High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

DAIVA ŠVEIKAUSKIENĖ معهد اللغة الليتوانية مجالات البحث: اللسانيات الحاسوبية، وبناء المدونات المشجّرة، وطبقات التعليق. مدونة مشروحة نحويًا للغة الليتوانية عالية الجودة – VILSINTEKS مدونة مشروحة نحويًا للغة الليتوانية عالية الجودة VILSINTEKS التعليق تقدم هذه الورقة نوعين من التعليق يُستخدمان لإعداد تعليق عالي الجودة على المدونة الليتوانية. وتُعرض معلومات شاملة عن الجملة في جدول، كما تُعرض بنيتها النحوية في صورة. ويُستفاد من خبرات اللغات الأخرى، مع مراعاة السمات الخاصة باللغة الليتوانية. وتُبيّن الأمثلة المشروحة إحصائيًا قصور التمثيل الشجري للبنية النحوية للجمل الليتوانية. كما يُؤكَّد بوضوح هدف إنشاء مدونة مشروحة تتضمن معلومات شاملة. وتُقدَّم أمثلة للجمل المشروحة تعكس السمات الخاصة باللغة الليتوانية. الكلمات المفتاحية: مدونة مشروحة نحويًا؛ التمثيل البياني للبنية النحوية؛ طبقات التعليق في المدونة الليتوانية؛ قصور التمثيل الشجري للجمل الليتوانية؛ هدف المدونة المشروحة نحويًا. التعليق تناقش المقالة التعليقَ المنفذ على مستويين والمستخدم لإنشاء مدوّنة عالية الجودة مشروحة للغة الليتوانية. تُعرض المعلومات التفصيلية عن الجملة في جدول، بينما تُرسم بنية الجملة النحوية بيانيًا. ويُستفاد من خبرات اللغات الأخرى مع مراعاة السمات الخاصة باللغة الليتوانية. ويُبيَّن قصور الشجرة في تمثيل البنية النحوية للجمل الليتوانية بأمثلة لجمل مشروحة باستخدام الأساليب الإحصائية 252 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS وتؤكد المقالة أيضًا بوضوح هدف إنشاء مدوّنة مشروحة ستُجمع فيها معلومات تفصيلية. وتُقدَّم أمثلة لجمل مشروحة تعكس السمات الخاصة باللغة الليتوانية. الكلمات المفتاحية: مدوّنة مشروحة نحويًا، تمثيل بنية الجملة بالرسم البياني، مستويات شرح المدوّنة، قصور الشجرة في تمثيل الجمل الليتوانية، هدف إنشاء المدوّنة. 1. المقدمة 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. من بين النوعين الرئيسيين لتمثيل البنية النحوية، وهما نحو بنية العبارة ونحو التبعية، اختير الأخير للغة الليتوانية لأن «...نحو التبعية كان أكثر ما استمال دارسي اللغات ذات الترتيب الحر نسبيًا للكلمات...» [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. شرح المدوّنة الليتوانية كُتب وقيل مؤخرًا الكثير عن انخفاض مستوى حوسبة اللغة الليتوانية. ووفقًا لبيانات META-NET Straipsniai / Articles 253 DAIVA ŠVEIKAUSKIENĖ المشروع، تنتمي اللغة الليتوانية إلى مجموعة اللغات الأوروبية الأقل حوسبةً [Vaišnienė, Zabarskaitė 2012: 35]. ولا تحقق البرمجيات التي أُنشئت للغات أخرى نتائج مُرضية عند تطبيقها على اللغة الليتوانية. لقد حان الوقت للحديث لا عن ضعف حوسبة اللغة الليتوانية، بل عن جودة حوسبتها. ولذلك، يجدر بنا العودة إلى اللغة الليتوانية ومحاولة إنشاء برمجيات خاصة بحوسبتها، بهدف تحقيق حوسبة عالية الجودة للغة الليتوانية. بدأت المحاولات الأولى للتوسيم النحوي للمدونة الليتوانية عام 2013. وأُنشئت المدونة الموسومة نحويًا VILSINTEKS في معهد اللغة الليتوانية في Vilnius. ونسعى