Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai

AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ Πανεπιστήμιο Vytautas Magnus ΜΟΡΦΟΛΟΓΙΚΑ ΚΑΙ ΣΥΝΤΑΚΤΙΚΑ ΣΧΟΛΙΑΣΜΕΝΑ ΣΩΜΑΤΑ ΚΕΙΜΕΝΩΝ ΤΗΣ ΛΙΘΟΥΑΝΙΚΗΣ ΓΛΩΣΣΑΣ ΛΕΞΕΙΣ-ΚΛΕΙΔΙΑ: σώμα κειμένων, αυτόματη μορφολογική ανάλυση, αυτόματη συντακτική ανάλυση, γλωσσικές τεχνολογίες. ΕΙΣΑΓΩΓΗ Εδώ και 25 χρόνια, στο Κέντρο Υπολογιστικής Γλωσσολογίας (KLC) του Πανεπιστημίου Vytautas Magnus (VDU)1 αναπτύσσονται και εξελίσσονται γλωσσικές τεχνολογίες (Utka κ.ά. 2017). Οι γλωσσικοί πόροι και τα εργαλεία που έχει δημιουργήσει το KLC του VDU αποτελούν τη βάση χωρίς την οποία δεν είναι δυνατή η μηχανογράφηση της λιθουανικής γλώσσας και η εφαρμογή νέων τεχνολογιών σε αυτήν. Στις αρχές του 2015, η Λιθουανία έγινε πλήρες μέλος του CLARIN ERIC, ενώ τον Ιούλιο του 2015 το KLC και η Σχολή Πληροφορικής του VDU, μαζί με εταίρους από το Πανεπιστήμιο του Βίλνιους και το Τεχνολογικό Πανεπιστήμιο του Κάουνας, ίδρυσαν την κοινοπραξία CLARIN-LT και ξεκίνησαν την υλοποίηση του έργου «Η συμμετοχή της Λιθουανίας στη διεθνή ερευνητική υποδομή – Κοινή Υποδομή Γλωσσικών Πόρων και Τεχνολογιών»2, εντασσόμενοι έτσι στο ενιαίο ευρωπαϊκό σύστημα γλωσσικών τεχνολογιών. Σκοπός του άρθρου είναι να παρουσιάσει δύο γλωσσικούς πόρους της λιθουανικής γλώσσας, σχολιασμένα σώματα κειμένων που δημιουργήθηκαν από το KLC του VDU: το μορφολογικά σχολιασμένο σώμα MATAS και το συντακτικά σχολιασμένο σώμα ALKSNIS. Οι πόροι αυτοί είναι δημόσια διαθέσιμοι στο αποθετήριο CLARIN-LT· η αναζήτηση μπορεί να γίνει μέσω του συστήματος ANNIS3 (βλ. αναλυτικότερα την ενότητα 3), ενώ αναζήτηση στο αυτόματα μορφολογικά σχολιασμένο σώμα είναι επίσης δυνατή στον ιστότοπο http://corpus.vdu.lt4. Τα σχολιασμένα σώματα κειμένων είναι βασικοί πόροι, που διαδραματίζουν σημαντικό ρόλο στην ανάπτυξη των γλωσσικών τεχνολογιών. Για τη μηχανογράφηση της γλώσσας και την ανάπτυξη υπολογιστικών εργαλείων αυτόματης γλωσσικής ανάλυσης, είναι απαραίτητη η γραμματική ανάλυση και η ύπαρξη στατιστικών δεδομένων για τη γλώσσα. Έτσι, τα σώματα κειμένων που έχουν εμπλουτιστεί με γραμματικές επισημειώσεις λειτουργούν ως πρώτη ύλη για περαιτέρω αυτόματη γλωσσική ανάλυση. Τέτοια σώματα χρησιμοποιούνται για τη δημιουργία άλλων πόρων και εργαλείων επεξεργασίας φυσικής γλώσσας σε τομείς όπως 1 Διαθέσιμο στο διαδίκτυο: http://tekstynas.vdu.lt. 2 Διαθέσιμο στο διαδίκτυο: http://clarin-lt.lt/. 3 Διαθέσιμο στο διαδίκτυο: http://158.129.51.247:8080/annis-gui-3.4.4/. 4 Πρόκειται για ένα αυτόματα μορφολογικά σχολιασμένο σώμα κειμένων αποτελούμενο από 208 εκατομμύρια λέξεις. Στη συνέχεια του άρθρου δεν γίνεται περαιτέρω αναφορά σε αυτό. Η κύρια έμφαση δίνεται στο μορφολογικά σχολιασμένο σώμα MATAS, έκτασης 1,6 εκατομμυρίων λέξεων, το οποίο έχει ελεγχθεί από γλωσσολόγο. BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuo­ti tekstynai | 2 συστήματα αυτόματης αναγνώρισης γλώσσας, μηχανική μάθηση, αυτοματοποιημένη μετάφραση, εξαγωγή πληροφοριών κ.λπ. Στη συνέχεια, το άρθρο παρουσιάζει χωριστά τα προαναφερθέντα σώματα κειμένων και την αναζήτηση δεδομένων σε αυτά μέσω του συστήματος ANNIS. Τα σώματα κειμένων και τα δεδομένα τους μπορούν να αξιοποιηθούν από ερευνητές και φοιτητές που μελετούν το σύστημα γραμματικής της λιθουανικής γλώσσας, από διδάσκοντες και εκπαιδευτικούς κατά τη δημιουργία ασκήσεων, καθώς και από όλους όσοι ενδιαφέρονται για τις γλωσσικές τεχνολογίες. ΣΩΜΑΤΑ ΚΕΙΜΕΝΩΝ ΤΗΣ ΛΙΘΟΥΑΝΙΚΗΣ ΓΛΩΣΣΑΣ ΜΕ ΣΧΟΛΙΑΣΜΟ ΚΑΙ ΙΔΙΑΙΤΕΡΟΤΗΤΕΣ ΤΗΣ ΣΥΝΤΑΞΗΣ ΤΟΥΣ 1. Μορφολογικά σχολιασμένο σώμα κειμένων MATAS Η μορφολογική ανάλυση είναι το πρώτο στάδιο της επεξεργασίας της γλώσσας και συχνά προετοιμάζει το κείμενο για περαιτέρω συντακτική ή σημασιολογική ανάλυση. Επομένως, είναι πολύ σημαντικό οι μορφολογικοί σχολιαστές να λειτουργούν όσο το δυνατόν ακριβέστερα, καθώς τα σφάλματα στο μορφολογικό επίπεδο δυσχεραίνουν την αυτόματη γλωσσική ανάλυση σε άλλα επίπεδα. Ο πρώτος μορφολογικός σχολιαστής της λιθουανικής γλώσσας δημιουργήθηκε πριν από περίπου 25 χρόνια. Συγγραφέας του είναι ο Vytautas Zinkevičius (βλ. αναλυτικότερα Zinkevičius 2000). Σήμερα διατίθενται δημόσια δύο μορφολογικοί σχολιαστές για τη λιθουανική γλώσσα: το προαναφερθέν πρόγραμμα του V. Zinkevičius, γνωστό συνήθως ως Lemuoklis5 (από τη λέξη λήμμα – τη βασική μορφή), και ο σχολιαστής που διατίθεται στην πύλη Πληροφοριακό σύστημα συντακτικής και σημασιολογικής ανάλυσης της λιθουανικής γλώσσας (εφεξής semantika.lt). Το σώμα κειμένων MATAS που παρουσιάζεται σε αυτό το άρθρο σχολιάστηκε με το Lemuoklis, ενώ το συντακτικά σχολιασμένο σώμα κειμένων καταρτίστηκε με τη χρήση του μορφολογικού σχολιαστή του semantika.lt.6 Αν και το Lemuoklis λειτουργεί αρκετά καλά, το πρόγραμμα δεν μπορεί να ενημερωθεί, επειδή είναι κλειστού κώδικα. Ο σχολιαστής του Semantika.lt δημιουργήθηκε στην πλατφόρμα Hunspell ως πρόγραμμα ανοικτού κώδικα· ο σχολιαστής αυτός ενημερώνεται και εμπλουτίζεται με νέες λέξεις (σήμερα περιλαμβάνει 171 000 λήμματα), ενώ οι κανόνες του βελτιώνονται (βλ. αναλυτικότερα Dadurkevičius 2017). Σε έρευνα που διεξήχθη το 2017 για την αξιολόγηση της ποιότητας των δύο σχολιαστών, διαπιστώθηκε ότι ο σχολιαστής του semantika.lt λειτουργεί με μεγαλύτερη ακρίβεια (Kapočiūtė-Dzikienė και συν. 2017). Το σώμα κειμένων MATAS που παρουσιάζεται στη συνέχεια καταρτίστηκε την περίοδο 2002–2014. Ως βάση χρησιμοποιήθηκε ένα σώμα κειμένων ενός εκατομμυρίου λέξεων, το οποίο είχε καταρτιστεί το 2006· εμπλουτίστηκε με νέα κείμενα και αναδιαμορφώθηκε. Αρχικά τα κείμενα του MATAS σχολιάστηκαν αυτόματα μορφολογικά και στη συνέχεια ελέγχθηκαν και διορθώθηκαν από γλωσσολόγο. 5 Πρόσβαση στο διαδίκτυο: http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator; το πρόγραμμα αυτό δεν σχολιάζει μόνο μορφολογικά το κείμενο, αλλά μπορεί και να συνθέτει, δηλαδή να δημιουργεί τις απαιτούμενες μορφές· είναι επίσης προσαρμοσμένο για την ανάλυση παλαιών γραπτών. 