The Corpus Thread - Det Danske Sprog- og Litteraturselskab

More documents

Recommendations

Info

10.2. Funktionaliteter 168 at han også bør have mulighed for at udføre avancerede konkordanssøgninger i det og helst også forskellige former for statistiske undersøgelser. Derfor bør der stilles et avanceret konkordansværktøj til rådighed evt. kombineret med en række statistiske værktøjer, som brugeren kan læse sit korpus ind i. Implementering Indtil videre må IMS Open Corpus Workbench 7 http://cwb.sourceforge.net/ anses som det bedste bud på et avanceret konkordansværktøj. For at gøre et korpus søgbart i dette system kræves, at korpusset indekseres forinden. Selve indekseringen tager tid, afhængig af korpusstørrelse, annoteringsgrad og platform skal der typisk regnes med mellem 5 og 30 minutter. Indekseringsprogrammerne er udviklet til en korpusadministrator med særlige rettigheder: Der må derfor udvikles en særlig »indpakning«, hvis alle og enhver skal kunne bruge det over nettet til at indeksere egne korpora med. Indeksering kræver endvidere, at inputtet foreligger i et særligt format (non-XML) og tegnsæt (8 bit), så konverteringsprogrammel må også udvikles. I stedet for en eksplicit bruger-igangsat indeksering kan man også overveje at få foretaget en stiltiende indeksering i forbindelse med gemningen af et tekstudvalg, jf. afsnit 10.2.3, måske især som en løsning for mindre korpora. Indekserede brugerdefinerede korpora bør gemmes centralt på DK- CLARIN’s portalsite og der bør gives adgang til dem via en specielt udviklet grænseflade, jf. følgende afsnit. Prioritering Med hensyn til brugermålgruppen for denne funktionalitet, jf. afsnittet Prioritering under afsnit 10.2.2. Generelt er brugerstyret indlæsning af korpora i IMS Open Corpus Workbench teknisk og administrativt ikke-trivielt. Det anbefales derfor at nedprioritere implementeringen af denne funktionalitet i det nuværende DK- CLARIN, og i stedet for at prioritere funktionalitet 6, søgning i prædefinerede korpora – en funktionalitet, der også tilgodeser sprogforskeres behov. 10.2.5 Konkordanssøgning i brugerdefinerede korpora Beskrivelse Der skal kunne laves konkordanssøgninger i et brugerdefineret korpus via et interface à la det, som bruges til KorpusDK, jf.http://ordnet.dk/korpusdk/teksteksempler 7 I daglig tale ofte kaldt CQP, som står for Corpus Query Processor, som er selve søgema- skinen i systemet.
10.2. Funktionaliteter 169 Implementering En konkordansgrænseflade i DK-CLARIN kan tage udgangspunkt i Korpus- DK’s eksisterende grænseflade. Det kan undersøges, hvorvidt det er muligt at anvende en DK-CLARIN-konfigureret version af den. Alternativt kan DK- CLARIN udvikle sin egen. KorpusDK’s konkordansgrænseflade samt i øvrigt den langt mere simple konkordansvisning påhttp://sproget.dk kommunikerer med Jørg Asmussens korpusserver PyCOCS, udviklet til DSL, som beror på IMS Open Corpus Workbenchs CQP-komponent som søgemaskine. PyCOCS ville med overskuelige midler kunne rekonfigureres til brug inden for DK-CLARIN. Alternativt kan DK-CLARIN udvikle en egen løsning. Et åbent spørgsmål er, om det skal være muligt at foretage konkordanssøgninger i en brugerfastlagt serie af korpora, idet dette ville øge implementationens kompleksitet betydeligt. En mulighed er, at man for en sådan række af korpora laver en selvstændig søgning i hvert korpus og får præsenteret søgeresultaterne som et hele i samme grænseflade. Et andet åbent spørgsmål er, hvorvidt det skal være muligt at foretage statistiske undersøgelser af et brugerdefineret korpus (og andre tilgængelige korpora). Dette ville kræve et særligt statistikværktøj, jf. fx KorpusDK’s hjemmeside under http://ordnet.dk/korpusdk/naboord – og helst et, der var betydelig mere avanceret end KorpusDK’s. Statistiske beregninger i korpora kan være ret tidkrævende: For at nedbringe beregningstiden er en præprocessering af data som regel nødvendig, hvilket fx kunne ske som et særligt led før eller efter korpusindekseringen, men en sådan præprocessering er i sig selv igen tidkrævende. Prioritering Med hensyn til brugermålgruppen for denne funktionalitet, jf. afsnittet Prioritering under afsnit 10.2.2. Udvikling af en grænseflade til konkordanssøgninger samt evt. statistikværktøjer er resursetunge opgaver, hvadenten der bygges videre på eksisterende løsninger, eller der gås egne veje. Derfor bør WP 5 afveje denne implementeringsopgave nøje i forhold til andre infrastrukturopgaver, der også skal løses. Det anbefales derfor at nedprioritere implementeringen af denne funktionalitet i det nuværende DK-CLARIN, og i stedet for at prioritere funktionalitet 6, søgning i prædefinerede korpora – en funktionalitet, der også tilgodeser sprogforskeres behov.