إلى توفير أكبر قدر ممكن من البيانات المتعلقة بالجملة، ولا سيما إذا كانت من البيانات اللازمة أثناء عملية الترجمة. وتُقدَّم معلومات شاملة في Prague Dependency Treebank، التي تتضمن توسيمًا من ثلاثة مستويات [Hajič 2000: 103]. ولم يكن من الممكن عرض مزيد من مستويات التوسيم في صورة واحدة، الشكل 1. مثال على البنية النحوية للجملة الليتوانية Jie gali būti kitokie – They can be different 254 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS لذلك قررنا تقسيم تمثيل المعلومات إلى جزأين عند التعامل مع الجمل الليتوانية: جدول يتضمن المعلومات الصرفية والنحوية والدلالية، على أن تُعرض البنية النحوية في صورة. تُستخدم الرسوم البيانية ذات الدورات للجمل الليتوانية، لأن الشجرة لا تستطيع أن تعكس كامل المعلومات النحوية التي تتضمنها الجملة الليتوانية. وتتعلق الصفة الخبرية بجزأين من الجملة: بالفاعل أو المفعول به، وبالمسند. وتُعبَّر هذه العلاقات شكليًا، ولا يجوز تجاهلها (للمزيد من التفاصيل، انظر Šveikauskienė 2005: 412). يوضح الشكل 1 البنية النحوية لجملة العنوان. وهي تتضمن مسندًا له علاقات معبَّر عنها شكليًا بالفاعل والمسند، ويجب تمثيل كلتا العلاقتين من خلال توسيم المدونة. الشكل 2. جملة محللة إحصائيًا 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] الشكل 3. جملة محللة إحصائيًا 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 يجب أن تكون للخبر اللاحقة المطابقة للفاعل، وأن يرتبط في الوقت نفسه بالمسند؛ أي إنه ليس نعتًا للفاعل. أظهرت المحاولات الأولى لإعراب المدونة الليتوانية نحويًا أن البرمجيات التي أُنشئت للغات أخرى لم تحقق نتائج جيدة في اللغة الليتوانية. وقد أُعرِبت إحصائيًا نحو 1500 جملة في جامعة كاوناس للتكنولوجيا [Kapociūtė, Nivre, Krupavičius 2013: 12]. وأظهرت النتائج المعروضة قصور المعلومات المضمّنة في الشكل 4. جملة محللة في VILSINTEKS Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia 256 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS الشكل 5. جملة محللة في VILSINTEKS Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis Straipsniai / Articles 257 DAIVA ŠVEIKAUSKIENĖ بنية الجمل. يوضح الشكلان جملتين محللتين، تفتقر كلتاهما إلى معلومات بالغة الأهمية. تفتقر الجملة الأولى إلى السهم بين المسند negeria والفاعل tas (الشكل 2). في الجملة الثانية، لا تُبيَّن علاقة المطابقة بين الكلمتين medį وkuriame، اللتين تتطابق نهايتاهما (الشكل 3)، مع أن المؤلفين كتبوا في المقالة نفسها: «يجب أن تتطابق الصفة التي تصف اسمًا في الجنس والعدد والحالة الإعرابية». يجب أن تتطابق الكلمتان medį وkuriame في الجنس والعدد، وهذه المعلومة غائبة عن بنية الجملة. ومن الصعب التسليم بأن العلاقتين بين الكلمتين kuriame sėdėjau – in which I sat وpro medį – through the tree من النوع نفسه. تُعرض هذه الجمل، المعربة وفق الطريقة المستخدمة في VILSINTEKS، في الشكلين 4 و5 على التوالي. 3. طبقات التعليق في الجدول تتضمن المعلومات الواردة في الجدول ثلاثة أنواع: معلومات عن الجملة بأكملها، معلومات عن كلمات الجملة، معلومات غير نحوية عن الكلمات والجملة. 