DAIVA ŠVEIKAUSKIENĖ

Institutul Limbii Lituaniene

Domenii de cercetare: lingvistică computațională, constituirea treebank-urilor, niveluri de adnotare.

CORPUS ADNOTAT SINTACTIC DE ÎNALTĂ CALITATE AL LIMBII LITUANIENE – VILSINTEKS

Corpus lituanian adnotat sintactic de înaltă calitate VILSINTEKS

ADNOTARE

Acest articol prezintă o adnotare în două forme, utilizată pentru adnotarea de înaltă calitate a corpusului lituanian. Informațiile cuprinzătoare despre o propoziție sunt prezentate într-un tabel, iar structura sintactică a propoziției este redată într-o imagine. Se valorifică experiența acumulată în cazul altor limbi și se ține cont de trăsăturile specifice limbii lituaniene. Insuficiența reprezentării arborescente a structurii sintactice a propozițiilor lituaniene este demonstrată prin exemple adnotate statistic. De asemenea, este evidențiat clar obiectivul creării unui corpus adnotat care să conțină informații exhaustive. Sunt prezentate exemple de propoziții adnotate, care reflectă trăsăturile specifice limbii lituaniene.

CUVINTE-CHEIE: corpus adnotat sintactic; reprezentarea grafică a structurii sintactice; niveluri de adnotare în corpusul lituanian; insuficiența reprezentării arborescente pentru propozițiile lituaniene; obiectivul corpusului adnotat sintactic.

ADNOTARE

Articolul discută adnotarea realizată pe două niveluri, utilizată pentru crearea unui corpus de texte în limba lituaniană, adnotat la un nivel 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 seama de trăsăturile specifice limbii lituaniene. Insuficiența arborelui în reprezentarea structurii sintactice a propozițiilor în limba lituaniană este demonstrată statistic

252

Acta Linguistica Lithuanica ^LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

prin exemple de propoziții adnotate cu ajutorul metodelor. Articolul subliniază, de asemenea, în mod explicit obiectivul creării unui corpus adnotat, în care vor fi stocate informații detaliate. Sunt prezentate exemple de propoziții adnotate care reflectă trăsăturile specifice ale limbii lituaniene.

CUVINTE-CHEIE: corpus adnotat sintactic, reprezentarea structurii propoziției prin graf, niveluri de adnotare a corpusului, insuficiența arborelui în reprezentarea propozițiilor în limba lituaniană, obiectivul creării corpusului.

1. INTRODUCERE

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.

Dintre cele două tipuri principale de reprezentare a structurii sintactice, gramatica structurii sintagmatice și gramatica dependenței, pentru limba lituaniană a fost aleasă cea din urmă, deoarece „...gramatica dependenței a fost preferată mai ales de cei care studiază limbi cu o ordine a cuvintelor relativ liberă...” [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. ADNOTAREA CORPUSULUI DE LIMBA LITUANIANĂ

În ultima vreme, s-a vorbit și s-a scris mult despre gradul scăzut de informatizare a limbii lituaniene. Conform datelor META-NET

Straipsniai / Articles

253

DAIVA ŠVEIKAUSKIENĖ

proiectului, lituaniana aparține grupului limbilor europene cel mai puțin informatizate [Vaišnienė, Zabarskaitė 2012: 35]. Software-ul creat pentru alte limbi nu oferă rezultate satisfăcătoare atunci când este aplicat limbii lituaniene. A sosit momentul să vorbim nu despre nivelul scăzut de informatizare a limbii lituaniene, ci despre calitatea informatizării acesteia. Așadar, merită să ne întoarcem privirea spre limba lituaniană și să încercăm să creăm propriul software pentru informatizarea limbii lituaniene, astfel încât să obținem o informatizare de înaltă calitate a limbii lituaniene.

