ambrazas 1997: 478]. Her sözdizimsel ilişki türü yapıda farklı bir renkle gösterilir. Karşılıklı bağımlılık, iki sözcük de birbirinin biçimini belirlediği için leylak rengi çift yönlü bir okla; eşgüdüm, sözcükler birbirlerinin biçimini etkilemediği için yönü olmayan sarı bir çizgiyle; yönetim, mavi tek yönlü küçük noktalı bir okla; uyum, kırmızı tek yönlü bir okla; eklemlenme ise yeşil tek yönlü büyük noktalı bir okla gösterilir. Edatlar, bağlaçlar veya noktalama işaretleri, sözcükler arasındaki okların etiketi olarak gösterilir. Şekil 7, bağlaç içeren bir cümle örneğini göstermektedir. ŞEKİL 7. Bağlaç içeren cümlenin sözdizimsel yapısı Laukais, miškais ir kalvomis ateina saulėtas ruduo. – Tarlalardan, ormanlardan ve tepelerden güneşli sonbahar geliyor. Straipsniai / Articles 261 DAIVA ŠVEIKAUSKIENĖ 4.2. Anlamsal Olarak Çözümlenemeyen Sözcük Grupları Anlamsal olarak çözümlenemeyen sözcük grubu, bir sözcüğün başka bir sözcüğü yalnızca birlikte bulunduklarında genişletebildiği ve bağımlı sözcüğün de yalnızca grubun tamamını genişletebildiği bir sözcük birleşimidir. Bu gruptaki bir sözcüğün genişleten sözcükle ilişkisi anlam taşımaz. Mel’chuk, Rusçada gözlemlediği benzer bir durumu betimler [Mel’chuk 2006: 37]. Çözümlenemeyen bir sözcük grubu, içindeki sözdizimsel ilişkiler gösterilerek tek bir kutu içine yerleştirilir. Şekil 8, anlamsal olarak çözümlenemeyen bir sözcük grubu içeren cümlenin sözdizimsel yapısını göstermektedir: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – Beş bin dönüm araziye sahip bir çiftçi taze sebzeleri ucuza satıyor. Litvancada valdyti – ‘sahip olmak’ fiili geçişlidir ve belirtme hâlini gerektirir; bu nedenle tūkstančius–‘bin’ sözcüğü belirtme hâlindedir. Sayılar Litvancada tamlayan hâlini gerektirir; bu yüzden hektarų–‘dönüm’ sözcüğü tamlayan hâlindedir. Çiftçi anlamsal olarak ‘bin’e sahip değildir; oysa bin sözcüğü, valdantis–‘sahip olan’ ortaçının yönettiği hâldedir. Aslında sahip olduğu şey, tamlayan hâlindeki sözcüğün, yani bin sayısının yönettiği hâlde bulunan sözcüğün gösterdiği dönümlerdir. Dolayısıyla tūkstančius hektarų ‘-bin dönüm’ sözcük grubu anlamsal olarak çözümlenemez; bu nedenle cümlenin sözdizimsel yapısında her iki sözcük de tek bir kutuya yerleştirilir. Beş sözcüğü bin sözcüğünün belirtecidir; bu yüzden aynı kutuya yerleştirilir. Uyumsuz belirteç žemės – ‘arazinin’ kutunun tamamını, yani kutuda bulunan sözcük grubunun tümünü genişletir ve başka uyumsuz belirteçlerle değiştirilebilir; örneğin: beş bin dönüm orman. Böylece anlamsal olarak çözümlenemeyen sözcük grubu tek bir sözlüksel birim sayılır. Sayıların sözcük birleşimlerinde (beş ve bin) çift yönlü sözdizimsel ilişki vardır: uyum ve yönetim. ‘Bin’ sözcüğünün hâli (sonu fiilin yönetimiyle belirlenir), ‘beş’ sözcüğünün sonunu belirler; bu iki sözcüğün sonları birbiriyle uyumlu olmalıdır (jis valdo penkis tūkstančius hektarų – beş bin dönüme sahip, ancak penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – beş bin dönüm için 10 ton gübre kullandı); ayrıca ‘beş’ leksemi ‘bin’ sözcüğünü yönetir, yani onun belirli bir son almasını gerektirir. Örneğin, beş bin dönüme sahip (jis valdo penkis tūkstančius hektarų) ve yirmi bin dönüme sahip (jis valdo dvidešimt tūkstančių hektarų) sözcük gruplarında, bin sözcüğü Litvancada farklı sonlar alır. Bu nedenle, tüm sözdizimsel ilişki türlerini çok kesin biçimde göstermemiz son derece önemlidir. 262 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS ŞEKİL 8. Anlamsal olarak çözümlenemeyen bir sözcük grubu içeren cümlenin sözdizimsel yapısı Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Beş bin dönüm araziye sahip çiftçi taze sebzeleri ucuza satıyor) 5. ANOTASYONUN AMAÇLARI Doğal dil işlemede kullanılan istatistiksel yöntem, özellikle makine çevirisinde kullanıldığında Litvanca için tatmin edici sonuçlar vermemektedir. İstatistiksel çözümleme de kapsamlı bilgi sağlamaz. Ayrıca, başka diller için oluşturulan yazılımlar Litvanca için yeterli sonuçlar vermemektedir. V. Daudaravičius, Litvancanın otomatik sözdizimsel çözümlemesi üzerinde uzun süre çalışmış ve şunları yazmıştır: “İngilizce için başarıyla uygulanan yöntemlerin başka diller için de uygun olduğunu düşünmek saflıktır.” [Daudaravičius 2012: 3]. VILSINTEKS’in amacı, Litvancanın dilbilgisi hakkında uygulamada güvenilir ve kapsamlı bilgi toplamaktır. İstatistiksel olmayan bir yaklaşımla oluşturulan yüksek kaliteli otomatik