High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

DAIVA ŠVEIKAUSKIENĖ Instytut Języka Litewskiego Dziedziny badań: lingwistyka komputerowa, tworzenie treebanków, warstwy anotacji. WYSOKIEJ JAKOŚCI SKŁADNIOWO ANOTOWANY KORPUS JĘZYKA LITEWSKIEGO – VILSINTEKS Wysokiej jakości składniowo anotowany korpus tekstów w języku litewskim VILSINTEKS ANOTACJA W artykule przedstawiono dwupoziomową anotację, stosowaną do wysokiej jakości anotacji korpusu litewskiego. W tabeli podano wyczerpujące informacje o zdaniu, a na ilustracji przedstawiono jego strukturę składniową. Wykorzystano doświadczenia dotyczące innych języków, uwzględniając specyficzne cechy języka litewskiego. Statystycznie anotowane przykłady pokazują, że reprezentacja struktury składniowej zdań litewskich w postaci drzewa jest niewystarczająca. Wyraźnie podkreślono również cel stworzenia anotowanego korpusu zawierającego wyczerpujące informacje. Podano przykłady anotowanych zdań, które odzwierciedlają specyficzne cechy języka litewskiego. SŁOWA KLUCZOWE: składniowo anotowany korpus; grafowa reprezentacja struktury składniowej; warstwy anotacji w korpusie litewskim; niewystarczalność reprezentacji zdań litewskich w postaci drzewa; cel składniowo anotowanego korpusu. ADNOTACJA W artykule omówiono anotację przeprowadzaną na dwóch poziomach, stosowaną do stworzenia wysokiej jakości anotowanego korpusu tekstów w języku litewskim. Szczegółowe informacje o zdaniu podaje się w tabeli, natomiast strukturę składniową zdania przedstawia się graficznie. Wykorzystuje się doświadczenia dotyczące innych języków, uwzględniając specyficzne cechy języka litewskiego. Niewystarczalność drzewa w przedstawianiu struktury składniowej zdań litewskich pokazano statystycznie 252 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS na przykładach zdań anotowanych metodami. W artykule wyraźnie podkreślono również cel stworzenia anotowanego korpusu, w którym zostaną zgromadzone szczegółowe informacje. Przedstawiono przykłady anotowanych zdań odzwierciedlających specyficzne cechy języka litewskiego. SŁOWA KLUCZOWE: korpus anotowany składniowo, przedstawianie struktury zdania za pomocą grafu, poziomy anotacji korpusu, niewystarczalność drzewa w przedstawianiu zdań litewskich, cel tworzenia korpusu. 1. WPROWADZENIE 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. Spośród dwóch głównych typów reprezentacji struktury składniowej — gramatyki struktur frazowych i gramatyki zależnościowej — w odniesieniu do języka litewskiego wybrano tę drugą, ponieważ „...gramatyka zależnościowa najbardziej przemawia do osób uczących się języków o stosunkowo swobodnym szyku wyrazów...” [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. ANOTACJA KORPUSU LITEWSKIEGO Ostatnio wiele mówiono i pisano o niskim stopniu komputeryzacji języka litewskiego. Według danych META-NET Straipsniai / Articles 253 DAIVA ŠVEIKAUSKIENĖ projektu, język litewski należy do grupy najmniej skomputeryzowanych języków europejskich [Vaišnienė, Zabarskaitė 2012: 35]. Oprogramowanie stworzone dla innych języków nie daje zadowalających rezultatów, gdy stosuje się je do języka litewskiego. Najwyższy czas mówić nie o niskim stopniu komputeryzacji języka litewskiego, lecz o jakości jego komputeryzacji. Warto zatem przyjrzeć się językowi litewskiemu i spróbować stworzyć własne oprogramowanie do jego komputeryzacji, aby zapewnić jej wysoką jakość. Pierwsze próby anotacji składniowej korpusu litewskiego podjęto w 2013 roku. Korpus anotowany składniowo VILSINTEKS powstał w Instytucie Języka Litewskiego w Wilnie. Dążymy do udostępnienia jak największej ilości danych dotyczących zdania, zwłaszcza jeśli są to dane potrzebne w procesie tłumaczenia. Wyczerpujące informacje zawiera Praski Korpus Zależnościowy, który ma trzypoziomową anotację [Hajič 2000: 103]. Większej liczby poziomów anotacji nie dało się przedstawić na jednym rysunku. RYSUNEK 1. Przykład struktury składniowej zdania litewskiego Jie gali būti kitokie – They can be different 254 