Vejledning til det danske Parole-korpus - Det Danske Sprog- og ...

Lighedstegnet ( = ) anvendes som pladsholder i msd-strengen til at angive, at det pågældende
træk, der er knyttet til denne plads, ikke anvendes i hele ordklassen ('CatGram'). Det fremgår
f.eks. af ovenstående eksempler i Figur 5, at en msd-streng, der indeholder analysen af et
appellativ (som f.eks. historikere), og en msd-streng, der indeholder analysen af et proprium
(som f.eks. Andronik), har lige mange pladser (otte). Dog er plads 6 og 7 ikke relevante for
hverken appellativer eller proprier, og derfor udfyldes de i begge tilfælde med et lighedstegn.
Lighedstegnet repræsenterer således de grå felter i tagsættet.
Bindestregen ( - ) anvendes som pladsholder i en msd-streng for at angive, at det pågældende
træk, der er knyttet til denne plads, ikke er relevant i denne underinddeling af ordklassen
('SsCatGram'), men er relevant for en anden underinddeling af den pågældende ordklasse.
Således indeholder f.eks. plads 3, 4 og 8 af en msd-streng for et proprium (som f.eks. Andronik
ovenfor) altid en bindestreg, fordi de tre pågældende morfologiske træk (hhv. genus, numerus
og bestemthed) ikke anvendes i analysen af danske proprier, men kun i analysen af danske
appellativer (som f.eks. historikere ovenfor).
Til sidst anvendes kantede parenteser ( [ ] ) til at angive, at mere end én værdi er relevant for et
pågældende træk. I DAN-TWOL er f.eks. et adjektiv i pluralis (som f.eks. russiske i Figur 5
ovenfor) ikke eksplicit markeret for bøjning i genus eller bestemthed, da disse (fire potentielle)
bøjningsformer falder samme i pluralisformen. Denne type regelbunden “træksammenfald” er
heller ikke nærmere udspecificeret i selve PAROLE-korpusset. I msd-strengen er adjektiver i
pluralis således underspecificeret ved, at de to mulige værdier for genus (fælleskøn/intetkøn)
og de to mulige værdier for bestemthed (bestemt/ubestemt) angives mellem kantede parenteser
(som vist i Figur 5 ovenfor). Når kantede parenteser anvendes i en msd-streng, afgrænser de
altid en liste over alle de mulige værdier for den pågældende plads 8 . Således kan der faktisk stå
mere end ét tegn på en enkelt plads i msd-strengen.
3. Korpus- og tekstopmarkering
Hele PAROLE-korpusset — inkl. hvert eneste af de 1.553 tekstuddrag — er opmarkeret med
SGML-koder ifølge reglerne i PAROLEs fælles Corpus Encoding Standard (CES). PAROLE
CES'en er udførligt beskrevet i Ridings, 1996, hvor den sammenlignes med to andre
eksisterende CES'er, Text Encoding Initiative (TEI) CES'en (Sperberg-McQueen & Burnard,
1994) og EAGLES CES'en (Ide et al, 1995) 9 .
At et tekstkorpus er opmarkeret ifølge en CES betyder, at den overordnede struktur i korpusset
er fastlagt på forhånd af reglerne i CES'en. Denne struktur udtrykkes eksplicit vha. SGMLkoder,
og CES'en bestemmer først og fremmest, hvilke SGML-koder der er obligatoriske og
hvilke SGML-koder der er tilladte i opmarkeringen af korpusset. SGML-koderne består
(næsten altid) af en startkode () og en slutkode (), der står hhv. før og efter den
del af teksten, de er fælles om at afgrænse og beskrive. CES'en bestemmer desuden hvilke
SGML-koder der må (eller skal) optræde inde i de løbende korpustekster for at angive deres
interne struktur, samt hvordan disse SGML-koder skal indlejres i hinanden.
8 Den samme underspecificering kunne også repræsenteres ved at markere den pågældende plads med en “underspecificeret”
markør (f.eks. '0') i stedet for en liste, men denne mulighed var ikke tilgængelig ifølge specifikationerne af PAROLEtagsættet.
9 I Ridings, 1996, s. 2 står bl.a. "The PAROLE standard follows the recommendation made by EAGLES as far as the detail of
information that is to be encoded is concerned, but a text encoded according to the PAROLE standard will parse with the TEIdtd.
When the EAGLES description deviates from TEI with respect to technicalities, PAROLE follows TEI."
9