High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

DAIVA ŠVEIKAUSKIENĖ Instituto da Língua Lituana Áreas de pesquisa: linguística computacional, construção de treebanks, camadas de anotação. CORPUS ANOTADO SINTATICAMENTE DE ALTA QUALIDADE DO LITUANO – VILSINTEKS Corpus de língua lituana anotado sintaticamente de alta qualidade VILSINTEKS ANOTAÇÃO Este artigo apresenta uma anotação dupla, utilizada para a anotação de alta qualidade do corpus lituano. Informações abrangentes sobre uma frase são apresentadas em uma tabela, e a estrutura sintática da frase é apresentada em uma imagem. A experiência de outras línguas é aproveitada, e as características específicas da língua lituana são levadas em conta. A insuficiência da representação arbórea da estrutura sintática das frases lituanas é demonstrada por meio de exemplos anotados estatisticamente. O objetivo da criação do corpus anotado, que contém informações exaustivas, também é claramente enfatizado. São apresentados exemplos de frases anotadas que refletem as características específicas da língua lituana. PALAVRAS-CHAVE: corpus anotado sintaticamente; representação gráfica da estrutura sintática; camadas de anotação no corpus lituano; insuficiência da representação arbórea para frases lituanas; objetivo do corpus anotado sintaticamente. ANOTAÇÃO O artigo discute a anotação realizada em dois níveis, utilizada para criar um corpus anotado de alta qualidade da língua lituana. As informações detalhadas sobre a frase são indicadas numa tabela, enquanto a estrutura sintática da frase é representada graficamente. Recorre-se à experiência de outras línguas, tendo em conta as características específicas do lituano. A insuficiência da árvore na representação da estrutura sintática das frases lituanas é demonstrada estatisticamente 252 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS por meio de exemplos de frases anotadas com métodos estatísticos. O artigo também salienta claramente o objetivo de criar um corpus anotado que reúna informações detalhadas. São apresentados exemplos de frases anotadas que refletem as características específicas do lituano. PALAVRAS-CHAVE: corpus anotado sintaticamente, representação da estrutura da frase por meio de um grafo, níveis de anotação do corpus, insuficiência da árvore na representação das frases lituanas, objetivo da criação do corpus. 1. INTRODUÇÃO 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. Dos dois principais tipos de representação da estrutura sintática, a gramática de estrutura sintagmática e a gramática de dependência, escolheu-se a segunda para o lituano, porque «...a gramática de dependência tem atraído sobretudo os estudantes de línguas com uma ordem das palavras relativamente livre...» [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. ANOTAÇÃO DO CORPUS LITUANO Recentemente, muito se tem dito e escrito sobre o baixo nível de informatização da língua lituana. De acordo com os dados da META-NET Straipsniai / Articles 253 DAIVA ŠVEIKAUSKIENĖ projeto, o lituano pertence ao grupo das línguas europeias menos informatizadas [Vaišnienė, Zabarskaitė 2012: 35]. O software criado para outras línguas não produz resultados satisfatórios quando aplicado à língua lituana. Já é hora de falar não da baixa informatização da língua lituana, mas da qualidade da sua informatização. Assim, vale a pena voltar a atenção para a língua lituana e tentar criar software próprio para informatizá-la, de modo a alcançar uma informatização de alta qualidade da língua lituana. As primeiras tentativas de anotação sintática do corpus lituano foram realizadas em 2013. O corpus com anotação sintática VILSINTEKS foi criado no Instituto da Língua Lituana, em Vilnius. Nosso objetivo é fornecer o máximo possível de dados relativos a uma frase, sobretudo quando se trata de dados necessários durante o processo de tradução. O Prague Dependency Treebank oferece informações exaustivas e conta com anotação em três níveis [Hajič 2000: 103]. Não seria possível representar mais níveis de anotação numa única imagem FIGURE 1. Exemplo da estrutura sintática da frase lituana Jie gali būti