[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki


[ Back to the navigation ]

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision
Previous revision
pdtsc:start [2007/05/31 15:32]
ptacek
pdtsc:start [2010/05/19 15:31] (current)
mikulova
Line 1: Line 1:
 ====== Prague Dependency Treebank of Spoken Czech (PDTSC) ====== ====== Prague Dependency Treebank of Spoken Czech (PDTSC) ======
-**Pražský závislostní korpus mluvené češtiny** (Prague Dependency Treebank of Spoken Czech; PDTSC)) bude hloubkově syntakticky anotovaný korpus mluvené češtiny pro účely pravděpodobnostního trénování a strojového učení za účelem plného porozumění mluvené řeči.+Pražský závislostní korpus mluvené češtiny je součástí velkého projektu: **The PDTSL - Prague Dependency Treebank of Spoken Language**, jehož oficiální stránky jsou zde: [[http://ufal.mff.cuni.cz/pdtsl/|Oficiální stránky projektu PDTSL]]
  
-Předpokládáme, že data korpusu PDTSC budou data z existujících mluvených korpusů, ke kterým se podaří získat přístup. Vybírána budou tak, aby pokrývala široké spektrum různých typů mluvených projevů: spontánní neformální mluvené projevy, diskuze, přednášky, interwiew aj.+**Pražský závislostní korpus mluvené češtiny** (Prague Dependency Treebank of Spoken Czech; PDTSC) bude hloubkově syntakticky anotovaný korpus mluvené češtiny pro účely pravděpodobnostního trénování a strojového učení za účelem plného porozumění mluvené řeči.
  
-Jako první data pro anotaci byla zvolena **data z projektu Malach**která leží zhruba polovině škály mezi zcela spontánní komunikací ve skupině a řečí čtenoukterá by nepřinesla k poznání mluvené řeči prakticky nic nového.+Původním záměrem při budování PDTSC bylo syntakticko-sémanticky anotovat mluvenou řeč podle pravidel pro anotaci psaných textů Pražského závislostního korpusu a tato pravidla pouze upravovat a rozšiřovat pro zvláštnosti mluvené řeči. Lingvistická analýza mluvené řeči a první pokusy se syntaktickou anotací však ukázaly, že vzhledem ke specifičnosti mluveného projevu je tento původní záměr zřejmě neschůdný. Spontánní mluvená řeč nedodržuje často ani elementární gramatická pravidla a zvyklosti. Musela by tudíž být doslova vymýšlena “gramatická” (spíše však “negramatická”) pravidla anotace na všechno, co lze při rném přepisu mluvené řeči očekávat – včetně výplňkových slov, opakování, zakoktání, nových začátků, nedořečených klauzí, anakolutů i tzv. neřečových událostí, jako je zakašlání, smích apod. Na základě těchto zjištění v souladu s celosvětově novými směry výzkumu v oblasti zpracování mluvené řeči byl proto stanoven nový postup: před vlastní hloubkovou analýzou se segmenty mluvené řeči nejprve převedou na gramaticky správné větytj. provede se tzv. **rekonstrukce standardizovaného textu z mluvené řeči**. Klíčové přitom je zachování (anotování) vazeb mezi původní transkripcí mluvené řeči a rekonstruovaným standardizovaným textem. Standardizovaný text bude následně anotován podle stávajících pravidel tektogramatické anotace, aniž by se tato pravidla musela nějak výrazně upravovat.
  
 +Jako první data pro anotaci byla zvolena **data z projektu Malach**.
 +Vedle malachovských dat anotujeme také české dialogy **Senior Companions** (v rámci projektu Companions).
 +
 +  * [[todo|Rekonstrukce standardizovaného textu z mluvené řeči]]
   * [[people|Kdo na tom dělá a pod které projekty to patří]]   * [[people|Kdo na tom dělá a pod které projekty to patří]]
-  * [[done|Co už se udělalo]] +  * [[pub|Publikace, prezentace]] 
-  * [[todo|Na čem se právě dělá]] +  * [[:pdtsc:internal:start|Interní poznámky]] 
-  * [[:pdtcs:internal:start|Interní poznámky]]+  * [[:pdtsc:internal:cd|Příprava korpusu k vydání v LDC - PDTSC 1.0]] 
  
  

[ Back to the navigation ] [ Back to the content ]