Euskarazko errore sintaktikoak detektatzeko eta zuzentzeko ...

II.3 Corpus erroredunak 31
sentences which are not necessarily produced in a language-
-learning context and which contain competence and performance
errors produced by native and non-native speakers of
the language (Becker et al., 1999; Foster eta Vogel, 2004a;
Foster, 2005)≫
Gure lanerako, corpus erroreduna hizkuntza-ikasleena izatera mugatu
gabe, corpus orokorrago bat erabili nahi izan dugu, zeinetan hiztun
osoen eta hiztun ez-osoen erroreak bilduko diren. Erroreekin egindako
lanaren azken erabilera esparrua bikoitza denez, gramatika-zuzentzaileak
eta hizkuntzen irakaskuntzarako sistemak, corpus orokorra erabiltzea
iruditu zaigu egokiena.
• Corpus errealak vs sortutako corpusak. Erroreak dituzten corpus errealak
biltzea lan neketsua da, ez baita soilik errorerik ote dagoen ala
ez aztertu behar, honez gain, zein errore gertatu den etiketatu behar
izaten da. Azken boladan, lan hori aurreztearren, esaldi gramatikalekin
osatutako testuetatik abiatuz corpus erroredunak sortu dituzte,
adibidez, hitzak gehituz, ezabatuz edo aldatuz (Wagner et al., 2007;
Bigert, 2004). Ingeles ez-gramatikalaz osatutako treebank bat ere sortu
dute (Foster, 2007), helburu bikoitzarekin: batetik, analizatzaile
sintaktikoen sendotasuna neurtzeko balio lezake, erroreak egon arren
analizatzaileek analisia egiteko gai izan behar baitute; beste aldetik,
esaldi erroredunak analizatzeko gai den gramatika bat ikasteko balioko
luke. Automatikoki sortutako corpus erroredunak era naturalean
sortutakoen antzekoak izateko ahaleginak egin diren arren, gure ustez,
“errealistak” ez izatearen arazoa izan dezakete. Gainera, erroreak
sortzeko prozesuan, esaldi zuzenak sor daitezke eta automatikoki oker
moduan etiketatu. Hori horrela izanik, corpus errealak biltzea erabaki
dugu.
• Probarako zerrendak vs corpusak. Lortzeko lan handiagoa ematen duten
arren, probarako kasu-zerrendak ebaluatu beharreko egituretara
hobeto egokitzen omen dira, eta beraz, gure ustez, emaitza zehatzagoak
ematen dituzte. Corpusek, ordea, tamaina egokikoak izanik, erroreen
maiztasun erreala zehazten dute. Bi testu mota hauen abantailak
biltzeko asmoz, lan honetan corpusak bildu egin ditugu, horrek ematen
duen lanarekin, eta berauetatik abiatuta probarako zerrendak sortu ditugu.
Horrela, berariazko fenomenoak zehatzago landu ditugu, testu
osoan fenomeno horiek duten agerpen-maiztasuna galdu gabe.