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS osiągnąć, dlatego zdecydowaliśmy się podzielić prezentację informacji o zdaniach litewskich na dwie części: tabelę zawierającą informacje morfologiczne, składniowe i semantyczne oraz rysunek przedstawiający strukturę składniową. W przypadku zdań litewskich stosuje się graf z cyklami, ponieważ drzewo nie jest w stanie odzwierciedlić wszystkich informacji składniowych zawartych w zdaniu litewskim. Atrybut predykatywny zależy od dwóch części zdania: podmiotu lub dopełnienia oraz orzeczenia. Zależności te są formalnie wyrażone i nie można ich pominąć (więcej szczegółów zob. Šveikauskienė 2005: 412). Rysunek 1 przedstawia strukturę składniową zdania tytułowego. Zawiera ono orzecznik, który pozostaje w formalnie wyrażonych relacjach z podmiotem i orzeczeniem, a obie te relacje należy przedstawić w anotacji korpusu. RYSUNEK 2. Zdanie poddane analizie statystycznej 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] RYSUNEK 3. Zdanie poddane analizie statystycznej 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 Orzecznik musi mieć końcówkę zgodną z podmiotem, a zarazem jest przyłączony do orzeczenia; to znaczy, nie jest określeniem podmiotu. Pierwsze próby składniowego anotowania litewskiego korpusu wykazały, że oprogramowanie stworzone dla innych języków nie dawało dobrych wyników w języku litewskim. Na Uniwersytecie Technologicznym w Kownie anotowano statystycznie około 1500 zdań [Kapociūtė, Nivre, Krupavičius 2013: 12]. Przedstawione wyniki pokazały niewystarczalność informacji ukrytych w RYSUNEK 4. Zdanie z analizą składniową VILSINTEKS Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia 256 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS RYSUNEK 5. Zdanie z analizą składniową VILSINTEKS Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis Straipsniai / Articles 257 DAIVA ŠVEIKAUSKIENĖ struktury zdań. Oba rysunki przedstawiają dwa zdania z analizą składniową, w których brakuje bardzo ważnych informacji. W pierwszym zdaniu brakuje strzałki między orzeczeniem negeria a podmiotem tas (Rysunek 2). W drugim zdaniu nie przedstawiono relacji zgody między dwoma wyrazami medį i kuriame, które mają zgodne końcówki (Rysunek 3), choć autorzy tego samego artykułu napisali: „przymiotnik określający rzeczownik musi być zgodny pod względem RODZAJU, LICZBY i PRZYPADKU”. Wyrazy medį i kuriame muszą być zgodne pod względem rodzaju i liczby, a tej informacji brakuje w strukturze zdania. Trudno zgodzić się, że relacje między wyrażeniami kuriame sėdėjau – in which I sat oraz pro medį – through the tree są tego samego rodzaju. Zdania anotowane zgodnie z metodą zastosowaną w VILSINTEKS przedstawiono odpowiednio na Rysunku 4 i Rysunku 5. 3. WARSTWY ADNOTACJI W TABELI Informacje w tabeli są trojakiego rodzaju: Informacje o całym zdaniu, Informacje o wyrazach w zdaniu, Informacje niegramatyczne o wyrazach i zdaniu. 3.1. Informacje o całym zdaniu Informacje dotyczące całego zdania obejmują jego kod, czyli jego pozycję w korpusie, jego typ i cechy. Cechą zdania jest jego właściwość uwzględniająca jego funkcję w tekście, czyli to, czy jest tytułem, nazwiskiem autora, podtytułem czy zdaniem tekstu. Typ zdania wskazuje informacje komunikacyjne, czyli to, czy jest ono oznajmujące, rozkazujące, pytające itd., oraz informacje strukturalne: osobowe, bezosobowe, eliptyczne, proste, złożone itd. [Ambrazas 1997: 573]. 3.2. Informacje o wyrazach w zdaniu Każdy wyraz otrzymuje dane o swoim numerze w zdaniu, dane morfologiczne (czas, przypadek, rodzaj itd.), lemat, dane dotyczące jego semantyki leksykalnej, 258 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS funkcja składniowa, bezpośrednie relacje składniowe z innymi wyrazami w zdaniu oraz przypadki głębokie. Ponieważ szyk wyrazów w języku litewskim zwykle nie niesie informacji składniowej, cechy semantyki leksykalnej są bardzo ważne przy identyfikowaniu funkcji składniowej wyrazu. Rzeczownik w bierniku z cechą czasu pełni funkcję okolicznika, a bez niej – dopełnienia. Jeśli w zdaniu występują dwa rzeczowniki w bierniku, cecha semantyki leksykalnej jest czasem jedynym kryterium pozwalającym określić ich funkcję składniową. 