3.1. معلومات عن الجملة بأكملها تتألف المعلومات المتعلقة بالجملة بأكملها من رمزها، أي موضعها في المدونة، ونوعها، وخصائصها. وتتمثل خاصية الجملة في سمة لها تُحدَّد بالنظر إلى وظيفتها في النص، أي ما إذا كانت عنوانًا أو اسم مؤلف أو عنوانًا فرعيًا أو جملة من متن النص. ويشير نوع الجملة إلى المعلومات التواصلية، أي ما إذا كانت خبرية أو أمرية أو استفهامية، إلخ، وإلى المعلومات التركيبية: شخصية، أو غير شخصية، أو ناقصة، أو بسيطة، أو مركبة، إلخ. [Ambrazas 1997: 573]. 3.2. معلومات عن كلمات الجملة تُرفق بكل كلمة بيانات عن رقمها في الجملة، وبياناتها الصرفية (الزمن، والحالة الإعرابية، والجنس، إلخ)، وصيغتها المعجمية، وبيانات عن دلالتها المعجمية، 258 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS الوظيفة النحوية، والعلاقات النحوية المباشرة مع الكلمات الأخرى في الجملة، والحالات الدلالية. بما أن ترتيب الكلمات في اللغة الليتوانية لا يحمل عادةً أي معلومات نحوية، فإن سمات الدلالة المعجمية مهمة جدًا لتحديد وظيفتها النحوية. فالاسم في حالة النصب الذي يدل على الزمن يكون متممًا ظرفيًا، أما إذا لم يدل على الزمن فيكون مفعولًا به. وإذا ورد اسمان في حالة النصب في الجملة، تكون سمة الدلالة المعجمية أحيانًا المعيار الوحيد الذي يتيح تحديد الوظيفة النحوية. 3.3. معلومات غير نحوية عن الكلمات والجملة تُدرج المعلومات الأسلوبية المتعلقة بالكلمة في الجدول. وهي تساعد على اختيار المقابل المناسب في اللغة الأخرى عند ترجمة الكلمة. 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. يحتوي الجدول على الكلمات المحذوفة في الجمل ذات الحذف، وعلى الفاعل المحذوف الذي يُعبَّر عنه بضمير شخصي. وهذا شائع جدًا في اللغة الليتوانية، إذ يمكن استنتاجه من نهاية الفعل. كما يُحذف عادةً الرابط في الخبر في زمن المضارع، ولذلك يتضمن الجدول هذه الكلمات المحذوفة. تُكتب الاختصارات في الجدول بصيغها الكاملة. تُعرض الأعداد في الجدول أيضًا بالأرقام، كما تُمثَّل الأرقام بالكلمات، لأن التعبير المعجمي عن الأعداد قد يختلف من لغة إلى أخرى. Straipsniai / Articles 259 DAIVA ŠVEIKAUSKIENĖ 4. أنواع المعلومات في البنية النحوية في البنية النحوية، تُقسَّم الجملة في المرحلة الأولى إلى مجموعة اسمية، ومجموعة فعلية، وعلامة نهاية الجملة. ولأن ترتيب الكلمات في اللغة الليتوانية حر، تكون علامة نهاية الجملة أحيانًا الوسيلة الوحيدة لتحديد نوع الجملة، أي ما إذا كانت خبرية أم استفهامية، مثلًا، Tu šiandien laimėjai prizą. – You have won a prize today. وTu šiandien laimėjai prizą? – Have you won a prize today?. يوضح الشكل 6 البنية النحوية للجملة الاستفهامية. ويُختار ترجمة الجملة بحسب علامة نهايتها. وإضافة إلى ذلك، تُمثَّل بنية الجملة باستخدام نحو التبعية. ورأس المجموعة الاسمية هو الفاعل، وتُعرض تحته الكلمات التي توسّعه؛ أما رأس المجموعة الخبرية فهو المسند، وتوجد الكلمات التابعة له أسفل منه. وهناك حقلان آخران مهمان جدًا في وسم المدونة الليتوانية، وهما نوع العلاقات النحوية بين الكلمات والمجموعات الكلامية التي يتعذر حسم