This is an old revision of the document!
Table of Contents
Co už se na PDTSC udělalo
V prvním roce projektu (2005) probíhala lingvistická analýza dat z existujících, elektronicky dostupných mluvených korpusů. Ukázalo se, že mluvená řeč, zejména ve své spontánní podobě, nedodržuje často ani elementární gramatická pravidla a zvyklosti.
Na základě těchto zjištění a v souladu s celosvětově novými směry výzkumu v oblasti zpracování mluvené řeči bylo rozhodnuto, že původní myšlenka úpravy specifikace tektogramatické reprezentace pro mluvenou řeč při zachování stylu a všech zásad anotace je zřejmě neschůdná. Byl stanoven nový postup: před vlastní hloubkovou analýzou se segmenty mluvené řeči nejprve převedou na standardizovaný text, tj. provede se tzv. rekonstrukce standardizovaného textu z mluvené řeči (speech reconstruction). A to následujícím způsobem:
- přepisy mluvených projevů (která mj. sledují i proud řeči v čase a lineárně tedy odpovídají vstupnímu akustickému signálu) budou zachovány (pro účely trénování systémů automatického rozpoznávání řeči) na w-rovině systému PDTSC,
- věta (segment mluvené řeči) bude již na úrovni morfologické (na m-rovině) “standardizována” ve smyslu použití standardních spisovných slovních tvarů a slov vůbec, gramatického slovosledu a běžné české syntaxe.
- klíčové přitom je zachování vazeb mezi původní transkripcí (na w-roviněh) a standardizovaným textem (na m-rovině).
Standardizovaný text bude následně anotován podle stávajících pravidel tektogramatické anotace, aniž by se tato pravidla musela nějak výrazně upravovat.
Příprava dat
Jako první data pro anotaci byla zvolena data z projektu Malach. Předzpracování dat bylo velmi náročné vzhledem k nutnosti získat nahrávky z korpusu projektu Malach a spárovat je s jejich transkripcí a částečnou standardizací z hlediska některých tvaroslovných koncovek, která byla provedena na Zápodočeské univerzitě v Plzni. Data byla vyčištěna od neúplných párů a poškozených záznamů a převedena do formátu PML.
Původní verze anotačního nástroje: MEdit
Pro provádění rekonstrukce standardizovaného textu ze vstupní transkripce (pro převod w-roviny na m-rovinu) byl vytvořen speciální softwarový nástroj nazvaný MEdit. Tento nástroj umožňuje:
- přesouvat libovolně slovní jednotky na m-rovině z hlediska jejich pořadí ve větě;
- rozdělit nevhodně segmentovaný proud řeči;
- slovní jednotky vymazat, vložit, spojit, jinak modifikovat, a to včetně jejich atributů (forma, lema, morfologická značka);
- propojit slovní jednotky na m-rovině a w-rovině tak, aby bylo zřejmé, se kterými slovními jednotkami původní transkripce (tj. slovními jednotky w-roviny) daná slovní jednotka m-roviny souvisí (ze kterých “vznikla”) a určit typ propojení;
- poslech původní audionahrávky, který je často nutný v případech, kdy ani původní transkripce, ani její kontext neumožňuje anotátorovi rozhodnout o vhodné modifikaci.
Manuální rekonstrukce prvních 450 vět
V roce 2006 byla provedena manuální rekonstrukce prvních 450 vět.
Pro tuto rekonstrucki byla použita pravidla zpracovaná Erin Fitzgerald (viz annotation_guidelines.doc). Erin Fitzgerald provádí obdobnou standardizaci na datech korpusu Switchboard v Center for Speech and Langauge Processing na Johns Hopkins University v Baltimore (u prof. Jelínka).