3.3. Informacje pozagramatyczne o wyrazach i zdaniu Informacje stylistyczne o wyrazie podano w tabeli. Pomagają one wybrać właściwy odpowiednik w innym języku podczas tłumaczenia wyrazu. 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. Tabela zawiera brakujące wyrazy w zdaniach eliptycznych oraz pominięty podmiot wyrażony zaimkiem osobowym. W języku litewskim zdarza się to bardzo często. Można go odgadnąć na podstawie końcówki czasownika. Łącznik w orzeczeniu w czasie teraźniejszym również jest zwykle pomijany, dlatego tabela zawiera te brakujące wyrazy. W tabeli akronimy zapisano w pełnej postaci. Liczby przedstawiono dodatkowo w tabeli za pomocą cyfr, a cyfry za pomocą liczb, ponieważ leksykalne wyrażenia liczb mogą się różnić w poszczególnych językach. Straipsniai / Articles 259 DAIVA ŠVEIKAUSKIENĖ 4. TYPY INFORMACJI W STRUKTURZE SKŁADNIOWEJ Na pierwszym etapie w strukturze składniowej zdanie dzieli się na grupę nominalną, grupę czasownikową i znak kończący zdanie. Język litewski ma swobodny szyk wyrazów, a czasami znak kończący zdanie jest jedynym środkiem pozwalającym określić typ zdania, tj. czy jest to zdanie oznajmujące, czy pytające, na przykład, Tu šiandien laimėjai prizą. – You have won a prize today. oraz Tu šiandien laimėjai prizą? – Have you won a prize today?. Rysunek 6 przedstawia strukturę składniową zdania pytającego. Tłumaczenie zdania wybiera się na podstawie znaku kończącego zdanie. Ponadto strukturę zdania przedstawiono za pomocą gramatyki zależnościowej. Głową grupy podmiotu jest podmiot, a poniżej przedstawiono wyrazy, które go rozwijają; głową grupy orzeczenia jest orzeczenie, a poniżej znajdują się wyrazy od niego zależne. Dwa inne pola, bardzo ważne przy anotowaniu korpusu litewskiego, to typ relacji składniowych między wyrazami oraz grupy wyrazów, których znaczenia nie da się rozstrzygnąć. RYSUNEK 6. Struktura składniowa zdania pytającego 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. Rodzaj relacji syntaktycznej Język litewski ma bardzo bogatą fleksję. Dlatego bardzo ważne jest przedstawienie informacji o rodzaju relacji syntaktycznych, ponieważ często wyrażają je końcówki wyrazów. W języku litewskim występują trzy rodzaje relacji syntaktycznych: współzależność między podmiotem a orzeczeniem, współrzędność między co najmniej dwoma wyrazami o równorzędnym statusie syntaktycznym w zdaniu oraz podrzędność między dwoma wyrazami, z których jeden określa końcówkę drugiego. Relacje podrzędności dzielą się na rząd, zgodę i przystawanie [Ambrazas 1997: 478]. Każdy rodzaj relacji syntaktycznej przedstawiono w strukturze innym kolorem. Współzależność oznaczono liliową dwukierunkową strzałką, ponieważ oba wyrazy decydują o formie drugiego; współrzędność – żółtą linią bez kierunku, ponieważ wyrazy nie wpływają wzajemnie na swoje formy; rząd – niebieską, jednokierunkową, drobną kropkowaną strzałką; zgodę – czerwoną, jednokierunkową strzałką; a przystawanie – zieloną, jednokierunkową, dużą kropkowaną strzałką. Przyimki, spójniki i znaki interpunkcyjne przedstawiono jako etykiety strzałek między wyrazami. Figura 7 przedstawia przykład zdania ze spójnikiem. FIGURE 7. Struktura syntaktyczna zdania ze spójnikiem Laukais, miškais ir kalvomis ateina saulėtas ruduo. – Przez pola, lasy i wzgórza nadchodzi słoneczna jesień. Straipsniai / Articles 261 DAIVA ŠVEIKAUSKIENĖ 4.2. Semantycznie nierozkładalne grupy wyrazowe Semantycznie nierozkładalna grupa wyrazowa to połączenie wyrazów, w którym jeden wyraz może określać inny tylko wtedy, gdy występują razem, a wyraz zależny może określać wyłącznie całą grupę. Relacja wyrazu z tej grupy z wyrazem określanym nie ma znaczenia. Mel’chuk opisuje podobny przypadek zaobserwowany w języku rosyjskim [Mel’chuk 2006: 37]. Nierozkładalną grupę wyrazową umieszcza się w jednym polu, przedstawiając wewnątrz relacje syntaktyczne. Figura 8 