Om svar anhålles - Svenska Akademiens ordbok - Göteborgs ...

18
en översikt av problemställningarna i From Data Representation to Data Model: Meta-Semantic
Issues in the Evolution of SGML. En modell som Blake et al. (1994) har arbetat på
är att utvidga SQL till att också kunna hantera SGML.
Vi valde till en början att låta elementens namn ligga nära SAOB:s egen terminologi.
Efter att TEI P3 publicerades 1994 har vi dock lånat många elementnamn därifrån, speciellt
för de formella informationskategorierna. Elementnamnen utgör därför för närvarande
en oskön blandning av svenska och engelska, men vi har valt att låta det vara så
tills vi börjar med nästa fas av taggningsarbetet.
Taggningsarbetet beskrivs nedan med utgångspunkt från respektive informationskategori.
Den allmänna beskrivningen av informationskategorierna bygger på Lundbladhs
Handledning till Svenska Akademiens ordbok från 1992 och jag har också försökt hålla
mig till den terminologi som Lundbladh använder.
Primärstrukturen – SAOB:s skelett
Vi har valt att skilja på två typer av informationskategorier. Den ena typen är de lexikaliska
enheterna i artiklarna, nämligen uppslagsord, sammansättningar, avledningar, särskilda
förbindelser samt betydelsemoment. Den andra typen är information som är knuten
till dessa lexikaliska enheter, antingen på den formella eller semantiska nivån, t.ex. uttal,
ordklass, böjning, etymologi, definitioner och språkprov.
Vår strategi var att först bygga ett strukturellt skelett av de lexikaliska enheterna. Skelettet
kallar vi för primärstrukturen och det utgörs för närvarande av ca 800 000 lexikaliska
enheter. Här ingår också en del taggar som markerar grupperingar av de lexikaliska
enheterna, t.ex. ramsor.
Förutsättningen för att etablera det strukturella skelettet var att man relativt enkelt
kunde isolera de lexikaliska enheterna maskinellt. Programmen måste sålla ut dessa enheter
och inget annat i texten, enbart på grundval av den typografiska informationen. Svårigheten
var att hitta de mönster som beskrev exakt de lexikaliska enheterna och inget
annat. Den typografiska information som OCR-programmet känner igen var en relativt
mager utgångspunkt för struktureringsarbetet. Mönstren utgjordes av koderna som angav
stilbyte mellan brödstil, kursiv och fetstil, samt andra typografiska markörer som t.ex.
parenteser av olika slag, kolon, semikolon och indrag. Mönstren, som utgör reguljära uttryck,
översattes sedan till SGML-taggar. Implementeringen gjordes i sed och Perl.
Tabell 1: tagguppsättning för primärstrukturen
starttagg sluttagg beskrivning
— artikel
— hänvisning
huvudord (lemma)
— sammansättningsramsa
— sammansättningsartikel
förled i sammansättning
efterled i sammansättning
— avledningsramsa
— avledningsartikel