6 Πρόσβαση στο διαδίκτυο: http://semantika.lt/SyntaticAndSemanticAnalysis/Analysis. BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuo ti tekstynai | 3 Το MATAS αποτελείται από 1,6 εκατομμύρια κείμενα, προερχόμενα από έγγραφα, λογοτεχνικά έργα και επιστημονικά κείμενα. Όπως και στο Dabartinės lietuvių kalbos tekstyne, το μεγαλύτερο ποσοστό (36%) αποτελείται από κείμενα δημοσιογραφικού λόγου (βλ. Εικόνα 1). ΕΙΚ. 1. Δομή του μορφολογικά επισημειωμένου σώματος κειμένων MATAS (σε ποσοστά) Το MATAS διατίθεται σε διάφορες μορφές: στη λεγόμενη μορφή KLC, η οποία χρησιμοποιεί κάπως ασυνήθιστες συντομογραφίες για τα μέρη του λόγου και τις γραμματικές κατηγορίες (και το σώμα κειμένων που διατίθεται στο αποθετήριο της πύλης http://clarin-lt.lt/ έχει επισημειωθεί με αυτή τη μορφή), π.χ.: <word="Tarp" lemma="tarp" type="prln"> <space> <word="tankiai" lemma="tankiai" type="prvks teig nelygin.l"> <space> <word="suaugusių" lemma="suaugti(-ga,-go)" type="dly teig nesngr veik.r būt.kart.l neįvardž vyr.gim dgsk K"> <space> <word="medžių" lemma="medis" type="dktv vyr.gim dgsk K"> <space> <word="kur ne kur" lemma="kur ne kur" type="prvks teig nelygin.l"> <space> <word="vis" lemma="vis" type="prvks teig nelygin.l"> <space> <word="pasimatydavo" lemma="pasimatyti(-to,-tė)" type="vksm teig sngr tiesiog.nuos būt.d.l vnsk IIIasm"> <space> <word="dangaus" lemma="dangus" type="dktv vyr.gim vnsk K"> <space> <word="lopinėlis" lemma="lopinėlis" type="dktv vyr.gim vnsk V"> <sep="."> <p> Το MATAS έχει επίσης επισημειωθεί στη διεθνή μορφή TEI P5. Σε αυτήν, τα μέρη του λόγου και οι γραμματικές κατηγορίες συντομεύονται με ένα γράμμα ή ψηφίο· για παράδειγμα, το vatstdv3 σημαίνει αντίστοιχα: BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 4 ρήμα, κλιτή μορφή, θετική μορφή, αυτοπαθές, οριστική έγκλιση, παρατατικός, ενικός αριθμός, τρίτο πρόσωπο. Παρακάτω παρατίθεται το ίδιο απόσπασμα κειμένου σε μορφή TEI P5: <w lemma="tarp" ana="#r">Tarp</w> <pc> </pc> <w lemma="tankiai" ana="#ptn">tankiai</w> <pc> </pc> <w lemma="suaugti(-ga,-go)" ana="#vdtnvknvdk">suaugusių</w> <pc> </pc> <w lemma="medis" ana="#dbvdk">medžių</w> <pc> </pc> <w lemma="kur ne kur" ana="#ptn">kur ne kur</w> <pc> </pc> <w lemma="vis" ana="#ptn">vis</w> <pc> </pc> <w lemma="pasimatyti(-to,-tė)" ana="#vatstdv3">pasimatydavo</w> <pc> </pc> <w lemma="dangus" ana="#dbvvk">dangaus</w> <pc> </pc> <w lemma="lopinėlis" ana="#dbvvv">lopinėlis</w> <pc>.</pc> Μια ακόμη μορφή στην οποία διατίθενται μορφολογικά επισημειωμένα κείμενα στον http://corpus.vdu.lt ιστότοπο, έχει δημιουργηθεί με βάση το πρότυπο της μορφής MULTEXT-East7. Σύμφωνα με αυτή τη μορφή, κάθε μέρος του λόγου έχει διαφορετικό αριθμό μορφολογικών κατηγοριών (από 2 έως 14), οι οποίες σημειώνονται με συντομογραφίες. Για παράδειγμα, η ετικέτα Ncmpnn- N σημαίνει ουσιαστικό, το c κοινό ουσιαστικό, το m αρσενικό γένος, το p πληθυντικό αριθμό, το n ονομαστική πτώση, το n μη αυτοπαθές ουσιαστικό· η παύλα στο τέλος δείχνει ότι στη συγκεκριμένη λέξη, π.χ. universitetai, δεν αποδίδεται καμία σημασιολογική ετικέτα8. Στο τρίτο κεφάλαιο θα παρουσιάσουμε την αναζήτηση τόσο στα σώματα κειμένων MATAS όσο και ALKSNIS με τη χρήση του συστήματος ANNIS. Σε αυτό χρησιμοποιείται ακόμη μία μορφή μορφολογικών ετικετών, η οποία βασίζεται στις ετικέτες γλωσσικής απόδοσης της Λειψίας (για περισσότερες λεπτομέρειες, βλ. κεφάλαιο 3). Τα διαφορετικά συστήματα επισημείωσης δεν χαρακτηρίζουν μόνο τις τεχνολογίες της λιθουανικής γλώσσας. Το ζήτημα αυτό οδήγησε στη δημιουργία του εργαλείου μετατροπής Pepper (Zipser κ.ά. 2010). Αυτό αποτυπώνει τα στάδια δημιουργίας διαφόρων πόρων και τα εργαλεία επισημείωσης που χρησιμοποιούνται. Όπως φαίνεται από τα παραδείγματα που παρατέθηκαν παραπάνω, στο KLC χρησιμοποιούνται τέσσερα συστήματα μορφολογικών ετικετών. Η ύπαρξη αρκετών διαφορετικών μορφών επισημείωσης οφείλεται στο ότι το μορφολογικά επισημειωμένο σώμα κειμένων δημιουργούνταν επί μακρόν. Σε μια περίοδο δεν εφαρμόζονταν καθόλου πρότυπα επισημείωσης· χρησιμοποιούνταν απλώς οι συντομογραφίες για τα μέρη του λόγου και τις γραμματικές κατηγορίες που είχε δημιουργήσει ο σχεδιαστής του μορφολογικού αναλυτή, V. Zinkevičius. Είναι εύκολα κατανοητές από τους χρήστες. Αργότερα, χάρη στη διεθνή συνεργασία, το μορφολογικά επισημειωμένο σώμα κειμένων επισημειώθηκε εκ νέου με τη χρήση 7 Διαθέσιμο στο διαδίκτυο: http://nl.ijs.si/ME/V4/msd/html/index.html. 8 Για περισσότερες πληροφορίες σχετικά με αυτές τις ετικέτες, βλ. http://corpus.vdu.lt/lt/morph. BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 5 με τα διεθνή πρότυπα. Όπως αναφέρθηκε, στον μορφολογικό αναλυτή του semantika.lt (κύριος στόχος αυτού του συστήματος ήταν η δημιουργία διαδικτυακών υπηρεσιών) χρησιμοποιούνται οι ετικέτες με τη μορφή MULTEXT-East. Οι ετικέτες είναι σύντομες, αλλά δυσνόητες για τους ανθρώπους· είναι καταλληλότερες για υπολογιστική ανάλυση. Το μορφολογικά και συντακτικά επισημειωμένο σώμα κειμένων ALKSNIS χρησιμοποιεί τη μορφή MULTEXT-East. Το εργαλείο αναζήτησης σωμάτων κειμένων ANNIS (βλ. ενότητα 3) έδωσε τη δυνατότητα συνδυασμού των μορφών μορφολογικής επισημείωσης των ALKSNIO και MATO. Η πρώτη σκέψη ήταν να χρησιμοποιηθούν οι ετικέτες Universal Dependency (UD), καθώς πρόκειται για ένα αρκετά διαδεδομένο σύστημα επισημείωσης και είναι εύκολα αναγνώσιμο (στα αγγλικά). Ωστόσο, οι ετικέτες UD είναι πολύ μεγάλες και αυτό αποδείχθηκε άβολο κατά την αναζήτηση μέσω του ANNIS: οι ετικέτες κάθε λέξης καταλαμβάνουν πολύ χώρο, οπότε, κατά την ανάλυση του περιβάλλοντος της αναζητούμενης λέξης, ήταν απαραίτητο να μετακινηθεί η γραμμή κύλισης του παραθύρου προς τη μία ή την άλλη κατεύθυνση. Λόγω αυτού του πρακτικού προβλήματος, αποφασίστηκε να προσαρμοστούν οι ετικέτες γλωσσικής απόδοσης της Λειψίας, καθώς είναι ευανάγνωστες και αρκετά σύντομες. Παρά την ποικιλία των ετικετών επισημείωσης που περιγράφεται εδώ, πρέπει να τονιστεί ότι στη διεπαφή ANNIS και των δύο σωμάτων κειμένων χρησιμοποιείται μόνο ένα σύστημα (προσαρμοσμένο σύστημα γλωσσικής απόδοσης της Λειψίας), κάτι που θα πρέπει να διευκολύνει σημαντικά τους χρήστες. Σημειώνεται ότι στο MATE δεν υποδεικνύονται τα όρια των προτάσεων· αυτό μπορεί να γίνει γρήγορα και αυτόματα, αλλά τα αποτελέσματα πρέπει να ελεγχθούν. Το MATAS, όπως και το σώμα κειμένων ALKSNIS που εξετάζεται παρακάτω, είναι διαθέσιμο στο αποθετήριο της πύλης http://clarin-lt.lt/ 9. Εκεί μπορεί να γίνει αναζήτηση με το σύστημα ANNIS 10 (βλ. αναλυτικότερα την ενότητα 3). 