pokazuje strukturę syntaktyczną zdania z nierozkładalną grupą wyrazową: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – Rolnik posiadający pięć tysięcy akrów ziemi tanio sprzedaje świeże warzywa. Czasownik valdyti – ‘to own’ jest w języku litewskim przechodni i wymaga biernika, dlatego wyraz tūkstančius–‘thousand’ występuje w bierniku. Liczebniki wymagają w języku litewskim dopełniacza i dlatego wyraz hektarų–‘acres’ występuje w dopełniaczu. W sensie semantycznym rolnik nie posiada „tysiąca”, choć wyraz thousand występuje w przypadku wymaganym przez imiesłów valdantis–‘owning’. Posiada on natomiast akry, czyli wyraz w dopełniaczu, a więc w przypadku wymaganym przez liczebnik thousand. W konsekwencji grupa wyrazowa tūkstančius hektarų ‘-thousand acres’ jest semantycznie nierozkładalna, dlatego oba wyrazy umieszczono w jednym polu w strukturze syntaktycznej zdania. Wyraz five jest przydawką wyrazu thousand, dlatego umieszczono go w tym samym polu. Przydawka nieuzgadniająca žemės – ‘of land’ określa całe pole, czyli całą grupę wyrazową znajdującą się w tym polu, i może być zastąpiona innymi przydawkami nieuzgadniającymi, na przykład: pięć tysięcy akrów lasu. Tak więc semantycznie nierozkładalną grupę wyrazową uważa się za jedną jednostkę leksykalną. Połączenia liczebników (five and thousand) wykazują podwójne relacje syntaktyczne: zgodę i rząd. Przypadek wyrazu „thousand” (którego końcówkę określa rząd czasownika) określa końcówkę wyrazu „five” – wyrazy te muszą mieć zgodne końcówki (jis valdo penkis tūkstančius hektarų – he owns five thousand acres, ale penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – he used 10 tons of manure for five thousand acres), a leksem „five” rządzi wyrazem „thousand”, czyli wymaga od niego określonej końcówki. Na przykład w grupach wyrazowych he owns five thousand acres (jis valdo penkis tūkstančius hektarų) oraz he owns twenty thousand acres (jis valdo dvidešimt tūkstančių hektarų) wyraz thousand ma w języku litewskim różne końcówki. Dlatego bardzo ważne jest dla nas precyzyjne przedstawienie wszystkich rodzajów relacji syntaktycznych. 262 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS FIGURE 8. Struktura syntaktyczna zdania z semantycznie nierozkładalną grupą wyrazową Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Rolnik posiadający pięć tysięcy akrów ziemi tanio sprzedaje świeże warzywa) 5. CELE ANOTACJI Statystyczna metoda przetwarzania języka naturalnego, zwłaszcza stosowana w tłumaczeniu maszynowym, nie daje zadowalających wyników w przypadku języka litewskiego. Parsowanie statystyczne również nie dostarcza wyczerpujących informacji. Ponadto oprogramowanie opracowane dla innych języków nie daje wystarczająco dobrych wyników dla języka litewskiego. V. Daudaravičius przez długi czas pracował nad automatyczną analizą syntaktyczną języka litewskiego i napisał: „Naivu manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms. – Naiwnością jest sądzić, że metody skutecznie stosowane w języku angielskim nadają się również do innych języków”. [Daudaravičius 2012: 3]. Celem VILSINTEKS jest zebranie wiarygodnych, wyczerpujących informacji o gramatyce języka litewskiego w praktyce. Dzięki wysokiej jakości automatycznej analizie syntaktycznej, opracowanej z zastosowaniem podejścia niestatystycznego, niestatystycznie Straipsniai / Articles 263 DAIVA ŠVEIKAUSKIENĖ systemy tłumaczenia maszynowego oparte na tych rozwiązaniach są wspierane, zwłaszcza w zakresie generowania zdań litewskich. VILSINTEKS ma odzwierciedlać specyficzne cechy języka litewskiego. Szczegółowe informacje o zdaniach litewskich będą przedstawione w przejrzysty sposób, umożliwiający ich powszechne wykorzystanie. Korpus z adnotacjami będzie swobodnie dostępny w Internecie. Obecnie przykłady zdań zawierających dane słowo można uzyskać za pomocą korpusu tekstowego utworzonego na Uniwersytecie Witolda Wielkiego. VILSINTEKS będzie udostępniać przykłady struktur składniowych o określonych cechach, na przykład zdanie proste z zaimkiem