دلالتها. الشكل 6. البنية النحوية للجملة الاستفهامية 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. نوع العلاقة النحوية تتميز اللغة الليتوانية بوفرة التصريفات. لذا، من المهم جدًا تمثيل المعلومات المتعلقة بنوع العلاقات النحوية، لأنها كثيرًا ما تُعبَّر عنها بنهايات الكلمات. وللغة الليتوانية ثلاثة أنواع من العلاقات النحوية: التلازم بين الفاعل والمسند، والتنسيق بين كلمتين أو أكثر متساوية في وضعها النحوي في الجملة، والتبعية بين كلمتين تحدد إحداهما نهاية الأخرى. وتنقسم التبعية إلى التعدية والمطابقة والمجاورة [Ambrazas 1997: 478]. ويُمثَّل كل نوع من العلاقات النحوية في البنية بلون مختلف. ويُمثَّل التلازم بسهم بنفسجي ثنائي الاتجاه، لأن كلتا الكلمتين تحددان صيغة إحداهما الأخرى؛ والتنسيق بخط أصفر بلا اتجاه، لأن الكلمات لا تؤثر إحداها في صيغة الأخرى؛ والتعدية بسهم أزرق صغير أحادي الاتجاه ومنقّط؛ والمطابقة بسهم أحمر أحادي الاتجاه؛ والمجاورة بسهم أخضر كبير أحادي الاتجاه ومنقّط. وتُمثَّل حروف الجر وأدوات الربط وعلامات الترقيم بتسميات للأسهم بين الكلمات. ويعرض الشكل 7 مثالًا لجملة تتضمن أداة ربط. الشكل 7. البنية النحوية لجملة تتضمن أداة ربط Laukais, miškais ir kalvomis ateina saulėtas ruduo. – Through fields, forests and hills the sunny autumn comes. Straipsniai / Articles 261 DAIVA ŠVEIKAUSKIENĖ 4.2. مجموعات الكلمات غير القابلة للحل دلاليًا مجموعة الكلمات غير القابلة للحل دلاليًا هي تركيبٌ لا تستطيع فيه كلمةٌ توسيعَ كلمةٍ أخرى إلا عند اجتماعهما، ولا تستطيع الكلمة التابعة توسيعَ سوى المجموعة بأكملها. ولا تكون للعلاقة بين إحدى كلمات المجموعة والكلمة التي توسّعها دلالة. ويصف Mel’chuk حالة مشابهة رُصدت في اللغة الروسية [Mel’chuk 2006: 37]. وتوضع مجموعة الكلمات غير القابلة للحل داخل صندوق واحد، مع تمثيل العلاقات النحوية داخلها. ويعرض الشكل 8 البنية النحوية لجملة تتضمن مجموعة كلمات غير قابلة للحل دلاليًا: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – A farmer owning five thousand acres of land sells cheap fresh vegetables. الفعل valdyti – ‘to own’ متعدٍ في اللغة الليتوانية ويتطلب حالة النصب؛ لذلك تأتي الكلمة tūkstančius–‘thousand’ في حالة النصب. وتتطلب الأعداد حالة المضاف إليه في الليتوانية، ولذلك تأتي الكلمة hektarų–‘acres’ في حالة المضاف إليه. ولا يملك المزارع «ألفًا» من الناحية الدلالية، رغم أن الكلمة thousand تأتي في الحالة التي يتحكم بها اسم الفاعل valdantis–‘owning’. بل إنه يملك هكتارات، أي الكلمة التي تأتي في حالة المضاف إليه، وهي الحالة التي يتحكم بها العدد thousand. وبناءً على ذلك، فإن مجموعة الكلمات tūkstančius hektarų ‘-thousand acres’ غير قابلة للحل دلاليًا، ولذلك توضع الكلمتان معًا في صندوق واحد ضمن البنية النحوية للجملة. والكلمة five نعتٌ للكلمة thousand، لذا توضع في الصندوق نفسه. أما النعت غير المطابق žemės – ‘of land’ فيوسّع الصندوق كله، أي مجموعة الكلمات بأكملها الموجودة في الصندوق، ويمكن استبداله بصفات غير مطابقة أخرى، مثل: five thousand acres of