2. Συντακτικά επισημειωμένο σώμα κειμένων ALKSNIS Το συντακτικά επισημειωμένο σώμα κειμένων της λιθουανικής γλώσσας ALKSNIS καταρτίστηκε το 2016. Η προετοιμασία του υποστηρίχθηκε από την Κοινοπραξία Ευρωπαϊκών Ερευνητικών Υποδομών της Υποδομής Κοινών Γλωσσικών Πόρων και Τεχνολογιών (CLARIN ERIC) (MTI-02/2015). Το σώμα κειμένων είναι δημόσια διαθέσιμο στο αποθετήριο της πύλης http://clarin-lt.lt/ 11. Ο οδηγός χρήσης εξηγεί πώς να το χρησιμοποιήσετε 12. Το σώμα κειμένων σχεδιάστηκε ως σημείο αναφοράς για τη συντακτική ανάλυση της λιθουανικής γλώσσας. Τα σώματα κειμένων αυτού του είδους χαρακτηρίζονται από μικρό μέγεθος και βέλτιστη σύνθεση ειδών, ενώ η συντακτική ανάλυση, αν και πραγματοποιείται αυτόματα, ελέγχεται και διορθώνεται από γλωσσολόγους. Με βάση ένα σημείο αναφοράς συντακτικής ανάλυσης, μπορεί να δημιουργηθεί ένας συντακτικός αναλυτής που βασίζεται σε στατιστικές μεθόδους (αγγλ. statistically-based parser) και να επεκταθεί η αυτόματη συντακτική ανάλυση (Bielinskienė et al. 2016). 9 Πρόσβαση στο διαδίκτυο: https://clarin.vdu.lt/xmlui/handle/20.500.11821/9. 10 Πρόσβαση στο διαδίκτυο: http://158.129.51.247:8080/annis-gui-3.4.4. 11 Πρόσβαση στο διαδίκτυο: https://clarin.vdu.lt/xmlui/handle/20.500.11821/10. 12 Πρόσβαση στο διαδίκτυο: https://youtu.be/PIEOPWurb4Y. BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 6 Καθώς το ALKSNIS είναι νεότερος πόρος της λιθουανικής γλώσσας από το MATAS και λιγότερο περιγεγραμμένος, στο παρόν άρθρο θα δώσουμε μεγαλύτερη έμφαση στο ALKSNIS και θα συζητήσουμε επίσης ζητήματα που προέκυψαν κατά τη συντακτική επισημείωση. 2.1. Μέρη του σώματος κειμένων Το σώμα κειμένων ALKSNIS αποτελείται από 30 599 λέξεις και 2355 συντακτικά επισημειωμένες προτάσεις. Σε σύγκριση με σώματα κειμένων γλωσσών γειτονικών χωρών, αυτό το σώμα κειμένων είναι αρκετά παρόμοιο και, θα μπορούσε να υποστηριχθεί, επαρκούς μεγέθους: το σώμα κειμένων της λετονικής γλώσσας13 αποτελείται από 3800 προτάσεις και 53 χιλιάδες λέξεις (Predkalnina κ.ά. 2016)· το εσθονικό σώμα κειμένων 14 – από 1400 προτάσεις και 10 600 λέξεις (Muischnek κ.ά. 2014)· το πολωνικό σώμα κειμένων 15 – από 8227 προτάσεις. Το πρώτο συντακτικά επισημειωμένο σώμα κειμένων, το PENN (ΗΠΑ), αποτελείται από πολύ περισσότερες λέξεις – περίπου 3 εκατομμύρια16. Τα κείμενα του ALKSNIS καλύπτουν τέσσερις είδη κειμένου (βλ. Σχ. 2). Οι ενότητες του γενικού και του ειδικού περιοδικού τύπου, καθώς και της λογοτεχνίας, είναι περίπου ισομεγέθεις, ενώ η ενότητα των διοικητικών κειμένων είναι η μικρότερη, καθώς πρόκειται για ειδική μορφή της λιθουανικής γλώσσας: οι προτάσεις είναι συχνά μακροσκελείς και περιέχουν πολλά ονόματα εγγράφων, παραπομπές σε άλλα έγγραφα κ.λπ. Η επισημείωση τέτοιων προτάσεων δεν θα αποκάλυπτε τυπικές συντακτικές δομές. ΣΧΗΜΑ 2. Δομή του συντακτικά επισημειωμένου σώματος κειμένων ALKSNIS Για τη δημιουργία του σώματος κειμένων χρησιμοποιήθηκαν ολόκληρα, μη συντομευμένα κείμενα. Οι προτάσεις επιλέχθηκαν από όσο το δυνατόν μεγαλύτερη ποικιλία ειδών κειμένων. Η ενότητα της λογοτεχνίας αποτελείται από προτάσεις έργων Λιθουανών συγγραφέων. Οι επιλεγμένες προτάσεις προετοιμάστηκαν για υπολογιστική ανάλυση: ελέγχθηκε η κωδικοποίηση του κειμένου και αφαιρέθηκαν πίνακες και εικόνες. 13 Διαθέσιμο στο διαδίκτυο: http://sintakse.korpuss.lv/index.html. 14 Διαθέσιμο στο διαδίκτυο: https://metashare.ut.ee/repository/browse/estonian-treebank/4eb86e5e463411e2a6e4005056b400242c46832883754ad7bd89d07f69d6a0fc/. 15 Διαθέσιμο στο διαδίκτυο: http://zil.ipipan.waw.pl/Sk%C5%82adnica. 16 Διαθέσιμο στο διαδίκτυο: https://catalog.ldc.upenn.edu/ldc99t42. BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuo­ti tekstynai | 7 2.2. Εργαλεία σχολιασμού και οπτικοποίησης σωμάτων κειμένων Η αυτόματη συντακτική ανάλυση βασίζεται στον συντακτικό αναλυτή που αναπτύχθηκε στο πλαίσιο του έργου του VDU KLC «Σύστημα συντακτικής-σημασιολογικής ανάλυσης της λιθουανικής γλώσσας για σώματα κειμένων, το λιθουανικό διαδίκτυο και εφαρμογές του δημόσιου τομέα», ο οποίος υλοποιήθηκε σε Haskell17. Ο αναλυτής βασίζεται σε μέθοδο βασισμένη σε κανόνες (αγγλ. rule-based). Αυτό το εργαλείο διαβάζει τα μορφολογικά σχολιασμένα αρχεία των μονάδων τμηματοποίησης και μορφολογικής ανάλυσης του semantika.lt και παράγει ως αποτέλεσμα προτάσεις διαχωρισμένες σε προτάσεις ή φράσεις, δημιουργεί συντακτικά δέντρα και προσδιορίζει τους θεματικούς ρόλους τους (αγγλ. thematic roles) και τις συντακτικές λειτουργίες (Boizou κ.ά. 2014: 69). Οι διαδικτυακές υπηρεσίες παράγουν μόνο αρχεία JSON, αλλά ένα άλλο εργαλείο του KLC μετατρέπει τα αποτελέσματα της συντακτικής ανάλυσης στη μορφή PML (Prague Markup Language). Για το συντακτικά σχολιασμένο σώμα κειμένων δημιουργούνται δέντρα εξαρτήσεων (αγγλ. dependency trees). Αυτή η μορφή επιτρέπει την οπτικοποίηση και την επεξεργασία δέντρων εξαρτήσεων σε μορφή PML με τη χρήση του επεξεργαστή TrED, που αναπτύχθηκε από το UFAL του Πανεπιστημίου του Καρόλου στην Πράγα18 (βλ. Εικ. 3). Όλες οι προτάσεις που σχολιάστηκαν αυτόματα ελέγχθηκαν και διορθώθηκαν από γλωσσολόγους. Επομένως, η συντακτική ανάλυση περιλαμβάνει τρία επίπεδα: αυτόματη τμηματοποίηση λέξεων και προτάσεων και μορφολογική ανάλυση, αυτόματη συντακτική ανάλυση (με μέθοδο βασισμένη σε κανόνες) και χειροκίνητη επεξεργασία των προτάσεων (για περισσότερες λεπτομέρειες, βλ. 2.4). 2.3. Δομή δεδομένων του ALKSNIS Μετά την αυτόματη συντακτική ανάλυση, οι προτάσεις παρουσιάζονται γραφικά με τη μορφή δέντρου (βλ. Εικ. 3). Κάθε κόμβος του δέντρου αντιστοιχεί σε μια λέξη της πρότασης, σε σημείο στίξης ή σε άλλη μονάδα της πρότασης (σύμβολο, ψηφίο κ.λπ.). Οι σχέσεις εξάρτησης μεταξύ των λέξεων υποδεικνύονται με «κλαδιά» ή ακμές. 17 Ο συντακτικός αναλυτής αναπτύχθηκε στο Κέντρο Υπολογιστικής Γλωσσολογίας του VDU από τους L. Boizou και F. Zamblera. 18 Διαθέσιμο στο διαδίκτυο: https://ufal.mff.cuni.cz/tred/. BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuo­ti tekstynai | 8 ΕΙΚ. 3. Δέντρο εξαρτήσεων συντακτικά σχολιασμένης πρότασης στη μορφή του επεξεργαστή TrEd Για όλες τις λέξεις αναφέρονται με την ακόλουθη σειρά (βλ. Εικ. 3): 1) η συγκεκριμένη μορφή της λέξης που χρησιμοποιείται στην πρόταση (π.χ., gyventojai); 2) η λημματική μορφή (μορφή λεξικού) – το λήμμα (π.χ., gyventojas); 3) οι μορφολογικές επισημάνσεις (π.χ., Ncmpnn-); 4) η συντακτική λειτουργία (π.