kitokie – They can be different 254 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS não se poderia alcançar esse objetivo, por isso decidimos dividir a representação das informações em duas partes ao tratar de frases lituanas: uma tabela, que contém informações morfológicas, sintáticas e semânticas, e uma imagem para apresentar a estrutura sintática. Utiliza-se um grafo com ciclos para representar frases lituanas, pois uma árvore não consegue refletir todas as informações sintáticas contidas na frase lituana. O atributo predicativo depende de duas partes da frase: do sujeito ou do objeto e do predicado. Essas relações são expressas formalmente e não podem ser ignoradas (para mais detalhes, ver Šveikauskienė 2005: 412). A Figura 1 mostra a estrutura sintática de uma frase-título. Ela contém um predicativo, que tem relações formalmente expressas com o sujeito e o predicado, e ambas as relações devem ser representadas na anotação do corpus. FIGURE 2. Frase analisada estatisticamente 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] FIGURE 3. Frase analisada estatisticamente 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 O predicativo deve ter a terminação que concorda com o sujeito e, ao mesmo tempo, está ligado ao predicado; isto é, não é um atributo do sujeito. As primeiras tentativas de anotar sintaticamente o corpus lituano demonstraram que o software criado para outras línguas não produzia bons resultados na língua lituana. Cerca de 1500 frases foram anotadas estatisticamente na Universidade de Tecnologia de Kaunas [Kapociūtė, Nivre, Krupavičius 2013: 12]. Os resultados apresentados mostraram a insuficiência das informações ocultas no FIGURA 4. Frase analisada do VILSINTEKS Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia 256 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS FIGURA 5. Frase analisada do VILSINTEKS Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis Straipsniai / Articles 257 DAIVA ŠVEIKAUSKIENĖ estrutura das frases. As duas figuras ilustram duas frases analisadas, ambas sem informações muito importantes. Na primeira frase, falta a seta entre o predicado negeria e o sujeito tas (Figura 2). Na segunda frase, a relação de concordância entre as duas palavras medį e kuriame não é indicada, embora tenham terminações concordantes (Figura 3), apesar de os autores escreverem no mesmo artigo: “um adjetivo que modifica um substantivo deve concordar em GÊNERO, NÚMERO e CASO”. As palavras medį e kuriame têm de concordar em gênero e número, e essa informação está ausente da estrutura da frase. É difícil concordar que as relações entre as palavras kuriame sėdėjau – em que me sentei e pro medį – através da árvore sejam do mesmo tipo. Estas frases, anotadas de acordo com o método usado no VILSINTEKS, são mostradas, respectivamente, na Figura 4 e na Figura 5. 3. CAMADAS DE ANOTAÇÃO NA TABELA As informações da tabela dividem-se em três tipos: Informações sobre a frase inteira, Informações sobre as palavras da frase, Informações não gramaticais sobre as palavras e a frase. 3.1. Informações sobre a frase inteira As informações relativas à frase inteira consistem no seu código, isto é, na sua posição no corpus, no seu tipo e nas suas características. A característica da frase é o seu atributo que leva em conta a sua função no texto, isto é, se é um título, um autor, um subtítulo ou uma frase do texto. O tipo da frase indica informações comunicativas, isto é, se é declarativa, imperativa, interrogativa etc., e informações estruturais: pessoal, impessoal, elíptica, simples, composta etc. [Ambrazas 1997: 573]. 3.2. Informações sobre as palavras da frase Cada palavra é acompanhada de dados sobre o seu número na frase, dados morfológicos (tempo, caso, gênero etc.), lema e dados sobre sua semântica lexical, 258 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS função sintática, relações sintáticas diretas com outras palavras da frase e casos profundos. Como a ordem das palavras na língua lituana geralmente não contém informação sintática, as características da semântica lexical são muito importantes para identificar sua função sintática. O substantivo no caso acusativo com a característica de tempo é um adjunto adverbial e, sem ela, um objeto. Se dois substantivos no caso acusativo aparecem na frase, a característica da semântica lexical é, às vezes, o único critério que permite determinar a função sintática. 