Primele încercări de adnotare sintactică a corpusului lituanian au fost făcute în 2013. Corpusul adnotat sintactic VILSINTEKS a fost creat la Institutul Limbii Lituaniene din Vilnius. Ne propunem să oferim cât mai multe date despre o propoziție, mai ales dacă acestea sunt necesare în procesul de traducere. Informații exhaustive sunt oferite în Prague Dependency Treebank, care are o adnotare pe trei niveluri [Hajič 2000: 103]. Nu au putut fi reprezentate într-o singură imagine mai multe niveluri de adnotare

FIGURA 1. Exemplu de structură sintactică a propoziției lituaniene Jie gali būti kitokie – They can be different

254

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

a fi realizate, așa că am decis să împărțim reprezentarea informațiilor în două părți atunci când analizăm propoziții lituaniene: un tabel, care conține informații morfologice, sintactice și semantice, în timp ce structura sintactică trebuie prezentată într-o imagine.

Pentru propozițiile lituaniene se folosește un graf cu cicluri, deoarece un arbore nu poate reflecta toate informațiile sintactice conținute de propoziția lituaniană. Atributul predicativ depinde de două părți ale propoziției: de subiect sau de obiect și de predicat. Aceste relații sunt exprimate formal și nu pot fi ignorate (pentru detalii suplimentare, 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.

FIGURA 2. Propoziție analizată statistic 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. Propoziție analizată statistic 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

Numele predicativ trebuie să aibă terminația care se acordă cu subiectul și, în același timp, este atașat predicatului; cu alte cuvinte, nu este atribut al subiectului.

Primele încercări de adnotare sintactică a corpusului lituanian au demonstrat că software-ul creat pentru alte limbi nu oferea rezultate bune în limba lituaniană. Aproximativ 1500 de propoziții au fost adnotate statistic la Universitatea Tehnologică din Kaunas [Kapociūtė, Nivre, Krupavičius 2013: 12]. Rezultatele prezentate au evidențiat insuficiența informațiilor ascunse în

FIGURE 4. Propoziție analizată sintactic în 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. Propoziție analizată sintactic în VILSINTEKS Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis

Straipsniai / Articles

257

DAIVA ŠVEIKAUSKIENĖ

structura propozițiilor. Cele două figuri ilustrează două propoziții analizate sintactic, ambele lipsite de informații foarte importante. Primei propoziții îi lipsește săgeata dintre predicatul negeria și subiectul tas (Figura 2).

În a doua propoziție nu este indicată relația de acord dintre cele două cuvinte medį și kuriame, care au terminații concordante (Figura 3), deși autorii au scris în același articol: „un adjectiv care determină un substantiv trebuie să se acorde în GEN, NUMĂR și CAZ”.

Cuvintele medį și kuriame trebuie să se acorde în gen și număr, iar această informație lipsește din structura propoziției. Este greu de acceptat că relațiile dintre cuvintele kuriame sėdėjau – in which I sat și pro medį – through the tree sunt de același tip.

Aceste propoziții, adnotate conform metodei utilizate în VILSINTEKS, sunt prezentate, respectiv, în Figura 4 și Figura 5.

3. STRATURILE DE ADNOTARE DIN TABEL

Informațiile din tabel sunt de trei tipuri:

Informații despre întreaga propoziție,

Informații despre cuvintele din propoziție,

Informații non-gramaticale 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 particularitatea sa, ținând seama de funcția sa în text, adică dacă este un titlu, numele unui autor, un subtitlu sau o propoziție din text. Tipul propoziției indică informații comunicative, adică dacă este declarativă, imperativă, interogativă etc., și informații structurale: personală, impersonală, eliptică, simplă, compusă etc. [Ambrazas 1997: 573].

3.2. Informații despre cuvintele din propoziție

Fiecare cuvânt este însoțit de date privind numărul său în propoziție, date morfologice (timp, caz, gen etc.), lema și date privind semantica sa lexicală,

258

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

funcția sintactică, relațiile sintactice directe cu alte cuvinte din propoziție și cazurile semantice.

Deoarece ordinea cuvintelor în limba lituaniană nu poartă, de regulă, informații sintactice, caracteristicile semanticii lexicale sunt foarte importante pentru identificarea funcției sintactice a acestora. Substantivul la cazul acuzativ cu trăsătura temporalității este un complement circumstanțial, iar fără această trăsătură este un complement direct. Dacă în propoziție apar două substantive la cazul acuzativ, trăsătura 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. Ele ajută la alegerea echivalentului potrivit din cealaltă limbă atunci când se traduce cuvântul.

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.