χ., Sub) (για εξηγήσεις των συντομογραφιών, βλ. παρακάτω). 2.4. Επίπεδα ανάλυσης Επίπεδο μορφολογικής ανάλυσης. Ο μορφολογικός σχολιασμός είναι το πρώτο στάδιο της αυτόματης ανάλυσης και, συνεπώς, είναι απαραίτητος για τη συντακτική ανάλυση ή την ανάλυση σε επίπεδο πρότασης. Η μορφολογική ανάλυση πραγματοποιήθηκε με τον αναλυτή semantika.lt (Dad urkevičius 2017). Οι μορφολογικές ετικέτες που χρησιμοποιούνται στο ALKSNYS έχουν διαμορφωθεί με βάση το πρότυπο MULTEXT-East (περιγράφεται λεπτομερέστερα στο κεφάλαιο 1). BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 9 Επίπεδο συντακτικής ανάλυσης. Ο συντακτικός αναλυτής επεξεργάζεται μορφολογικά σχολιασμένα αρχεία και παράγει προτάσεις χωρισμένες σε όρους ή φράσεις, δημιουργεί συντακτικά δέντρα και προσδιορίζει τις συντακτικές λειτουργίες των στοιχείων τους. Η ανάλυση βασίζεται στο μοντέλο της γραμματικής εξαρτήσεων (αγγλ. dependency grammar). Εφαρμόζεται συνήθως σε τυπολογικά παρόμοιες γλώσσες, οι οποίες χαρακτηρίζονται από κλιτή μορφολογία και ελεύθερη σειρά λέξεων, όπως οι σλαβικές γλώσσες (PDT19, SynTagRus20), η λετονική κ.λπ. Οι συντακτικές εξαρτήσεις εκφράζονται ιεραρχικά. Η ανάλυση ξεκινά από τον κύριο όρο της πρότασης —την κορυφή του δέντρου—, με τον οποίο συνδέονται οι υπόλοιποι όροι της πρότασης ανάλογα με την εξάρτησή τους (δηλαδή τις συντακτικές σχέσεις). Οι συντομογραφίες των συντακτικών ετικετών και οι πληροφορίες για τις συντακτικές σχέσεις και εξαρτήσεις βασίζονται στην τσεχική εργασία (Hajič et al. 1999)· οι Τσέχοι ήταν από τους πρώτους που ανέπτυξαν τη συντακτική ανάλυση για την τσεχική, μια γλώσσα συνθετικού τύπου. Επί του παρόντος, στο ALKSNYS χρησιμοποιούνται 18 βασικές συντακτικές ετικέτες (χωρίς να υπολογίζονται οι παραλλαγές τους): Sub – υποκείμενο, Pred – κατηγόρημα, Obj – αντικείμενο κ.ο.κ. (βλ. Πίνακα 1). Παραλλαγές ετικετών προκύπτουν όταν συνδυάζονται διπλές ή σύνθετες ετικέτες. Για παράδειγμα, για τη σήμανση σύνθετου ονοματικού ή ρηματικού κατηγορήματος χρησιμοποιούνται αντίστοιχα οι σύνθετες ετικέτες PredN και PredV· για τη σήμανση μιας δευτερεύουσας αναφορικής πρότασης σε σύνθετη πρόταση, στο κατηγόρημα της δευτερεύουσας πρότασης σημειώνεται η διπλή ετικέτα Pred_Atr· για να δηλωθεί η σχέση συντονισμού, ως μέρος της διπλής ετικέτας στους ομοιόμορφους όρους της πρότασης σημειώνεται _Co, δηλαδή σε καθένα από τα απαριθμούμενα ομοιόμορφα αντικείμενα γράφεται Obj_Co κ.ο.κ. Επιπλέον, στις σύνθετες προτάσεις μπορεί να εμφανιστούν και τριπλές ετικέτες, για παράδειγμα, όταν πρέπει να επισημανθούν ομοιόμορφες δευτερεύουσες προτάσεις: Pred_Atr_Co – πρόκειται για δευτερεύουσα αναφορική πρόταση. ΠΙΝΑΚΑΣ 1. Συντακτικές λειτουργίες και οι ετικέτες τους στο σώμα κειμένων Ετικέτα Συντακτική λειτουργία Παράδειγμα Sub Υποκείμενο Jis [Sub] sakė Pred Κατηγόρημα (ή βοηθητική λέξη) Jis ėjo [Pred]; buvo [Pred] patenkintas PredN Ονοματικό μέρος του κατηγορήματος Ήταν [Pred] ικανοποιημένος [PredN] PredV Ρηματικό μέρος του κατηγορήματος Πρέπει [Pred] να ανταποκριθεί [PredV] Obj Αντικείμενο Περιμένω τον επισκέπτη [Obj]· πρέπει να αποφασίσει [Obj] Atr Προσδιορισμός (επιθετικός προσδιορισμός) Μέση [Atr] σχολή· κράτος μέλος [Atr] Adj Επιρρηματικοί προσδιορισμοί Θα αποφασίσει τώρα [Adj]· στην οδό των Παρτιζάνων [Adj] 19 Τράπεζα δέντρων εξαρτήσεων της Πράγας (Prague Dependency Treebank), βλ. αναλυτικότερα https://ufal.mff.cuni.cz/pdt3.0. 20 Διαθέσιμο στο διαδίκτυο: http://www.ruscorpora.ru/en/. BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 10 Aux Βοηθητική λειτουργία (π.χ. κόμματα ή άλλα σύμβολα) AuxC Υποτακτική σύνδεση (δευτερεύουσες προτάσεις) Sakė, kad [AuxC]... AuxK Σημείο στίξης στο τέλος της πρότασης AuxL Βοηθητική λεξική μονάδα (π.χ. λέξη σε ξένη γλώσσα) JAV kompanija North [AuxL] American [AuxL] Investment [AuxL] Consulting [AuxL] Inc. [Atr] AuxP Πρόθεση Pereis į [AuxP] lygį AuxZ Μόριο Kaip ir [AuxZ] visada Coord Σύνδεση Κατασκευαστών και [Coord] πωλητών _Co (π.χ., Atr_Co) Συνδεόμενα στοιχεία (π.χ., ομοιόμορφα μέρη της πρότασης) Κατασκευαστών [Atr_Co] και [Coord] πωλητών [Atr_Co] Par Παρεμβολές, προσφωνήσεις Για να πούμε την αλήθεια [Par], φαίνεται ExD Έλλειψη ή άλλες παραλείψεις στην πρόταση Η γυναίκα είναι [Pred_ExD] ον Pred_ (π.χ., Pred_Obj) Τύπος δευτερεύουσας πρότασης με εξαρτημένη σύνδεση (σημειώνεται στο κατηγόρημα) Έγραψε ότι τις ιδιότητες τις καθορίζει [Pred_Obj] Επίπεδο χειροκίνητης επεξεργασίας των προτάσεων. Όλες οι προτάσεις που είχαν αναλυθεί αυτόματα συντακτικά ελέγχθηκαν από γλωσσολόγους. Η ανάλυση πολλών προτάσεων, ιδίως των σύνθετων, χρειάστηκε διόρθωση και έπρεπε να υποδειχθούν οι σωστές εξαρτήσεις. Σε ορισμένες περιπτώσεις διορθώθηκαν και οι μορφολογικές ετικέτες. Τις προτάσεις διόρθωσαν χωριστά τρεις γλωσσολόγοι και στη συνέχεια κάθε πρόταση ελέγχθηκε επιπλέον και από τους τρεις γλωσσολόγους. Οι ιδιαιτερότητες της συντακτικής επισημείωσης περιγράφονται παρακάτω. Ιδιαιτερότητες της συντακτικής επισημείωσης. Κατά την αυτόματη συντακτική ανάλυση, όπως αναφέρθηκε, ως κορυφή του συντακτικού δέντρου (αγγλ. root) θεωρείται το υψηλότερο ιεραρχικά συστατικό της πρότασης (π.χ. ρήμα, μερικές φορές σύνδεσμος στην αρχή της πρότασης) ή άλλο στοιχείο της πρότασης (π.χ. όταν πρόκειται για σύνθετη πρόταση, ο σύνδεσμός της ή μια συνδετική λέξη), ενώ ως κλάδος που υποδεικνύει τη στίξη της πρότασης θεωρείται το σημείο στίξης: τελεία, ερωτηματικό, θαυμαστικό, αποσιωπητικά, άνω τελεία ή άλλο. Στη συνέχεια θα παραθέσουμε συγκεκριμένα παραδείγματα για να παρουσιάσουμε τις ιδιαιτερότητες της συντακτικής επισημείωσης. Παράδειγμα στο οποίο κορυφή της πρότασης είναι το ρήμα [Pred] παρουσιάζεται στο σχήμα 4, ενώ παράδειγμα με σύνδεσμο [Coord] παρουσιάζεται στο σχήμα 5. BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 11 4 ΕΙΚ. Η κορυφή του δέντρου εξαρτήσεων είναι ρήμα BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 12 5 ΕΙΚ. Η κορυφή του δέντρου εξαρτήσεων είναι σύνδεσμος στην αρχή της πρότασης Παράδειγμα όπου η κορυφή της σύνθετης πρότασης είναι σημείο στίξης παρουσιάζεται στο σχήμα 6. BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 13 6 ΣΧ. Η κορυφή του δέντρου εξαρτήσεων είναι το σημείο στίξης που χωρίζει τα μέλη μιας σύνθετης πρότασης Θεωρείται ότι στις εμπρόθετες κατασκευές η πρόθεση καταλαμβάνει υψηλότερη θέση· σημειώνεται ως AuxP, ενώ η λέξη που ακολουθεί σημειώνεται σύμφωνα με τη λειτουργία που επιτελεί (π.