utkl:czesl:private:odborna_cast:schuzka_16_10_2009

Wiki spuštěna 24. 7. 2025
This page is read only. You can view the source, but not change it. Ask your administrator if you think this is wrong.
=== Záznam ze schůzky projektu CZESL 16. 10. 2009 v ÚTKL FFUK ===

Účastníci:

  * doc. Šebesta
  * dr. Škodová
  * Mgr. Štindlová
  * dr. Skoumalová
  * dr. Rosen
  * doc. Petkevič
  * dr. Hnátková
  * Mgr. Jelínek
  * J. Kovaříková

Jména účastníků jsou níže uváděna - promiňte, že poněkud hrubě - bez 
titulů a bez křestních jmen, jen demokraticky označením "kol.".

a) Kol. Šebesta předložil svůj pohled na hrubost/jemnost značkování a 
předložil argumenty pro hrubé značkování. Bylo by vhodné, kdyby svůj 
text nadepsaný "Konstanty" poskytl ostatním i elektronicky s tím, že 
předtím v textu na samém začátku laskavě opraví "3 miliony" na "2 miliony".

b) ÚTKL navrhuje ústy kol. Rosena rozčlenění anotace do 4 anotačních rovin:

0. rovina: Bude obsahovat surovou vstupní větu a bude pro každý text 
jedna. Tato rovina se nebude slovnědruhově a morfologicky značkovat.

Následující roviny 1-3 budou součástí jedné z více možných hypotéz. Z 
praktických důvodů může být počet hypotéz omezen, např. na 3, o tom 
bychom se měli ještě dohodnout. Pokud není třeba nic opravovat, anotátor 
může danou rovinu ignorovat - informace na přísl. rovině může se doplnit 
automaticky.

1. rovina: anotace pravopisu, hláskosloví, tvarosloví - opravované slovo 
přitom musí existovat; výstupem je anotovaná věta. Na této rovině se při 
anotaci nebude měnit slovní druh, např. "jinaků" se ponechá, jak je, 
čili neznačkované, nebo se případně může označkovat neautomaticky; k 
jeho nahrazení vhodným synonymem dojde až na 3. rovině.

2. rovina: anotace morfosyntaxe, shody, valence: lze 
doplňovat/ubírat/opravovat jen synsémantika; nelze měnit slovosled; 
výstupem je anotovaná věta. Na této rovině bude tedy docházet ke 
"gramatikalizaci" vstupní věty až na úpravu slovosledu, jež je přesunuta 
na 3. úroveň.

3. rovina: anotace změn slovosledu, slovní zásoby, sémantiky, stylu, 
úzu; výstupem je anotovaná věta. Výstupem této roviny nebude nutně 
stylisticky dokonalá česká věta, ale jen gramaticky správná česká věta. 
Na této rovině se budou nečeská či nevhodná slova nahrazovat jejich 
tušenými synonymy ("jinaků" -> "odlišností"; "obecný úřad" -> "obecní 
úřad").

1. - 3. rovina se bude slovnědruhově a morfologicky značkovat.

Mezi tyto roviny budou vloženy chybové meziroviny s uzly pro zaznamenání 
typu chyby a toho, jakých uzlů sousedních rovin se chyba týká. Informace 
o chybách tak budou jasně odděleny od jednotlivých rovin obsahujících 
věty. Každý uzel meziroviny bude svým popisem vyjadřovat příslušnou 
chybu a bude pojítkem mezi uzly sousedních rovin chybou zasaženými. 
Mimoto se počítá ještě s jednosměrnými vztahy/spoji typu 
"odkaz/pointer/reference" pro zaznamenání syntaktických/syntagmatických 
vztahů mezi slovy, např. u věty "dívky zapěli Píseň práce" povede odkaz 
od uzlu, který odpovídá slovu "zapěli" a který leží na mezirovině mezi 
rovinou 1 a 2, k uzlu odpovídajícímu slovu "dívky", který leží na 2. 
rovině (nebo na 1. rovině či mezirovině - to se ještě upřesní). Podobně 
u "nerozumí ho" - odkaz od uzlu, který odpovídá slovu "ho" a který leží 
na mezirovině mezi rovinou 1 a 2, k uzlu odpovídajícímu slovu 
"nerozumí". Identifikace chyby bude vždy u chybného tvaru s odkazem na 
"zdroj" shody nebo řídící slovo - v případě rekce. 
Syntaktické/Syntagmatické vztahy se budou takto anotovat jen u chyb 
shody, rekce, případně zájmenného odkazování.

Vstupní věta se anotuje na rovinách v uvedeném pořadí, některou z rovin 
bude možné při zpracování přeskočit.

c) Kol. Rosen se zmínil o nedostatečnosti programu EXMARaLDA a nabídl 
software MED, vyvinutý v Ústavu formální a aplikované lingvistiky MFFUK. 
Zde jsou příslušné odkazy:

[[http://ufal.ms.mff.cuni.cz/tools.html/med.html]]

[[https://wiki.ufal.ms.mff.cuni.cz/pajas:med]]

projekt: [[https://wiki.ufal.ms.mff.cuni.cz/pdtsc:start]]