Tabelul conține cuvintele omise în propozițiile eliptice și subiectul omis, exprimat printr-un pronume personal. Acest lucru se întâmplă foarte des în limba lituaniană. Subiectul poate fi dedus din terminația verbului. De obicei, se omite și copula predicatului la timpul prezent, așa că tabelul conține și aceste cuvinte omise.

Acronimele sunt prezentate în tabel prin formele lor complete.

În tabel, numerele sunt reprezentate suplimentar prin cifre, iar cifrele prin numere scrise cu litere, deoarece exprimarea lexicală a numerelor poate varia de la o limbă la alta.

Straipsniai / Articles

259

DAIVA ŠVEIKAUSKIENĖ

4. TIPURI DE INFORMAȚII DIN STRUCTURA SINTACTICĂ

În structura sintactică, în prima etapă, propoziția este împărțită într-un grup nominal, un grup verbal și caracterul de final de propoziție. Limba lituaniană are o ordine liberă a cuvintelor și, uneori, caracterul de final de propoziție este singurul mijloc de a stabili tipul propoziției, adică dacă este o propoziție enunțiativă sau interogativă, de exemplu, Tu šiandien laimėjai prizą. – You have won a prize today. și Tu šiandien laimėjai prizą? – Have you won a prize today?. Figura 6 prezintă structura sintactică a propoziției interogative. Traducerea propoziției este aleasă în funcție de caracterul de final de propoziție. În plus, structura propoziției este reprezentată folosind gramatica dependențelor. Capul grupului subiectului este subiectul, iar dedesubt sunt reprezentate cuvintele care îl extind; capul grupului predicatului este predicatul, cu cuvintele subordonate dispuse dedesubt.

Alte două câmpuri, foarte importante pentru adnotarea corpusului lituanian, sunt tipul relațiilor sintactice dintre cuvinte și grupurile de cuvinte semantic nerezolvabile.

FIGURA 6. Structura sintactică a propoziției interogative 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. Tipul relației sintactice

Limba lituaniană are un număr considerabil de inflexiuni. Prin urmare, este foarte important să reprezentăm informațiile despre tipul relațiilor sintactice, deoarece acestea sunt adesea exprimate prin terminațiile cuvintelor. Limba lituaniană are trei tipuri de relații sintactice: interdependența dintre subiect și predicat, coordonarea dintre două sau mai multe cuvinte cu statut sintactic echivalent în propoziție și subordonarea dintre două cuvinte, dintre care unul determină terminația celuilalt. Subordonarea se împarte în regim, acord și adjuncție [Ambrazas 1997: 478]. Fiecare tip de relație sintactică este reprezentat în structură printr-o culoare diferită. Interdependența este reprezentată printr-o săgeată bidirecțională liliachie, deoarece ambele cuvinte determină forma celuilalt; coordonarea – printr-o linie galbenă nedirecționată, deoarece cuvintele nu influențează forma unul altuia; regimul – printr-o săgeată unidirecțională albastră, cu puncte mici; acordul – printr-o săgeată unidirecțională roșie; iar adjuncția – printr-o săgeată unidirecțională verde, cu puncte mari. Prepozițiile, conjuncțiile sau semnele de punctuație sunt reprezentate ca etichete ale săgeților dintre cuvinte. Figura 7 prezintă exemplul unei propoziții cu conjuncție.

FIGURA 7. Structura sintactică a propoziției cu conjuncție Laukais, miškais ir kalvomis ateina saulėtas ruduo. – Prin câmpuri, păduri și dealuri vine toamna însorită.