forest. وهكذا، تُعد مجموعة الكلمات غير القابلة للحل دلاليًا وحدةً معجمية واحدة. لتركيبات الأعداد (five and thousand) علاقتان نحويتان: المطابقة والتعدية. فحالة كلمة «thousand» (التي تحدد نهايتها تعدية الفعل) تحدد نهاية كلمة «five»؛ إذ يجب أن تتطابق نهايتاهما (jis valdo penkis tūkstančius hektarų – he owns five thousand acres، لكن penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – he used 10 tons of manure for five thousand acres)، كما أن لفظة «five» تتحكم في كلمة «thousand»، أي إنها تقتضي لها نهاية محددة. فعلى سبيل المثال، في مجموعتي الكلمات he owns five thousand acres (jis valdo penkis tūkstančius hektarų) وhe owns twenty thousand acres (jis valdo dvidešimt tūkstančių hektarų)، تأتي كلمة thousand بنهايات مختلفة في اللغة الليتوانية. ولهذا فمن المهم جدًا أن نمثّل جميع أنواع العلاقات النحوية بدقة تامة. 262 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS الشكل 8. البنية النحوية لجملة تتضمن مجموعة كلمات غير قابلة للحل دلاليًا Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Farmer owning five thousand acres of land sells cheap fresh vegetables) 5. أهداف الوسم لا تحقق الطريقة الإحصائية لمعالجة اللغة الطبيعية، ولا سيما عند استخدامها في الترجمة الآلية، نتائج مُرضية للغة الليتوانية. كما أن التحليل النحوي الإحصائي لا يوفر معلومات شاملة. إضافة إلى ذلك، لا تحقق البرمجيات المُنشأة للغات أخرى نتائج كافية للغة الليتوانية. وقد عمل V. Daudaravičius طويلًا على التحليل النحوي الآلي للغة الليتوانية، وكتب ما يلي: “Naivu manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms. – It is naive to think that the methods, which are successfully used for the English language, are suitable for other languages too.” [Daudaravičius 2012: 3]. هدف VILSINTEKS هو جمع معلومات موثوقة وشاملة عن قواعد اللغة الليتوانية من الناحية العملية. ومن خلال التحليل النحوي الآلي عالي الجودة الذي أُنجز باتباع نهج غير إحصائي، وبطريقة غير إحصائية Straipsniai / Articles 263 DAIVA ŠVEIKAUSKIENĖ تُتاح أنظمة الترجمة الآلية القائمة على الآلة عالية الجودة، ولا سيما في توليد الجمل الليتوانية. يسعى VILSINTEKS إلى إبراز السمات الخاصة باللغة الليتوانية. وستُقدَّم معلومات شاملة عن الجمل الليتوانية في تمثيل واضح للاستخدام العام. وستكون المدونة المشروحة متاحة مجانًا على الإنترنت. ويمكن حاليًا الحصول على أمثلة للجمل التي تحتوي على كلمة معينة باستخدام المدونة النصية التي أُنشئت في جامعة Vytautas Magnus. وسيقدّم VILSINTEKS أمثلة على البنية النحوية ذات السمات المحددة، مثل جملة بسيطة يكون فيها الضمير مسندًا إليه، وغير ذلك. ويُوصَف استخدام المدونة الروسية على نحو مماثل: إذ يمكن استخدامها في وضع البحث عن أمثلة توضح الظاهرة اللغوية المحددة [НКРЯ –National Corpus of the Russian Language] ستُوسم يدويًا أول 500–1000 جملة من مدونة اللغة الليتوانية المعاصرة (الصحافة)، التي تضم مليونَي كلمة. وبعد ذلك، سيكون الوسم شبه آلي. وسيُستخدم