3.3. Informação não gramatical sobre as palavras e a frase As informações estilísticas sobre a palavra são fornecidas na tabela. Elas ajudam a escolher o equivalente correto no outro idioma ao traduzir a palavra. 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. A tabela contém as palavras ausentes em frases elípticas e o sujeito omitido, expresso por um pronome pessoal. Isso ocorre com muita frequência na língua lituana. Podemos deduzi-lo pela terminação do verbo. A cópula do predicado no presente do indicativo também costuma ser omitida; por isso, a tabela contém essas palavras ausentes. As siglas são apresentadas por extenso na tabela. Na tabela, os números também são representados por algarismos e os algarismos por números, pois a expressão lexical dos números pode variar entre as línguas. Straipsniai / Articles 259 DAIVA ŠVEIKAUSKIENĖ 4. TIPOS DE INFORMAÇÃO NA ESTRUTURA SINTÁTICA Na estrutura sintática, na primeira etapa, a frase é dividida em um grupo nominal, um grupo verbal e o caractere final da frase. A língua lituana tem ordem livre das palavras e, às vezes, o caractere final da frase é o único meio de determinar o tipo de frase, isto é, se é declarativa ou interrogativa, por exemplo, Tu šiandien laimėjai prizą. – You have won a prize today. e Tu šiandien laimėjai prizą? – Have you won a prize today?. A Figura 6 mostra a estrutura sintática da frase interrogativa. A tradução da frase é escolhida de acordo com o caractere final da frase. Além disso, a estrutura da frase é representada usando a gramática de dependência. O núcleo do grupo do sujeito é o sujeito; abaixo dele são representadas as palavras que o expandem, e o núcleo do grupo do predicado é o predicado, com as palavras subordinadas posicionadas abaixo. Dois outros campos muito importantes para a anotação do corpus lituano são o tipo das relações sintáticas entre as palavras e os grupos de palavras semanticamente irresolúveis. FIGURA 6. Estrutura sintática da frase interrogativa 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. Tipo de relação sintática A língua lituana possui um número considerável de flexões. Assim, é muito importante representar a informação sobre o tipo de relações sintáticas, pois elas são frequentemente expressas por terminações de palavras. A língua lituana tem três tipos de relações sintáticas: interdependência entre o sujeito e o predicado, coordenação entre duas ou mais palavras de estatuto sintático equivalente na oração e subordinação entre duas palavras, das quais uma determina a terminação da outra. A subordinação divide-se em regência, concordância e adjunção [Ambrazas 1997: 478]. Cada tipo de relação sintática é representado na estrutura por uma cor diferente. A interdependência é representada por uma seta lilás bidirecional, pois ambas as palavras determinam a forma uma da outra; a coordenação, por uma linha amarela sem direção, pois as palavras não influenciam a forma uma da outra; a regência, por uma pequena seta azul unidirecional pontilhada; a concordância, por uma seta vermelha unidirecional; e a adjunção, por uma grande seta verde unidirecional pontilhada. Preposições, conjunções ou sinais de pontuação são representados como rótulos das setas entre as palavras. A Figura 7 mostra um exemplo de oração com conjunção. FIGURE 7. Estrutura sintática da oração com conjunção Laukais, miškais ir kalvomis ateina saulėtas ruduo. – Através de campos, florestas e colinas chega o outono ensolarado. Straipsniai / Articles 261 DAIVA ŠVEIKAUSKIENĖ 4.2. Grupos de palavras semanticamente irresolúveis Um grupo de palavras semanticamente irresolúvel é uma combinação de palavras na qual uma palavra só pode expandir outra quando estão juntas, e a palavra dependente só pode expandir o grupo inteiro. A relação entre uma palavra desse grupo e a palavra que a expande não tem significado. Mel’chuk