w funkcji podmiotu i inne. Podobne zastosowanie korpusu rosyjskiego opisano następująco: można go używać w trybie wyszukiwania przykładów ilustrujących dane zjawisko językowe [НКРЯ –National Corpus of the Russian Language] Pierwsze 500–1000 zdań z korpusu współczesnego języka litewskiego (tekstów publicystycznych), liczącego 2 miliony słów, zostanie ręcznie opatrzonych adnotacjami. Później adnotowanie będzie półautomatyczne. Utworzona w ten sposób automatyczna analiza składniowa języka litewskiego zostanie wykorzystana do adnotowania, po którym nastąpi weryfikacja przez człowieka. W trakcie adnotowania oprogramowanie będzie udoskonalane z uwzględnieniem zidentyfikowanych błędów. Najważniejszym zadaniem jest przygotowanie sprawnie działającej automatycznej analizy składniowej języka litewskiego, którą będzie można wykorzystać przy tworzeniu systemu tłumaczenia maszynowego metodą transferu. W metodzie TRANSFER drugim etapem jest analiza składniowa. Można oczekiwać, że adnotacja składniowa korpusu przyczyni się do udoskonalenia automatycznej analizy składniowej. Do adnotowania używa się arkuszy programu Excel, ponieważ zapewniają przejrzystą prezentację, a uzyskanie formatu XML z arkuszy programu Excel jest łatwe. Informacje VILSINTEX będą również swobodnie dostępne w formacie XML. Dzięki temu będą mogły służyć między innymi do badań statystycznych nad językiem litewskim oraz do wyszukiwania informacji o gramatyce litewskiej. 6. WNIOSKI Do przedstawiania struktury składniowej zdań litewskich używa się grafu, ponieważ drzewo nie może odzwierciedlić wszystkich informacji składniowych zawartych w zdaniu litewskim. Dwa przykłady adnotacji statystycznej pokazują, że drzewo nie wystarcza do przedstawienia struktury składniowej zdań litewskich. W korpusie litewskim stosuje się dwupoziomową adnotację: tabela zawiera szczegółowe informacje o zdaniu i jego słowach, a strukturę składniową zdania przedstawia się na rysunku. 264 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS W tabeli przedstawiono informacje trzech rodzajów: informacje dotyczące całego zdania (pytające, eliptyczne, bezosobowe); informacje dotyczące każdego wyrazu zdania (dane morfologiczne, syntaktyczne i semantyczne); oraz informacje niegramatyczne (brakujące wyrazy w zdaniach eliptycznych, antecedens zaimka wewnątrz i poza zdaniem, zapis liczebnika słownie i odwrotnie, pełne odpowiedniki wyrazowe akronimów). Na pierwszym etapie struktura syntaktyczna zdania litewskiego dzielona jest na trzy części: grupę podmiotu, grupę orzeczenia oraz znak na końcu zdania. Ten ostatni element jest bardzo ważny, ponieważ w niektórych przypadkach stanowi jedyne kryterium pozwalające określić typ zdania (oznajmujące lub pytające). Relacje syntaktyczne w strukturze syntaktycznej zdania przedstawiono za pomocą różnych kolorów i rodzajów linii, zależnie od typu relacji. Grupy wyrazów, których nie da się rozstrzygnąć semantycznie, umieszczono w jednym polu, przedstawiając zachodzące w nich relacje syntaktyczne. Celem VILSINTEKS jest dostarczanie wyczerpujących i wiarygodnych informacji o zdaniach litewskich. Można go wykorzystywać w badaniach statystycznych języka litewskiego oraz do wyszukiwania informacji dotyczących gramatyki litewskiej. Może on również służyć do tworzenia niestatystycznego systemu tłumaczenia maszynowego. VILSINTEKS ma na celu gromadzenie informacji gramatycznych o gramatyce litewskiej w praktyce. Pierwsze zdania są anotowane ręcznie. Później anotacja będzie półautomatyczna. Do anotacji wykorzystuje się arkusze Excel, ponieważ zapewniają przejrzystą prezentację przeznaczoną dla użytkowników, a anotowany korpus będzie dostępny bezpłatnie w Internecie. Z arkuszy Excel można łatwo uzyskać format XML. Informacje VILSINTEKS będą również bezpłatnie dostępne w formacie XML. Dzięki temu informacje VILSINTEKS można wykorzystywać w badaniach statystycznych języka litewskiego oraz do wyszukiwania informacji dotyczących gramatyki litewskiej. 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