التحليل النحوي الآلي للغة الليتوانية الناتج عن ذلك في الوسم، على أن يتبعه تدقيق بشري. ستُحسَّن البرمجيات أثناء عملية الوسم مع مراعاة الأخطاء التي جرى تحديدها. وتتمثل المهمة الأهم في إعداد تحليل نحوي آلي للغة الليتوانية يعمل جيدًا، ويمكن استخدامه في إنشاء نظام ترجمة آلية بالنقل. وباستخدام منهج TRANSFER، تكون الخطوة الثانية هي التحليل النحوي. ومن المتوقع أن يسهم الوسم النحوي للمدونة في تحسين التحليل النحوي الآلي. تُستخدم جداول Excel في الوسم لأنها توفر تمثيلًا واضحًا، كما يسهل استخراج صيغة XML منها. وستكون معلومات VILSINTEX متاحة مجانًا بصيغة XML أيضًا. وبالتالي، يمكن استخدامها في الأبحاث الإحصائية المتعلقة باللغة الليتوانية، وفي استرجاع المعلومات عن قواعد اللغة الليتوانية، ضمن استخدامات أخرى. 6. الاستنتاجات يُستخدم الرسم البياني لتمثيل البنية النحوية للجمل الليتوانية، لأن الشجرة لا تستطيع تمثيل جميع المعلومات النحوية التي تتضمنها الجملة الليتوانية. ويُظهر مثالان للوسم الإحصائي قصور الشجرة عن تمثيل البنية النحوية للجمل الليتوانية. يُستخدم وسم مزدوج لمدونة اللغة الليتوانية: فالجدول يصف المعلومات الشاملة عن الجملة وكلماتها، بينما تُمثَّل البنية النحوية للجملة في صورة. 264 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS تتألف المعلومات المعروضة في الجدول من ثلاثة أنواع: معلومات عن الجملة بأكملها (استفهامية، ناقصة، غير شخصية)؛ ومعلومات عن كل كلمة في الجملة (بيانات صرفية ونحوية ودلالية)؛ ومعلومات غير نحوية (الكلمات المحذوفة في الجمل الناقصة، ومرجع الضمير داخل الجملة وخارجها، والتعبير العددي للأعداد والعكس، والمقابلات الكاملة للألفاظ المختصرة). تُقسَّم البنية النحوية للجملة الليتوانية في المرحلة الأولى إلى ثلاثة أجزاء: مجموعة المسند إليه، ومجموعة المسند، وعلامة نهاية الجملة. والأخيرة مهمة للغاية، لأنها في بعض الحالات المعيار الوحيد الذي يتيح تحديد نوع الجملة (خبرية أم استفهامية). تُمثَّل العلاقات النحوية في البنية النحوية للجملة بألوان وأنماط خطوط مختلفة وفقًا لنوع العلاقة. تُوضَع مجموعات الكلمات التي يتعذر حسم دلالتها في صندوق واحد، مع تمثيل العلاقات النحوية داخلها. يتمثل هدف VILSINTEKS في توفير معلومات شاملة وموثوقة عن الجمل الليتوانية. ويمكن استخدامه في الأبحاث الإحصائية للغة الليتوانية، وفي استرجاع المعلومات المتعلقة بقواعد اللغة الليتوانية. كما يمكن أن يسهم في إنشاء نظام ترجمة آلية غير إحصائي. يهدف VILSINTEKS إلى جمع المعلومات النحوية المتعلقة بقواعد اللغة الليتوانية في التطبيق العملي. تُوسَم الجمل الأولى يدويًا. ولاحقًا، سيكون الوسم شبه آلي. وتُستخدم جداول Excel للوسم لأنها تتيح عرضًا واضحًا للاستخدام البشري، كما سيكون الوصول إلى المدونة الموسومة متاحًا مجانًا على الإنترنت. ومن السهل استخراج تنسيق XML من جداول Excel. وستكون معلومات VILSINTEKS متاحة مجانًا أيضًا بتنسيق XML. وبذلك، يمكن استخدام معلومات VILSINTEKS في الأبحاث الإحصائية للغة الليتوانية وفي استرجاع المعلومات المتعلقة بقواعد اللغة الليتوانية. 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