χ. αντικείμενο): kainos už [AuxP] elektrą [Obj] (βλ. σχ. 7). BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA BIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 14 7 ΕΙΚ. Σήμανση των ονοματικών φράσεων Οι δευτερεύουσες προτάσεις εξαρτώνται από το κατηγόρημα της κύριας πρότασης, ενώ από αυτό εξαρτάται ο σύνδεσμος της δευτερεύουσας πρότασης (το κόμμα εξαρτάται από τον σύνδεσμο). Είναι σημαντικό να δηλώνεται και η λειτουργία της δευτερεύουσας πρότασης. Αυτή σημειώνεται δίπλα στο κατηγόρημα της δευτερεύουσας πρότασης, π.χ., Pred_Obj – δευτερεύουσα πρόταση αντικειμένου (βλ. εικ. 8). BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 15 ΣΧ. 8. Παράδειγμα σχολιασμού δευτερευουσών προτάσεων σε υποτακτική σύνταξη Ο δείκτης της παρατακτικής σχέσης (σύνδεσμος ή καλώδιο) μπορεί να αποτελεί την κορυφή μιας παρατακτικής κατασκευής (π.χ., προτάθηκε να καθίσουν και [Coord] να παίξουν· προτάθηκε στα παιδιά και [Coord] στους γονείς τους) (βλ. σχ. 9). BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 16 ΣΧ. 9. Παράδειγμα σχολιασμού συνδεόμενων προτάσεων παρατακτικών σχέσεων Εάν υπάρχει πολυμελής μικτή παράταξη, ο σύνδεσμος που υπάρχει στην κατασκευή αποτελεί την κορυφή, ενώ από αυτόν εξαρτώνται όλα τα υπόλοιπα ασύνδετα μέλη (τα κόμματα μαζί με τις λέξεις που απαριθμούν βρίσκονται στο ίδιο επίπεδο εξάρτησης). Τα άλλα σημεία στίξης επισημαίνονται ως Aux (βλ. σχ. 10). BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351–7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 17 ΣΧ. 10. Παράδειγμα σχολιασμού μικτής παρατακτικής κατασκευής (στην εικόνα φαίνονται και περισσότερες περιπτώσεις παρατακτικής σχέσης) Η κορυφή των παρατακτικών προτάσεων είναι ο παρατακτικός σύνδεσμος. Οι συνδετικές λέξεις που αποτελούνται από επιρρήματα, αντωνυμίες ή μόρια (π.χ., το επίρρημα todėl) εξαρτώνται από το κατηγόρημα της δεύτερης πρότασης και λειτουργούν ως επιρρηματικοί προσδιορισμοί (Adj), ενώ τη λειτουργία της σύνδεσης Coord επιτελεί το καλώδιο, όπως και στις ασύνδετες προτάσεις ή στις προτάσεις με επαναλαμβανόμενους συνδέσμους, οι οποίοι εδώ θεωρούνται μόρια (βλ. σχ. 12), όπως και στην περίπτωση σύνδεσης των μελών μιας πρότασης (βλ. σχ. 11, 12). BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 18 ΣΧ. 11. Παράδειγμα σχολιασμού παρατακτικής πρότασης με συνδετική λέξη ΣΧ. 12. Σχολιασμός παρατακτικής κατασκευής BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 19 Είναι δύσκολο να επισημανθούν αριθμητικές εκφράσεις, π.χ. ώρες και έτη. Επισημαίνονται ως επιρρηματικοί προσδιορισμοί με προσδιορισμούς ή ως προσδιορισμοί (βλ. Εικ. 13, 14). ΕΙΚ. 13. Επισήμανση ημερομηνίας ΕΙΚ. 14. Επισήμανση ημερομηνιών και άλλων αριθμητικών εκφράσεων (στην εικόνα παρουσιάζεται μόνο ένα απόσπασμα συντακτικά επισημασμένης πρότασης) BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 20 Δεν είναι πάντα εύκολο να επισημανθούν σύνθετα κατηγορούμενα. Σε ορισμένες περιπτώσεις επισημαίνονται όπως ακριβώς νοούνται και στις γραμματικές της λιθουανικής, δηλαδή ως κατηγορούμενα ονοματικού και ρηματικού τύπου (π.χ., yra [Pred] paprastas [PredN]; gali [Pred] būti [PredV]), ενώ σε ορισμένες περιπτώσεις το δεύτερο συστατικό του κατηγορουμένου θεωρείται αντικείμενο (π.χ., ketinu [Pred] sukvies­ti [Obj]). Ήταν δύσκολο να επισημανθούν οι κατασκευές με ζεύγη συνδέσμων, επειδή και οι δύο σύνδεσμοι βρίσκονται στο ίδιο ιεραρχικό επίπεδο. Σε αυτή την περίπτωση θεωρήθηκε ότι την υψηλότερη θέση στην ιεραρχία καταλαμβάνει το κατηγόρημα της κύριας πρότασης, από το οποίο εξαρτάται η δευτερεύουσα πρόταση (βλ. Εικ. 15). ΕΙΚ. 15. Παράδειγμα επισήμανσης σύνθετων προτάσεων με ζεύγη συνδέσμων Τέλος, εξετάστηκε το καθεστώς ορισμένων μερών του λόγου. Για παράδειγμα, αποφασίστηκε οι επαναλαμβανόμενοι σύνδεσμοι παρατακτικής σύνδεσης να θεωρούνται μόρια, επειδή η λειτουργία τους στη δομή του δέντρου εξαρτήσεων είναι παρόμοια με εκείνη των μορίων (βλ. Εικ. 12). Κατά τη χειροκίνητη συντακτική επισήμανση αντιμετωπίστηκαν πολλά προβλήματα· εδώ αναφέρθηκαν μόνο μερικά. Πολλές από τις δυσκολίες της επισήμανσης επιλύθηκαν ακολουθώντας την προσέγγιση της παραδοσιακής γραμματικής και απλώς συμφωνώντας σε έναν συγκεκριμένο τρόπο επισήμανσης. Σε άλλες περιπτώσεις χρειάστηκε να προσαρμοστούμε στις ιδιαιτερότητες της συντακτικής επισήμανσης και να εφαρμόζουμε με συνέπεια τη συμφωνημένη πρακτική. Τα προβλήματα που προέκυψαν αναμένεται να αντιμετωπιστούν καθώς θα συνεχίζεται η ανάπτυξη της αυτόματης συντακτικής ανάλυσης. Στην επόμενη υποενότητα παρουσιάζεται η αναζήτηση δεδομένων σε επισημασμένα σώματα κειμένων με τη χρήση του συστήματος ANNIS. Πρόκειται για μία από τις προκλήσεις της χρήσης επισημασμένων σωμάτων κειμένων, καθώς η αναζήτηση δεδομένων σε τέτοια σώματα, τα οποία περιλαμβάνουν πολλές ετικέτες και ακόμη και περισσότερα επίπεδα επισήμανσης, πρέπει να είναι πολυδιάστατη. Για τον λόγο αυτό επιλέχθηκε το εργαλείο ANNIS, το οποίο αναπτύχθηκε από ερευνητές του Πανεπιστημίου Humboldt (Γερμανία). BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA BIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 21 3. Αναζήτηση μέσω του συστήματος ANNIS Naudoti ANNIS įrankį nėra labai sudėtinga (plačiau žr. Zeldes 2016). Reikia pasirinkti anotuotą tekstyną (MATO tekstyno dalį (šis tekstynas suskirstytas į dokumentus, grožinę literatūrą, mokslinius tekstus ir periodiką) arba ALKSNIO tekstyną (jis įvardytas taip: Alksnis_paula_1.0) ir pateikti užklausą. Užklausų struktūra aprašyta 3.1 ir 3.2 poskyriuose. Το ANNIS εμφανίζει τις αντίστοιχες γραμμές συμφραστικών παραδειγμάτων μαζί με σχετικές πληροφορίες (βλ. Εικ. 16). Η γραμμή συμφραστικών παραδειγμάτων μπορεί να επεκταθεί από 5 έως 25 λέξεις (συμπεριλαμβανομένων των σημείων στίξης), τόσο προς τα αριστερά όσο και προς τα δεξιά· είναι επίσης δυνατή η εξαγωγή των αποτελεσμάτων. Και στα δύο σώματα κειμένων χρησιμοποιούνται γραμματικές ετικέτες που βασίζονται στις ετικέτες γλωσσικής απόδοσης της Λειψίας21. Έχουν προστεθεί μερικές ετικέτες που δεν περιλαμβάνονται στις προαναφερθείσες, π.