Page 1 and 2:
The Corpus Thread “Reference corp
Page 3 and 4:
Chapter 1 Aim and concepts Sketchin
Page 5 and 6:
1.1. Aim of the project 5 Metadata
Page 7 and 8:
1.2. Project tasks and documentatio
Page 9 and 10:
Page 11 and 12:
Page 13 and 14:
1.3. Text collection, text bank, co
Page 15 and 16:
Chapter 2 The text bank A platform
Page 17 and 18:
2.2. Implementation 17 and metadata
Page 19 and 20:
Chapter 3 Text metadata What the he
Page 21 and 22:
3.1. Concepts 21 Section 3.3 starts
Page 23 and 24:
3.2. Header structure 23 (file des
Page 25 and 26:
3.2. Header structure 25 great verb
Page 27 and 28:
3.2. Header structure 27 The follow
Page 29 and 30:
3.2. Header structure 29 deprecated
Page 31 and 32:
3.2. Header structure 31 the text i
Page 33 and 34:
3.2. Header structure 33 Another el
Page 35 and 36:
3.2. Header structure 35 appDesc
Page 37 and 38:
3.2. Header structure 37 informal p
Page 39 and 40:
3.2. Header structure 39 3.2.3.4 Te
Page 41 and 42:
3.3. Filling in the header 41 revi
Page 43 and 44:
3.3. Filling in the header 43 samp
Page 45 and 46:
3.3. Filling in the header 45 and 9
Page 47 and 48:
3.3. Filling in the header 47 descr
Page 49 and 50:
3.3. Filling in the header 49 ⊲ a
Page 51 and 52:
3.3. Filling in the header 51 Legal
Page 53 and 54:
3.3. Filling in the header 53 ⊲ a
Page 55 and 56:
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
3.3. Filling in the header 61 Value
Page 63 and 64:
Page 65 and 66:
3.3. Filling in the header 65 ⊲ p
Page 67 and 68:
3.3. Filling in the header 67 Prope
Page 69 and 70:
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Page 83 and 84:
3.3. Filling in the header 83 3.3.3
Page 85 and 86:
4.1. Basic considerations 85 Outlin
Page 87 and 88:
4.2. Formatting text 87 russiske hi
Page 89 and 90:
4.2. Formatting text 89 Mirganjan
Page 91 and 92:
4.2. Formatting text 91 udvikle ude
Page 93 and 94:
4.2. Formatting text 93 4.2.3.4 Add
Page 95 and 96:
4.2. Formatting text 95 i dag . T
Page 97 and 98:
Part III Collecting 97
Page 99 and 100:
5.1. Implementation 99 5.5.2 Implem
Page 101 and 102:
5.1. Implementation 101 [request c
Page 103 and 104:
5.2. Header constructor:make-header
Page 105 and 106:
Page 107 and 108:
Page 109 and 110:
Page 111 and 112:
Page 113 and 114:
Page 115 and 116:
5.3. Pre-tokenizer:pretokenize 115
Page 117 and 118: 5.3. Pre-tokenizer:pretokenize 117
Page 119 and 120: 5.4. Text id registry:register-text
Page 121 and 122: 5.4. Text id registry:register-text
Page 123 and 124: 5.5. id dispatcher:make-id 123 0 11
Page 125 and 126: Part IV Markup 125
Page 127 and 128: 6.1. Requirements 127 Outline of th
Page 129 and 130: 6.2. Survey 129 1. IMS’s TreeTagg
Page 131 and 132: 6.2. Survey 131 Code: Java. Assessm
Page 133 and 134: 6.2. Survey 133 9. alias-i’s Ling
Page 135 and 136: 6.3. Case study 135 lemmatization c
Page 137 and 138: 6.4. Further reading 137 disambigua
Page 139 and 140: 7.1. Modifications of the PAROLE Co
Page 141 and 142: 7.2. The ePOS tag set for Danish 14
Page 153 and 154: Chapter 8 The full-form lexicon Sam
Page 155 and 156: 8.1. Enhancing existing material 15
Page 157 and 158: 8.1. Enhancing existing material 15
Page 159 and 160: Part V Deployment 159
Page 161 and 162: 9.2. Text material 161 Type Source
Page 163 and 164: 10.2. Funktionaliteter 163 2. The u
Page 165 and 166: 10.2. Funktionaliteter 165 fortolke
Page 167: 10.2. Funktionaliteter 167 teknolog
Page 171 and 172: 10.2. Funktionaliteter 171 forbinde
Page 173 and 174: 10.2. Funktionaliteter 173 10.2.9 K
Page 175 and 176: Bibliography Andersen, M. S., Asmus
show all

The Corpus Thread - Det Danske Sprog- og Litteraturselskab

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?