Straipsniai / Articles

261

DAIVA ŠVEIKAUSKIENĖ

4.2. Grupuri de cuvinte cu relații semantice nerezolvabile

Un grup de cuvinte cu relații semantice nerezolvabile este o combinație de cuvinte în care un cuvânt îl poate extinde pe altul numai atunci când sunt împreună, iar cuvântul dependent poate extinde doar întregul grup. Relația dintre un cuvânt din acel grup și cuvântul pe care îl extinde nu are sens. Mel’chuk descrie un caz similar observat în limba rusă [Mel’chuk 2006: 37]. Un grup de cuvinte cu relații nerezolvabile este plasat într-o singură casetă, reprezentând în interior relațiile sintactice. Figura 8 prezintă structura sintactică a propoziției cu un grup de cuvinte cu relații nerezolvabile: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – Un fermier care deține cinci mii de acri de pământ vinde ieftin legume proaspete. Verbul valdyti – ‘a deține’ este tranzitiv în limba lituaniană și cere acuzativul; prin urmare, cuvântul tūkstančius–‘mie’ este la cazul acuzativ. Numeralele cer cazul genitiv în lituaniană, motiv pentru care cuvântul hektarų–‘acri’ este la cazul genitiv. Din punct de vedere semantic, fermierul nu deține „mii”, deși cuvântul mie este la cazul impus de participiul valdantis–‘care deține’. De fapt, el deține acri, adică acel cuvânt care este la cazul genitiv, impus de numeralul mie. În consecință, grupul de cuvinte tūkstančius hektarų ‘-mii de acri’ are relații semantice nerezolvabile și, prin urmare, ambele cuvinte sunt plasate într-o singură casetă în structura sintactică a propoziției. Cuvântul cinci este un atribut al cuvântului mie, așadar este plasat în aceeași casetă. Atributul neacordat žemės – ‘de pământ’ extinde întreaga casetă, adică întregul grup de cuvinte plasat în casetă, și poate fi înlocuit cu alte atribute neacordate, de exemplu: cinci mii de acri de pădure. Astfel, grupul de cuvinte cu relații semantice nerezolvabile este considerat o singură unitate lexicală.

Combinațiile de numerale (cinci și mie) au relații sintactice duale: acord și regim. Cazul cuvântului „mie” (a cărui terminație este determinată de regimul verbului) determină terminația cuvântului „cinci” – acestea trebuie să aibă terminații concordante (jis valdo penkis tūkstančius hektarų – el deține cinci mii de acri, dar penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – a folosit 10 tone de îngrășăminte pentru cinci mii de acri), iar lexemul „cinci” guvernează cuvântul „mie”, adică îi impune o anumită terminație. De exemplu, în grupurile de cuvinte el deține cinci mii de acri (jis valdo penkis tūkstančius hektarų) și el deține douăzeci de mii de acri (jis valdo dvidešimt tūkstančių hektarų) cuvântul „mie” are terminații diferite în limba lituaniană. De aceea este foarte important să reprezentăm cu mare precizie toate tipurile de relații sintactice.

262

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

FIGURA 8. Structura sintactică a propoziției cu un grup de cuvinte cu relații semantice nerezolvabile Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Un fermier care deține cinci mii de acri de pământ vinde ieftin legume proaspete)

5. OBIECTIVELE ANOTĂRII

Metoda statistică de prelucrare a limbajului natural, mai ales atunci când este utilizată în traducerea automată, nu oferă rezultate satisfăcătoare pentru limba lituaniană. Analiza sintactică statistică nu furnizează nici informații exhaustive. Mai mult, software-ul creat pentru alte limbi nu oferă rezultate suficiente pentru limba lituaniană. V. Daudaravičius a lucrat mult timp la analiza sintactică automată a limbii lituaniene și a scris următoarele: „Naivu manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms. – Este naiv să credem că metodele utilizate cu succes pentru limba engleză sunt potrivite și pentru alte limbi.” [Daudaravičius 2012: 3].

Scopul VILSINTEKS este de a colecta informații fiabile și cuprinzătoare despre gramatica limbii lituaniene în practică. Prin analiza sintactică automată de înaltă calitate, realizată printr-o abordare nestatistică, nestatistic

Straipsniai / Articles

263

DAIVA ŠVEIKAUSKIENĖ

sistemele de traducere automată bazate pe mașini sunt facilitate, în special în generarea de propoziții lituaniene.