χ. το ~COMP δηλώνει τον συγκριτικό βαθμό. Πριν από αυτές τις ετικέτες τοποθετείται το σύμβολο της περισπωμένης. Τα μέρη του λόγου δηλώνονται σύμφωνα με τη μορφή Universal Dependency. ΕΙΚ. 16. Απόσπασμα των αποτελεσμάτων αναζήτησης μέσω του εργαλείου ANNIS Αναζήτηση της λήμματικής μορφής įsakymas στο τμήμα εγγράφων MATO 21 Πρόσβαση στο διαδίκτυο: https://www.eva.mpg.de/lingua/resources/glossing-rules.php. Σε άλλα επισημειωμένα σώματα κειμένων χρησιμοποιούνται συχνά ετικέτες Universal Dependency (UD) (βλ. http://universaldependencies.org/; βλ. επίσης Εικ. 18). Όπως αναφέρθηκε στο πρώτο κεφάλαιο, οι ετικέτες UD είναι πολύ μεγάλες (π.χ.: η αιτιατική πτώση, το θηλυκό γένος και ο πληθυντικός αριθμός δηλώνονται ως εξής: case=accusative|gender=feminine|number=plural), καταλαμβάνουν υπερβολικά πολύ χώρο στη διεπαφή του ANNIS και έτσι η ανάγνωση των πληροφοριών είναι άβολη. BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anuotuoti tekstynai | 22 ΕΙΚ. 17. Απόσπασμα των αποτελεσμάτων αναζήτησης μέσω του εργαλείου ANNIS Αναζήτηση της λήμματικής μορφής įsakymas στο σώμα κειμένων ALKSNIO (για να επισημανθούν οι συντακτικές σχέσεις με βέλη, πρέπει να πατήσετε το σύμβολο συν δίπλα στο deps) 3.1. Απλή αναζήτηση Η αναζήτηση ενός χαρακτηριστικού ονομάζεται απλή. Η διαθέσιμη επισήμανση (ονομασίες γραμματικών κατηγοριών, χρησιμοποιούμενες γραμματικές σημάνσεις κ.λπ.) εξαρτάται από τη δομή κάθε σώματος κειμένων και όχι από το εργαλείο ANNIS. Επισημαίνουμε ότι κατά τη διαμόρφωση του ερωτήματος πρέπει να γίνεται διάκριση μεταξύ κεφαλαίων και πεζών γραμμάτων. 3.1.1. Αναζήτηση ακριβών μορφών λέξεων (συμβολοσειρών) Η απλή αναζήτηση πραγματοποιείται με την αναφορά του ονόματος της κατηγορίας, του σημείου ισότητας και της τιμής της κατηγορίας μέσα σε αγγλικά εισαγωγικά, π.χ.: • lemma="kalba" (το ερώτημα αυτό σημαίνει ότι αναζητείται το λήμμα kalba); • pos="ADJ" (αναζητούνται επίθετα); • gram=".M.SG.GEN." (αναζητούνται λέξεις που έχουν χρησιμοποιηθεί με ορισμένες γραμματικές κατηγορίες, στην προκειμένη περίπτωση σε γενική πτώση, ενικού αριθμού, αρσενικού γένους). BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 23 Για την αναζήτηση συγκεκριμένου τύπου λέξης σε ένα κείμενο, πρέπει να δηλωθεί το όνομα της κατηγορίας tok ή απλώς να καταχωριστεί σε εισαγωγικά ο τύπος που αναζητείται, π.χ.: • tok="είπε" ή "είπε". Και στα δύο ανωνοτατημένα σώματα κειμένων είναι δυνατή η αναζήτηση λημμάτων, μερών του λόγου, γραμματικών κατηγοριών και συγκεκριμένων τύπων λέξεων, ενώ στο ALKSNYJE είναι επιπλέον δυνατή η αναζήτηση συντακτικών ετικετών, π.χ.: • syfun="Atr" (αναζήτηση επιθετικών προσδιορισμών). Στο ALKSNYJE είναι επίσης δυνατή η αναζήτηση σχέσεων εξάρτησης (deps), αλλά η αναζήτησή τους γίνεται με διαφορετική αρχή (βλ. 3.2.3). 3.1.2. Αναζήτηση δομών χαρακτήρων Το ANNIS επιτρέπει την αναζήτηση με τη χρήση κανονικών εκφράσεων (αγγλ. regular expressions), οι οποίες δηλώνονται με ειδικά σύμβολα. Η αναζήτηση με κανονικές εκφράσεις διατυπώνεται ουσιαστικά όπως και το ερώτημα αναζήτησης ακριβών τύπων λέξεων· απλώς πρέπει να αντικατασταθούν τα αγγλικά εισαγωγικά με κάθετες. 3.1.2.1. Αναζήτηση οποιουδήποτε χαρακτήρα Το σημαντικότερο ειδικό σύμβολο είναι η τελεία· αντικαθιστά οποιονδήποτε μεμονωμένο χαρακτήρα (γράμμα, ψηφίο κ.λπ.), π.χ.: • lemma=/pl.t.s/ (αναζητούνται, π.χ., platus, plotis, plitus); • /p.sak.s/ ή tok=/p.sak.s/ (αναζητούνται, π.χ., pasakys, pasakos, pasakas, pasakęs, pasakis); • /201./ ή tok=/201./ (αναζητούνται, π.χ., 2010, 2011, 2012...). Καθώς η τελεία μπορεί να αντικαταστήσει οποιοδήποτε σύμβολο, για την αναζήτηση του ίδιου του συμβόλου της τελείας χρησιμοποιείται ο συνδυασμός ανάστροφης κάθετου + τελείας (\.), π.χ.: • gram=/^\..\SG\.GEN\./ (αναζητούνται, π.χ., .M.SG.GEN.,.F.SG.GEN.,...). 3.1.2.2. Αναζήτηση ενός από πολλούς χαρακτήρες Αντί για αναζήτηση εντελώς απροσδιόριστων χαρακτήρων, στο ερώτημα αναζήτησης μπορούν να καθοριστούν ορισμένοι συγκεκριμένοι χαρακτήρες που αναζητούνται. Γράφονται μέσα σε αγκύλες, π.χ.: • lemma=/pl[ao]t.s/ (αναζητούνται, π.χ., platus, plotis, αλλά όχι plitus); • /t[ei]lp./ ή tok=/t[ei]lp./ (αναζητούνται, π.χ., telpa, tilpo, αλλά όχι talpa); • /201[0124]/ ή tok=/201./ (αναζητούνται τα 2010, 2011, 2012, 2014); BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anuotuoti tekstynai | 24 • gram=/\.[MFN]\.SG\.GEN\./ (αναζητούνται τα .M.SG.GEN.,.F.SG.GEN.,.N.SG.GEN.). Επισημαίνουμε ότι με αυτόν τον τρόπο η αναζήτηση γίνεται βάσει ενός χαρακτήρα από το καθορισμένο σύνολο χαρακτήρων: το /dirb[aius]/ επιτρέπει την αναζήτηση των dirba, dirbi, dirbu, dirbs, αλλά όχι των dirbau ή dirbsi. 3.1.3. Τελεστές επανάληψης Οι χαρακτήρες (συνηθισμένοι και ειδικοί) μπορούν να επαναλαμβάνονται, π.χ.: • lemma=/..važiuoti/ (αναζητούνται, π.χ., τα nuvažiuoti, išvažiuoti, apvažiuoti, atvažiuoti, nev ažiuoti); • /dirb[ao][mt]e/ ή tok=/dirb[ao][mt]e/ (αναζητούνται τα dirbame, dirbate, dirbome, dirbote). Έτσι, ο αριθμός των χαρακτήρων που αναζητούνται είναι σταθερός, π.χ. δύο χαρακτήρες στα παραδείγματα που παρατίθενται (ή [ao][mt]), επομένως το ερώτημα lemma=/..važiuoti/ δεν θα επιστρέψει αποτελέσματα με το λήμμα įvažiuoti. Περισσότερες δυνατότητες παρέχουν οι τελεστές επανάληψης, οι οποίοι έχουν τις εξής σημασίες: •? – ένας συγκεκριμένος χαρακτήρας εμφανίζεται μία φορά ή καθόλου· • + – ένας συγκεκριμένος χαρακτήρας εμφανίζεται τουλάχιστον μία φορά (δηλαδή μία, δύο, τρεις, τέσσερις ή περισσότερες φορές)· • * – ένας συγκεκριμένος χαρακτήρας εμφανίζεται n φορές (δηλαδή μπορεί να μην εμφανίζεται καθόλου, να εμφανίζεται μία, δύο ή περισσότερες φορές) Αυτοί οι τελεστές βοηθούν στην αναζήτηση χαρακτήρων που ακολουθούν ή προηγούνται από αυτούς, π.χ.: • /šild?o/ (αναζητούνται šilo ή šildo); • /Ma+u/ (αναζητούνται Mau, Maau, Maaau, Maaau κ.ο.κ.); • /oi*/ (αναζητούνται o, oi, oii, oiii κ.ο.κ.). Οι προαναφερθέντες τελεστές είναι συμβατοί με την αναζήτηση οποιουδήποτε ή ενός από πολλούς χαρακτήρες, π.χ.: • lemma=/. *važiuoti/ (αναζητούνται, π.χ., važiuoti, išvažiuoti, įvažiuoti, nuvažiuoti, pravažiuoti, nepravažiuoti); • /šauk[aiu]*/ ή tok=/šauk[aiu]*/ (αναζητούνται, π.χ., šauk, šauki, šaukia, šaukiu); BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anot uoti tekstynai | 25 /šauk[aiu]+/ ή tok=/šauk[aiu]+/ (αναζητούνται, π.χ., šauki, šaukia, šaukiu, αλλά όχι šauk); gram=/.*\.F\..