descreve um caso semelhante observado na língua russa [Mel’chuk 2006: 37]. Um grupo de palavras irresolúvel é colocado numa única caixa, representando-se nela as relações sintáticas internas. A Figura 8 mostra a estrutura sintática da oração com um grupo de palavras irresolúvel: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – Um agricultor que possui cinco mil acres de terra vende vegetais frescos a baixo preço. O verbo valdyti – ‘possuir’ é transitivo na língua lituana e exige o acusativo; por isso, a palavra tūkstančius–‘mil’ está no caso acusativo. Os numerais exigem o caso genitivo em lituano, razão pela qual a palavra hektarų–‘acres’ está no caso genitivo. Semanticamente, o agricultor não possui ‘mil’, embora a palavra mil esteja no caso regido pelo particípio valdantis–‘que possui’. Na verdade, ele possui acres, isto é, a palavra que está no caso genitivo, ou seja, no caso regido pelo numeral mil. Consequentemente, o grupo de palavras tūkstančius hektarų ‘-mil acres’ é semanticamente irresolúvel e, por isso, ambas as palavras são colocadas numa única caixa na estrutura sintática da oração. A palavra cinco é um modificador da palavra mil, pelo que é colocada na mesma caixa. O modificador não concordante žemės – ‘de terra’ expande a caixa inteira, isto é, todo o grupo de palavras nela contido, e pode ser substituído por outros modificadores não concordantes, por exemplo: cinco mil acres de floresta. Assim, o grupo de palavras semanticamente irresolúvel é considerado uma única unidade lexical. As combinações de numerais (cinco e mil) têm relações sintáticas duplas: concordância e regência. O caso da palavra ‘mil’ (cuja terminação é determinada pela regência do verbo) determina a terminação da palavra ‘cinco’ — elas devem ter terminações concordantes (jis valdo penkis tūkstančius hektarų – ele possui cinco mil acres, mas penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – ele usou 10 toneladas de fertilizante para cinco mil acres) e o lexema ‘cinco’ rege a palavra ‘mil’, isto é, exige que ela tenha uma determinada terminação. Por exemplo, nos grupos de palavras ele possui cinco mil acres (jis valdo penkis tūkstančius hektarų) e ele possui vinte mil acres (jis valdo dvidešimt tūkstančių hektarų), a palavra ‘mil’ apresenta terminações diferentes na língua lituana. Por isso, é muito importante representar com precisão todos os tipos de relações sintáticas. 262 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS FIGURE 8. Estrutura sintática da oração com um grupo de palavras semanticamente irresolúvel Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Um agricultor que possui cinco mil acres de terra vende vegetais frescos a baixo preço) 5. OS OBJETIVOS DA ANOTAÇÃO O método estatístico de processamento da linguagem natural, especialmente quando usado na tradução automática, não produz resultados satisfatórios para a língua lituana. A análise sintática estatística também não fornece informações exaustivas. Além disso, o software criado para outras línguas não oferece resultados suficientes para a língua lituana. V. Daudaravičius trabalhou durante muito tempo na análise sintática automática da língua lituana e escreveu o seguinte: “É ingénuo pensar que os métodos aplicados com sucesso à língua inglesa também são adequados para outras línguas.” [Daudaravičius 2012: 3]. O objetivo do VILSINTEKS é recolher informações abrangentes e fiáveis sobre a gramática da língua lituana na prática. Com uma análise sintática automática de alta qualidade, criada por meio de uma abordagem não estatística, não estatisticamente Straipsniai / Articles 263 DAIVA ŠVEIKAUSKIENĖ os sistemas de tradução automática baseados em máquinas são viabilizados, especialmente na geração de frases em lituano. O VILSINTEKS procura refletir características específicas da língua lituana. Serão fornecidas informações exaustivas sobre frases em lituano, apresentadas de forma clara para uso geral. O corpus anotado estará disponível gratuitamente na Internet. Atualmente, é possível obter exemplos de frases contendo uma determinada palavra usando o corpus textual criado na