Rankiniu būdu morfologiškai anotuotas tekstynas MATAS v.1 ("auksinis standartas")

APRAŠYMAS Ranka taisytas morfologiškai anotuotas tekstynas MATAS pateikiamas CoNLL-U formatu.

KALBA lietuvių

FORMATAI

1. CoNLL-U (CONLLU, conllu)
2. SketchEngine (tab delimited word per line, TAB-WPL, txt)

DYDIS Žodžių skaičius: 1693410 Sakinių skaičius: 144047

ŽANRAI Žanrai Failai Žodžiai % dokumentinis(dok) 34 237106 14,0 grožinis(gro) 33 327642 19,3 mokslinis(mok) 38 409183 24,2 periodinis(pub) 30 605729 35,8 stenograminis(ste) 3 113750 6,7

KALBOS DALIŲ STATISTIKA: daiktavardis(N) 637222 veiksmažodis(V) 338746 būdvardis(A) 122391 įvardis(P) 147490 skaitvardis(M) 62265 prieveiksmis(R) 105238 prielinksnis(S) 77432 jungtukas(C) 129492 dalelytė(Q) 36423 jaustukas(I) 3015 ištiktukas(O) 209 trumpinys(Y) 27992 kiti(X) 5495 skyryba(T) 442306

PAŽYMOS Morfologinis anotavimas yra patiekiamas trimis skirtingais morfologinių pažymių rinkiniais:

• Universal Dependencies (kalbos dalis 4 stulpelyje, morfologinės pažymos 6 stulpelyje), žr. universaldependencies.org;
• Jablonskis (5 stulpelyje), žr. Documentacijos katalogą;
• Multext-EAST (10 stulpelyje po raktažodžio Multext), žr.Documentacijos katalogą;

Stulpelių tvarka atitinka CoNLL-U formato reikalavimus.

JABLONSKIS AND MULTEXT-EAST PAŽYMŲ RINKINIAI Jablonskis -> lietuviškos pažymos -> pritaikytos žmonėms Multext-East -> angliškos pažumos -> pritaikytos mašinoms

Esminio semantinio skirtumo tarp formato "Jablonskis" ir formatas "semantika.lt" nėra, skirtumas yra, kad "Jablonskis" lengvai skaitomas žmonių (šis formatas yra artimas tradiciniams lituanistikos gramatiniams sutrumpinimams), Bendrai žiūrint morfologinių kategorijų supratimas laikosi tradicinio gramatikos požiūrio.

UD FORMATAS UD žymėjimas labiau skiriasi nuo tradicinio požiūrio.

• tikriniai daiktavardžiai yra laikomi atskira kalbos dalimi (PROPN);
• akronimai yra laikomi tikriniais daiktavardžiais (su sutrumpinimo pažyma)
• kelintiniai skaitvardžiai yra laikomi būdvardžiais (su Ord pažyma);
• kuopiniai skaitvardžiai yra laikomi daiktavardžiais (su Set pažyma);
• reikiamybės dalyviai nėra laikomi dalyviais, o (veiksmažodžio kilmės) būdvardžiais, reikiamybė nelaikoma gramatine pažyma;
• būdiniai yra laikomi prieveiksmiais;
• būtasis laikas ir būtasis kartinis laikas yra laikomi būtuoju laiku (be papildomos informacijos) (Tense=Past);
• būtasis dažninis yra laikomas dviejų pažymų junginiu, būtojo laiko + dažnumo/dažninio/iteratyvaus aspekto (|Tense=Past|Aspect=Iter|).

ŽINOMI NEATITIKIMAI UD GAIRĖMS

• pagalbiniai veiksmažoždiai (AUX) nėra skiriami nuo bendrų veiksmažodžių (VERB);
• dauguma simbolių yra pažymimi skyrybos ženklais;
• nutrupinties, perskeltiems žodžiams neskiriama kalbos dalis, joms nurodoma nežinoma kalbos dalis (Xg);
• įvardžių rūšies (PronType), savybinė (Poss) ir mandagumo (Polite) kategorijos nėra nurodytos.

ŽINOMOS PAŽYMŲ RINKINIŲ PROBLEMOS

• MULTEXT-EAST sistema neskiria tikrinio ir netikrinio daiktvardžio, kai žodžiai priklauso subnorminių arba necenzūrinių žodžių aibei, todėl nestandartiniai tikriniai gali būti klaidingai nurodomi kaip netikriniai.
• Pastebėtina, kad lemos "dirbti", "nedirbti", "bedirbti", "tebedirbti", "nebedirbti" yra laikomos atskiromis.

SUDARYTOJAI Erika Rimkutė, Agnė Bielinskienė, Loic Boizou, Virginijus Dadurkevičius, Jolanta Kovalevskaitė, Andrius Utka

Licencija: atvirojo kodo vystymo

https://clarin.vdu.lt/xmlui/handle/20.500.11821/33

Finansavimo šaltinis: Išteklio vuytui finansavimas gautas iš projektų Semantika1, Clarin LT, "Semantika2" (Nr. 02.3.1-CPVA-V-527-01-0002). Semantika2 projektas finansuojamas Europos Regioninio fondo lėšomis. Projekto vykdytojas – Vytauto Didžiojo universitetas.