*/ (αναζητείται η ακολουθία.F. ανάμεσα σε οποιεσδήποτε άλλες ακολουθίες χαρακτήρων). Αξίζει να σημειωθεί ότι δομές όπως [aiu]* ή [aiu]+ δεν επηρεάζουν τη σειρά των χαρακτήρων που αναζητούνται. Επομένως, επιστρέφονται αποτελέσματα που περιέχουν a ή i, ή u + a· ή i, ή u + a· ή i, ή u.... Έτσι, αναγνωρίζονται οι ακόλουθοι συνδυασμοί χαρακτήρων: aaa, i, uuuuu, uiua, uua κ.ο.κ. 3.1.4. Αναζήτηση εναλλακτικών Η κάθετη γραμμή (|) επιτρέπει την αναζήτηση εναλλακτικών, π.χ.: λήμμα="κακός" | λήμμα="καλός"؛ /d(au|ū)ž.*/ ή tok=/d(au|ū)ž.*/ (αναζητούνται, π.χ., daužo, dūžta, daužymas); gram=/.*\.~(COMP|SUP)\..*/ (αναζητούνται οι ετικέτες.~COMP. και.~SUP. ανάμεσα σε οποιεσδήποτε ακολουθίες χαρακτήρων); "tik" | "tiktai" ή tok="tik" | tok="tiktai" (αναζητούνται οι λέξεις tik και tiktai). 3.1.5. Αρνητικά διατυπωμένα ερωτήματα Αν και αυτή η δυνατότητα είναι χρησιμότερη κατά τον συνδυασμό χαρακτηριστικών σε σύνθετες αναζητήσεις, και στις απλές αναζητήσεις μπορεί να οριστεί τι δεν πρέπει να αναζητηθεί, π.χ.: pos!="NOUN" (αναζητούνται όλες οι λέξεις που δεν είναι ουσιαστικά); tok!=/.*[ąaęeėįiyiouųū]/ (αναζητούνται όλες οι μορφές λέξεων που δεν τελειώνουν σε φωνήεν). Αν δεν επιλεγεί σύνθετο ερώτημα αναζήτησης (βλ. 3.2), τα αρνητικά διατυπωμένα απλά ερωτήματα μπορεί να προκαλέσουν προβλήματα, ιδίως αν καλύπτουν πολλές λέξεις (όπως στην πρώτη περίπτωση — τα ουσιαστικά), οπότε πρέπει να χρησιμοποιούνται με προσοχή. 3.2. Σύνθετη αναζήτηση Η σύνθετη αναζήτηση αποτελείται από πολλές απλές αναζητήσεις. Χρειάζεται επίσης ένα πρόσθετο μέρος που περιγράφει τις σχέσεις μεταξύ των απλών αναζητήσεων (που προσδιορίζονται με βάση τη θέση). Κάθε μέρος απλής αναζήτησης συνδέεται με το σύμβολο του εμπορικού «και» (&). BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoji tekstynai | 26 3.2.1. Συνδυασμοί χαρακτηριστικών για μία λέξη Η απλή αναζήτηση αναζητά την ίδια λέξη, ενώ η σχέση μεταξύ των απλών αναζητήσεων εκφράζεται με τον τελεστή συνδυασμού (_=_), π.χ.: • "mano" & pos="PRON" & #1 _=_ #2 (αναζήτηση της αντωνυμίας mano, αλλά όχι του ρήματος manyti στο τρίτο πρόσωπο του ενεστώτα). Αυτή η διατύπωση του ερωτήματος σημαίνει ότι η πρώτη απλή αναζήτηση (#1, δηλαδή "mano" ή tok="mano") και η δεύτερη απλή αναζήτηση (#2, δηλαδή pos="PRON") αφορούν την ίδια λέξη. 3.2.2. Συνδυασμοί λέξεων Εάν με βάση την απλή αναζήτηση διατυπωθεί ένα ερώτημα για διαφορετικές λέξεις, ο τελεστής συνδυασμού αντικαθίσταται από τον τελεστή ακολουθίας (τελεία), π.χ.: • lemma="pilnas" & gram=/.*\.GEN\..*/ & #1.1 #2 (αναζήτηση λέξης σε γενική πτώση που ακολουθεί τη λέξη pilnas). Ο αριθμός 1 μετά την τελεία σημαίνει ότι το #2 ακολουθεί αμέσως (χωρίς παρεμβολή) το #1. Ο αριθμός 2 θα σήμαινε ότι παρεμβάλλεται μία λέξη, το 3 – δύο λέξεις κ.ο.κ. Αντί για.1 μπορεί να γραφτεί τελεία χωρίς αριθμό (lemma="pilnas" & gram=/.*\.GEN\..*/ & #1. #2). Μπορεί να προσδιοριστεί το διάστημα με κόμμα, π.χ..2,4 (με παρεμβολή από μία έως τρεις λέξεις). Αν το μέγεθος της παρεμβολής δεν έχει σημασία, πρέπει να γραφτεί τελεία και αστερίσκος (*). Σε ένα σύνθετο ερώτημα μπορούν να χρησιμοποιηθούν οι τελεστές ακολουθίας και συνδυασμού, π.χ.: • lemma="pilnas" & gram=/.*\.GEN\..*/ & pos!="ADJ" & #1.1 #2 & #2 _=_ #3 (αναζήτηση λέξεων σε γενική πτώση που δεν είναι επίθετα, μετά τη λέξη pilnas). 3.2.3. Αναζήτηση συντακτικών εξαρτήσεων Μπορεί επίσης να γίνει αναζήτηση δομών εξάρτησης μέσω σύνθετης αναζήτησης με τον τελεστή άμεσης εξάρτησης ->, π.χ.: • pos="NOUN" & pos="ADJ" & #1 ->deps #2 (αναζητούνται ουσιαστικά που εξαρτούν επίθετα, π.χ., πολυκατοικία σπίτι); • pos="VERB" & gram!=/.*\.NEG\..*/ & gram=/.*\.GEN\..*/ & syfun="Obj" & #1 _=_ #2 & #3 _=_ #4 & #1 ->deps #3 (αναζητούνται καταφατικά ρήματα που εξαρτούν αντικείμενα εκφρασμένα σε γενική πτώση, π.χ., να περιμένει ερωτήσεις). BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotouti tekstynai | 27 ΣΥΜΠΕΡΑΣΜΑΤΙΚΕΣ ΠΑΡΑΤΗΡΗΣΕΙΣ Τα σώματα κειμένων MATAS και ALKSNIS αποτελούν σημαντικούς πόρους για τη λιθουανική γλώσσα. Είναι απαραίτητα για τα επόμενα στάδια της μηχανοποίησης της γλώσσας. Από αυτά τα σώματα κειμένων μπορούν να αντληθούν ποσοτικά δεδομένα σχετικά με την κατανομή των μερών του λόγου, των γραμματικών τύπων και των συντακτικών λειτουργιών, καθώς και σχετικά με τα συχνότερα λήμματα, τους γραμματικούς τύπους κ.ο.κ. (ορισμένες συγκεκριμένες ποσοτικές μελέτες βρίσκονται στις ακόλουθες εργασίες: Rimkutė 2006; Utka 2009; Brokaitė 2017). Το MATAS χρησιμοποιήθηκε για την εκπαίδευση του αναλυτή semantika.lt (για την αξιολόγηση της ποιότητας της επισημείωσης). Στο μέλλον είναι απαραίτητο να συνεχιστεί η ανάπτυξη της αυτόματης συντακτικής ανάλυσης. Πρώτα απ’ όλα, θα μπορούσε να βελτιωθεί η ποιότητα της συντακτικής επισημείωσης: να εξειδικευτούν οι συντακτικές λειτουργίες και να προστεθούν νέες επισημάνσεις (π.χ. να εξειδικευτούν οι επιρρηματικοί προσδιορισμοί με βάση τη σημασιολογία τους: τόπου, τρόπου, χρόνου κ.λπ.). Κατά τα αρχικά στάδια της συντακτικής επισημείωσης αντιμετωπίστηκαν αρκετές ασάφειες στην επισημείωση, γι’ αυτό θα πρέπει να συζητηθούν ορισμένες συντακτικές περιπτώσεις, όπως η επισημείωση των σύνθετων κατηγορουμένων, η έλλειψη, η διάκριση ασύνδετων προτάσεων και επεξηγηματικών κατασκευών, καθώς και το καθεστώς ορισμένων μερών του λόγου κ.ο.κ. Μια άλλη κατεύθυνση εργασίας είναι η διεύρυνση του ίδιου του σώματος κειμένων. Θα πρέπει να εμπλουτιστούν οι ενότητες του σώματος ανά είδος κειμένου, π.χ. με την προσθήκη περισσότερων επιστημονικών κειμένων και κειμένων εκλαΐκευσης της επιστήμης. Επιπλέον, το σώμα κειμένων πρέπει να μετατραπεί στην ευρέως χρησιμοποιούμενη διεθνή μορφή Universal Dependency (βλ. εικ. 18· εδώ δεν αναφέρονται οι γραμματικές επισημάνσεις· στο παράδειγμα παρουσιάζεται συντακτικά επισημειωμένο δείγμα της φινλανδικής γλώσσας). ΕΙΚ. 18. Universal Dependency μορφή Ένας από τους κύριους στόχους της αυτόματης συντακτικής ανάλυσης είναι η δημιουργία ενός συντακτικού αναλυτή που λειτουργεί με στατιστική βάση (αγγλ. statistically-based parser), ο οποίος θα βασίζεται στο ALKSNIS ως πρότυπο συντακτικής ανάλυσης και θα χρησιμοποιείται για την επισημείωση μεγάλου όγκου κειμένων. Εφόσον υπάρχουν οι δυνατότητες, η συντακτική ανάλυση μπορεί να επεκταθεί και σε άλλες κατευθύνσεις, π.