Universidade Vytautas Magnus. O VILSINTEKS fornecerá exemplos da estrutura sintática com determinadas características, por exemplo, uma frase simples com um pronome como sujeito, entre outros. A aplicação do corpus russo é descrita de modo semelhante: ele pode ser usado no modo de busca de exemplos que ilustrem determinado fenômeno linguístico [НКРЯ –National Corpus of the Russian Language] As primeiras 500–1000 frases dos 2 milhões de palavras do corpus do lituano contemporâneo (jornalismo) serão anotadas manualmente. Posteriormente, a anotação será semiautomática. A análise sintática automática do lituano assim criada será utilizada para a anotação, seguida de revisão humana. Durante o processo de anotação, o software será aperfeiçoado levando em conta os erros identificados. A tarefa mais importante é preparar uma análise sintática automática do lituano que funcione bem e possa ser utilizada na criação de um sistema de tradução automática por transferência. Usando o método TRANSFER, a análise sintática constitui a segunda etapa. Pode-se esperar que a anotação sintática do corpus contribua para melhorar a análise sintática automática. As tabelas do Excel são usadas para a anotação porque apresentam as informações de forma clara e é fácil obter o formato XML a partir delas. As informações do VILSINTEX também estarão disponíveis gratuitamente em formato XML. Assim, poderão ser utilizadas, entre outras aplicações, em pesquisas estatísticas sobre a língua lituana e na recuperação de informações sobre a gramática do lituano. 6. CONCLUSÕES O grafo é usado para representar a estrutura sintática das frases em lituano porque uma árvore não consegue refletir todas as informações sintáticas contidas numa frase lituana. Dois exemplos de anotação estatística demonstram que a árvore é insuficiente para representar a estrutura sintática das frases em lituano. O corpus lituano utiliza uma anotação dupla: a tabela descreve as informações exaustivas sobre a frase e suas palavras, e a estrutura sintática da frase é representada numa imagem. 264 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Na tabela, as informações representadas são de três tipos: informações sobre a frase inteira (interrogativa, elíptica, impessoal); informações sobre cada palavra da frase (dados morfológicos, sintáticos e semânticos); e informações não gramaticais (palavras ausentes em frases elípticas, antecedente do pronome dentro e fora da frase, expressão numérica do numeral e vice-versa, correspondentes por extenso das siglas). Na primeira etapa, a estrutura sintática da frase lituana é dividida em três partes: o grupo do sujeito, o grupo do predicado e o caractere final da frase. Este último é muito importante porque, em alguns casos, é o único critério que permite decidir o tipo de frase (declarativa ou interrogativa). As relações sintáticas são representadas na estrutura sintática da frase por diferentes cores e estilos de linha, de acordo com o tipo de relação. Grupos de palavras semanticamente irresolúveis são colocados numa única caixa, representando as relações sintáticas internas. O objetivo do VILSINTEKS é fornecer informações exaustivas e fiáveis sobre as frases lituanas. Pode ser utilizado para a investigação estatística da língua lituana e para a recuperação de informações sobre a gramática lituana. Também pode ser útil na criação de um sistema de tradução automática não estatística. O VILSINTEKS tem como objetivo reunir informações gramaticais sobre a gramática lituana na prática. As primeiras frases são anotadas manualmente. Mais tarde, a anotação será semiautomática. Para a anotação, são utilizadas tabelas do Excel, pois oferecem uma representação clara para uso humano, e o corpus anotado será de livre acesso na Internet. É fácil obter o formato XML a partir das tabelas do Excel. As informações do VILSINTEKS também estarão disponíveis gratuitamente em formato XML. Assim, as informações do VILSINTEKS poderão ser utilizadas para a investigação estatística da língua lituana e para a recuperação de informações sobre a gramática lituana. 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