VILSINTEKS urmărește să reflecte trăsăturile specifice ale limbii lituaniene. Informații exhaustive despre propozițiile lituaniene vor fi furnizate într-o reprezentare clară, destinată utilizării generale. Corpusul adnotat va fi accesibil gratuit pe Internet. În prezent, se pot obține exemple de propoziții care conțin un anumit cuvânt folosind corpusul de texte creat la Universitatea Vytautas Magnus. VILSINTEKS va furniza exemple de structuri sintactice cu trăsăturile specificate, de pildă, o propoziție simplă în care pronumele are funcția de subiect și altele. Modul de utilizare a corpusului rusesc este descris în mod similar: acesta poate fi folosit pentru a căuta exemple care ilustrează fenomenul lingvistic indicat [НКРЯ –National Corpus of the Russian Language]

Primele 500–1000 de propoziții din corpusul de 2 milioane de cuvinte al limbii lituaniene contemporane (jurnalism) vor fi adnotate manual. Ulterior, adnotarea va fi semiautomată. Analiza sintactică automată a limbii lituaniene, astfel realizată, va fi folosită pentru adnotare, urmată de verificarea de către un specialist.

În timpul procesului de adnotare, software-ul va fi îmbunătățit ținând cont de greșelile identificate. Sarcina cea mai importantă este pregătirea unei analize sintactice automate a limbii lituaniene care să funcționeze bine și care să poată fi folosită la crearea unui sistem de traducere automată prin transfer. În metoda TRANSFER, analiza sintactică reprezintă a doua etapă. Este de așteptat ca adnotarea sintactică a corpusului să contribuie la îmbunătățirea analizei sintactice automate.

Pentru adnotare se folosesc tabele Excel, deoarece oferă o reprezentare clară și permit obținerea cu ușurință a formatului XML. Informațiile VILSINTEX vor fi accesibile gratuit și în format XML. Astfel, acestea pot fi folosite, printre altele, pentru cercetări statistice asupra limbii lituaniene și pentru regăsirea informațiilor despre gramatica limbii lituaniene.

6. CONCLUZII

Graful este folosit pentru a reprezenta structura sintactică a propozițiilor lituaniene, deoarece un arbore nu poate reflecta toate informațiile sintactice pe care le conține o propoziție lituaniană. Două exemple de adnotare statistică arată că arborele este insuficient pentru reprezentarea structurii sintactice a propozițiilor lituaniene.

Pentru corpusul lituanian se folosește o adnotare dublă: tabelul descrie informațiile exhaustive despre propoziție și cuvintele sale, iar structura sintactică a propoziției este reprezentată într-o imagine.

264

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

În tabel sunt reprezentate trei tipuri de informații: informații despre întreaga propoziție (interogativă, eliptică, impersonală); informații despre fiecare cuvânt al propoziției (date morfologice, sintactice și semantice); și informații nongramaticale (cuvinte lipsă din propozițiile eliptice, antecedentul pronumelui din interiorul și din afara propoziției, forma numerică a numeralului și invers, formele integrale ale cuvintelor corespunzătoare acronimelor).

În prima etapă, structura sintactică a propoziției lituaniene este împărțită în trei părți: grupul subiectului, grupul predicatului și semnul de la sfârșitul propoziției. Acesta din urmă este foarte important, deoarece, în unele cazuri, este singurul criteriu care permite stabilirea tipului propoziției (enunțiativă sau interogativă).

Relațiile sintactice sunt reprezentate în structura sintactică a propoziției prin culori și stiluri de linie diferite, în funcție de tipul relației.

Grupurile de cuvinte ireductibile semantic sunt plasate într-o singură casetă, reprezentând relațiile sintactice din interiorul lor.

Scopul VILSINTEKS este de a furniza informații exhaustive și fiabile despre propozițiile lituaniene. Acesta poate fi utilizat pentru cercetarea statistică a limbii lituaniene și pentru regăsirea informațiilor privind gramatica lituaniană. De asemenea, poate fi util la crearea unui sistem de traducere automată non-statistică.

VILSINTEKS își propune să colecteze informații gramaticale despre gramatica lituaniană în practică.

Primele propoziții sunt adnotate manual. Ulterior, adnotarea va fi semiautomată. Pentru adnotare se folosesc tabele Excel, deoarece oferă o reprezentare clară pentru utilizarea de către oameni, iar corpusul adnotat va fi accesibil gratuit pe Internet. Formatul XML poate fi obținut cu ușurință din tabelele Excel. Informațiile VILSINTEKS vor fi, de asemenea, accesibile gratuit în format XML. Astfel, informațiile VILSINTEKS pot fi utilizate pentru cercetarea statistică a limbii lituaniene și pentru regăsirea informațiilor despre gramatica lituaniană.

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