MED je dosud určen k vytváření syntakticky anotovaných korpusů mluveného 
jazyka, ale dal by se přizpůsobit účelům našeho projektu, zejména 
poslouží po vložení chybových mezirovin specifikaci korespondence mezi 
skupinami slov na sousedních rovinách popisu a uchování identity téhož 
slova na různých rovinách při změně slovosledu týkající se příslušného 
slova. Kol. Rosen uvedl o MEDu základní informace a předvedl, jak vypadá 
dílčí zpracování mluvené věty. ÚTKL v současnosti shání programátora, 
který by MED upravil pro účely CZESLu.

d) Bylo by dobré, kdyby byl upravený MED co nejdříve k dispozici, 
nejpozději však do ledna/února 2010, aby si jej kmenoví spolupracovníci 
projektu mohli vyzkoušet a aby pak - dokonale obeznámeni s jeho 
funkčními možnostmi - mohli zaučit anotátory. K dispozici by měl být i 
manuál, jak s upraveným MEDem pracovat. Zatím je k dispozici manuál k 
současnému MEDu, tedy pro značkování syntakticky anotovaného korpusu 
mluveného jazyka. Na tento manuál posílá kol. Rosen ostatním webový odkaz:

[[https://wiki.ufal.ms.mff.cuni.cz/_media/pdtsc:tr-2008-38.pdf]]

e) Probírala se otázka, zda anotátor potřebuje morfologické a 
slovnědruhové značkování. Ano, je vhodné, aby je měl k dispozici. 
Opakujeme: rovina 0 se však takto značkovat nebude, značkovat se budou 
až roviny vyšší, tj. 1. rovina - 3. rovina.

f) S bodem e) úzce souvisí otázka, kam ukládat (anotovaná) data. Bude 
vhodné, aby anotátor i další mohli pracovat v režimu on-line na webu, 
což znamená, že data by měla být uložena centrálně na centrálním 
serveru, nejlépe v ÚTKL. Anotátoři by anotovali pomocí webového browseru 
a k datům by měli mít mimo anotátory přístup všichni relevantní pracovníci.

h) Vstupní data: Kol. Štindlová informovala o tom, že textový vstup je 
tvořen 3 součástmi, kterými jsou:

h1) identifikace soubor - průvodka

h2) správní informace o textu (hlavička souboru) v podobě dotazníku

h3) textový soubor samý

Specifickým dotazníkem bude dotazník pro texty Romů. Mohou být buď různé 
typy databázových/metadatových záznamů nebo sjednocení různých typů záznamů.

Z diskuse vyplynulo, že vstupní data se budou uchovávat na 2 místech a v 
různých podobách:

  * v liberecké databázi
  * na serveru ÚTKL

Ad databáze: jde patrně pouze o metadata. V databázi by se měly objevit 
údaje o anotaci: kdo a kdy anotoval. Co tvoří metadata, musí stanovit 
liberečtí spolupracovníci. V tomto případě je nutno, aby data z databáze 
byla provázána s vlastními texty, optimální řešení bychom měli nechat na 
odborníkovi. Jedna věc je, kde budou umístěna rozpracovaná data (on-line 
anotovaná) data, a druhá věc, kde bude uložen výsledek: korpus. Možná 
nejlíp obojí na jednom místě.

i) ÚTKL poskytne libereckým kolegům požadavky na data, která se budou 
exportovat do formátu XML, s nímž se bude pracovat na serveru ÚTKL. 
Nelze však vyloučit naopak i import z XML do databáze - např. informace 
o tom, kdo a kdy anotoval.
Jeden požadavek na data se již domluvil: data by se měla pro účely 
zpracování VŽDY jednotně kódovat v kódování UTF-8 a ve formátu txt.

Pro představu o možných chybách ve vstupních textech a pro specifikaci 
vhodné nomenklatury chyb však budou do ÚTKL občas zasílána textová data 
jako dosud ve formátu Word.

j) Kol. Štindlová se s kol. Petkevičem dohodli na přípravě modifikované 
chybové klasifikace ve světle dosavadních diskusí. Ohledně podrobnosti 
značkování, která se obráží v počtu kategorií a podkategorií 
lingvistických oblastí a typů chyb, kol. Jelínek navrhuje pro každou z 
rovin 1., 2. a 3. hierarchii maximálně tohoto rozsahu:

hloubka hierarchie: nejvýše 2, čili nejvzdálenějším vztahem bude vztah 
otec-vnuk
šířka hierarchie: matka má nejvýše 10 přímých potomků.

k) Kol. Skoumalová navrhuje pro účely zpětné vazby studentů-autorů textů 
poskytnout těmto studentům výsledný korpus, aby se sami mohli podívat na 
své chyby a příslušně zpytovali své cizinecké svědomí.

Na samém konci se ještě rozvinula debata o jemnosti značkování, přece 
jen je návrh kol. Šebesty na pouze hrubé značkování v rozporu s návrhem 
jemnějšího značkování kols. Škodové a Štindlové. Možným řešením tu je 
toto: jemně označkovat nevelký korpusek, zbytek označkovat hrubě. Vztah 
hrubý - jemný lze vyjádřit takto: vše, co je obsaženo v hrubém 
značkování, musí být obsaženo ve značkování jemném.

Je také možné anotovat různé oblasti různě detailně, např. pravopis 
málo, morfologii podrobněji.

Zapsal ještě zatepla 16. 10. 2009 Vladimír Petkevič po zevrubné 
konzultaci s Alexandrem Rosenem
Trace: • schuzka_16_10_2009 • 2012 • index • rucni-anotace • 2011 • schuzka_8_12_2009 • 2010 • faq • archiv • hlavni
Navigation

Search

Toolbox

QR Code