sözdizimsel çözümleme ile, istatistiksel olmayan Straipsniai / Articles 263 DAIVA ŠVEIKAUSKIENĖ özellikle Litvanca cümlelerin oluşturulmasında, makine çevirisi sistemlerinin etkinleştirilmesini sağlar. VILSINTEKS, Litvancanın kendine özgü özelliklerini yansıtmayı amaçlamaktadır. Litvanca cümlelere ilişkin kapsamlı bilgiler, genel kullanım için anlaşılır bir biçimde sunulacaktır. Ek açıklamalı derleme İnternet’ten ücretsiz olarak erişilebilir olacaktır. Şu anda, Vytautas Magnus Üniversitesinde oluşturulan metin derlemi kullanılarak belirli bir sözcüğü içeren cümle örnekleri edinilebilir. VILSINTEKS, belirli özelliklere sahip sözdizimsel yapı örnekleri sunacaktır; örneğin, öznesi zamir olan basit bir cümle ve diğerleri. Rusça derleminin kullanımı da benzer biçimde açıklanmıştır: belirli bir dil olgusunu örnekleyen örnekleri arama modunda kullanılabilir [НКРЯ –National Corpus of the Russian Language] Çağdaş Litvanca derlemindeki (gazetecilik) 2 milyon sözcükten oluşan ilk 500–1000 cümle elle açıklanacaktır. Daha sonra açıklama yarı otomatik olacaktır. Böylece oluşturulan Litvancanın otomatik sözdizimsel çözümlemesi, sonraki aşamada insan incelemesi yapılmak üzere açıklama işleminde kullanılacaktır. Açıklama süreci sırasında, belirlenen hatalar dikkate alınarak yazılım iyileştirilecektir. En önemli görev, bir aktarım makine çevirisi sistemi oluşturulurken kullanılabilecek, iyi işleyen bir Litvanca otomatik sözdizimsel çözümlemesi hazırlamaktır. TRANSFER yöntemi kullanıldığında ikinci adım sözdizimsel çözümlemedir. Derlemin sözdizimsel açıklamasının otomatik sözdizimsel çözümlemeyi iyileştirmeye katkıda bulunması beklenebilir. Excel tabloları, anlaşılır bir gösterim sundukları ve Excel tablolarından XML biçimini elde etmek kolay olduğu için açıklama işleminde kullanılır. VILSINTEX bilgilerine XML biçiminde de ücretsiz olarak erişilebilecektir. Böylece bu bilgiler, Litvanca üzerine istatistiksel araştırmalarda ve Litvanca dilbilgisi hakkında bilgi edinmede ve başka amaçlarla kullanılabilir. 6. SONUÇLAR Litvanca cümlelerin sözdizimsel yapısını göstermek için çizge kullanılır; çünkü ağaç, Litvanca bir cümlenin içerdiği tüm sözdizimsel bilgileri yansıtamaz. İstatistiksel açıklamaya ilişkin iki örnek, Litvanca cümlelerin sözdizimsel yapısını temsil etmede ağacın yetersiz olduğunu göstermektedir. Litvanca derlem için iki katmanlı bir açıklama kullanılır: tabloda cümle ve sözcüklerine ilişkin kapsamlı bilgiler sunulur; cümlenin sözdizimsel yapısı ise bir görselle temsil edilir. 264 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Tabloda sunulan bilgiler üç türdedir: tüm cümleye ilişkin bilgiler (soru, eksiltili, kişisiz); cümledeki her sözcüğe ilişkin bilgiler (biçimbilimsel, sözdizimsel ve anlamsal veriler); ve dilbilgisel olmayan bilgiler (eksiltili cümlelerdeki eksik sözcükler, cümle içindeki ve dışındaki zamirlerin öncülleri, sayıların sözcüklerle ifade edilmesi ve bunun tersi, kısaltmaların tam sözcük karşılıkları). Litvanca cümlenin sözdizimsel yapısı ilk aşamada üç bölüme ayrılır: özne grubu, yüklem grubu ve cümle sonu işareti. Sonuncusu çok önemlidir; çünkü bazı durumlarda cümlenin türüne (bildirme ya da soru) karar verilmesini sağlayan tek ölçüttür. Cümlenin sözdizimsel yapısındaki sözdizimsel ilişkiler, ilişkinin türüne göre farklı renkler ve çizgi stilleriyle gösterilir. Anlamsal olarak çözümlenemeyen sözcük grupları, içlerindeki sözdizimsel ilişkiler gösterilerek tek bir kutuda yer alır. VILSINTEKS’in amacı, Litvanca cümleler hakkında kapsamlı ve güvenilir bilgiler sunmaktır. Litvancanın istatistiksel araştırmalarında ve Litvanca dilbilgisine ilişkin bilgi erişiminde kullanılabilir. Ayrıca istatistiksel olmayan bir makine çevirisi sistemi oluşturulmasına da katkıda bulunabilir. VILSINTEKS, uygulamada Litvanca dilbilgisine ilişkin dilbilgisel bilgileri derlemeyi amaçlar. İlk cümleler elle etiketlenir. Daha sonra etiketleme yarı otomatik olacaktır. Excel tabloları, insanlar için anlaşılır bir gösterim sunduklarından etiketlemede kullanılır; etiketlenmiş derlem ise İnternet’te serbestçe erişilebilir olacaktır. Excel tablolarından XML biçimini elde etmek kolaydır. VILSINTEKS bilgilerine XML biçiminde de serbestçe erişilebilecektir. Böylece VILSINTEKS bilgileri, Litvancanın istatistiksel araştırmalarında ve Litvanca dilbilgisine ilişkin bilgi erişiminde kullanılabilir. 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