χ. στην επισημείωση θεματικών ρόλων (αγγλ. thematic role annotation). Πρόκειται για μια ορισμένη σημασιολογική αναπαράσταση που σχετίζεται με τη σθένεια. Αυτό το επίπεδο έχει αποδοθεί σε κάθε λέξη στο εσωτερικό σύστημα συντακτικής επισημείωσης και επί του παρόντος δεν είναι δημόσια ορατό, καθώς είναι περισσότερο πειραματικό, δεν έχει αναπτυχθεί πλήρως και δεν έχει ελεγχθεί. Θα ήταν επίσης χρήσιμο να επισημανθούν οι παγιωμένες φράσεις (αγγλ. multi-word BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 28 expressions, MWE22), οι οποίες περιλαμβάνουν συμπλοκές λέξεων και φρασεολογισμούς. Μέχρι τώρα δεν επισημαίνονταν στο σώμα κειμένων, με εξαίρεση τις μορφολογικές πολυλεκτικές μονάδες, τα συστατικά των οποίων έχουν συνενωθεί σε μία μονάδα (π.χ., προς το παρόν, από μακριά) και έχουν μία μορφολογική και συντακτική λειτουργία (συνήθως επισημαίνονται ως επιρρήματα και επιρρηματικοί προσδιορισμοί). Σχεδιάζεται επίσης να επισημανθούν οι αναφορικές σχέσεις (όταν σε μία πρόταση χρησιμοποιείται ένα ουσιαστικό και σε άλλη πρόταση (ή σε άλλο μέρος της ίδιας πρότασης) αντικαθίσταται από αντωνυμία, δηλαδή να επισημανθούν οι συνδέσεις μεταξύ της αντωνυμίας και του ουσιαστικού που αυτή αντικαθιστά). LITERATŪRA Bielinskienė A., Boizou L., Kovalevskaitė J., Rimkutė E. 2016: Lithuanian dependency treebank ALKSNIS. – Human language technologies – the Baltic perspective: proceedings of the 7th international conference, Baltic HLT 2016. Amsterdam: IOS Press, 107–114. Prieiga internete: http://ebooks.iospress.nl/volumearticle/45523 (žiūrėta 2017 10 15). Boizou L., Zamblera F. 2014. Syntactic engine for the Lithuanian language. – Human language technologies – the Baltic perspective: proceedings of the 6th international conference, Baltic HLT 2014. Amsterdam: IOS Press, 69–74. Prieiga internete: http://ebooks.iospress.nl/publication/38006 (žiūrėta 2017 10 15). Bro į kaitė K. 2017: Tarinio raiška gramatinėmis formomis sintaksiškai anotuotame lietuvių kalbos tekstyne ALKSNIS. Magistro darbas. Vytauto Didžiojo universitetas. Dadūrkevičius 2017: Lietuvių kalbos gramatika skaitmeniniame atvirojo kodo pasaulyje. – 24-osios Jono Jablonskio konferencijos Skaitmeniniai kalbos ištekliai jų plėtros kryptys ir panaudos galimybės pranešimų tezės. 2017 m. rugsėjo 29 d., Vilnius. Hajič J., Panevová J., Buráňová E., Urešová Z., Bémová A. 1999: ANNOTATIONS AT ANALYTICAL LEVEL. Instructions for annotators (11.10.1999), UK MFF ÚFAL Praha. Prieiga internete https://ufal.mff.cuni.cz/pedt2.0/publications/a-man-en.pdf (žiūrėta 2017 11 05). Kapočiūtė-Dzikienė J., Rimkutė E., Boizou L. 2017: A Comparison of Lithuanian Morphological Analyzers. – 20th International Conference Text, Speech, and Dialogue (TSD 2017). Springer International Publishing AG, 47–56. Muischnek K., Müürisep K., Puolakainen T. 2014: Dependency Parsing of Estonian: Statistical and Rule-based Approaches. – Human Language Technologies – The Baltic Perspective: proceedings of the 6th international conference, Baltic HLT 2014. Amsterdam: 22 Pastoviųjų junginių tyrimams skirtas tarptautinis projektas PARSEME, žr. https://typo.uni-konstanz.de/parseme/. BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 29 IOS Press, 111–118. Prieiga internete: http://ebooks.iospress.nl/publication/38013 (žiūrėta 2017 10 10). Pretkalniņa L., Rituma L., Saulīte B. 2016: Universal Dependency Treebank for Latvian: A Pilot. – Proceedings of the 7th International Conference on Human Language Technologies – the Baltic Perspective: proceedings of the 7th international conference, Baltic HLT 2016. Amsterdam: IOS Press, 136–143. Prieiga internete: http://ebooks.iospress.nl/volumearticle/45527 (žiūrėta 2017 10 10). Rimkutė E. 2006: Morfologinio daugiareikšmiškumo ribojimas kompiuteriniame tekstyne. Daktaro disertacija. Vytauto Didžiojo universitetas. Utka A. 2009: Dažninis rašytinės lietuvių kalbos žodynas: 1 milijono žodžių morfologiškai anotuoto tekstyno pagrindu. Kaunas: Vytauto Didžiojo universiteto leidykla. Prieiga internete: http://donelaitis.vdu.lt/publikacijos/Dazninis_zodynas.pdf (žiūrėta 2017 12 07). Utka A., Bielinskienė A., Boizou L., Kovalevskaitė J., Repečka V., Rimkutė E. 2017: Kalbos technologijos – būtina sąlyga kalbai egzistuoti. BNS Spaudos centras. 2017 m. spalio 5, 1–4. Prieiga internete: http://sc.bns.lt/view/item/246397 (žiūrėta 2017 10 20). Zeldes A. 2016: ANNIS User Guide (Version 3.4.3). Prieiga internete: http://corpus-tools.org/annis/resources/ANNIS_User_Guide_3.4.3.pdf (žiūrėta 2017 10 31). Zinkevičius V. 2000: Lemuoklis – morfologinei analizei. – Darbai ir dienos, 24, 245–274. Prieiga internete: http://donelaitis.vdu.lt/publikacijos/zinkevicius.pdf (žiūrėta 2017 10 07). Zipser F., Romary L. 2010: A model oriented approach to the mapping of annotation formats using standards. – Proceedings of the Workshop on Language Resource and Language Technology Standards, LREC 2010. Malta. Prieiga internete: http://hal.archives-ouvertes.fr/inria-00527799/en/ (žiūrėta 2017 12 07). Įteikta 2017 11 06 Priimta 2017 12 20 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotouti tekstynai | 30 LITHUANIAN MORPHOLOGICALLY ANNOTATED CORPUS AND TREEBANK Summary Annotated corpora are fundamental resources, which are very useful to develop language technology. The size, quality, and structure of such annotated corpora has a direct influence on the development of other tools. This article describes two annotated corpora prepared by the Centre of Computational Linguistics at Vytautas Magnus University: MATAS, a morphologically annotated corpus, and ALKSNIS, a treebank. It mainly discusses the structure and the tag set of both corpora, as well as the annotation procedure and tools. Both corpora are available online through ANNIS interface, therefore the syntax of ANNIS simple and complex requests is summarised for the Lithuanian potential users. KEYWORDS: corpus, automatic morphological analysis, automatic syntactic analysis, treebank, language technologies. AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ Vytauto Didžiojo universiteto Kompiuterinės lingvistikos centras V. Putvinskio g. 23–216, 44243 Kaunas agnė[email protected] [email protected] [email protected] BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204