Vertretene Ressourcen und Tools

Transkript

1 Vertretene Ressourcen und Tools

2 Bayerisches Archiv für Sprachsignale (BAS) Institut für Phonetik und Sprachverarbeitung (IPS) LMU München Christoph Draxler

3 BAS Vertreter Arbeitsgruppe: Sprachdatenbanken Interessengebiet: Webtechnologien für den Aufbau und die Nutzung von Sprachdatenbanken

4 BAS - Ressourcen VOYS, ALC, Ph@ttSessionz, PhonLab, SmartWeb, etc. Anwendungsnahe Sprachdatensammlungen

5 BAS - Tools SpeechRecorder: skriptbasierte Sprachaufnahme WikiSpeech: webbasierte Sprachkorpus- Erstellung MAUS: automatische Segmentation Txt2lex: Graphem- zu Phonemkonverter Emu: Segmentation und statistische Auswertung (Praat, PostgreSQL, Java Web Start, R, uvam.)

6 Berlin-Brandenburgische Akademie der Wissenschaften (BBAW) Berlin Lothar Lemnitzer

7 BBAW -Vertreter Arbeitsgruppe: Digitales Wörterbuch der Deutschen Sprache Interessengebiet: Standards für (elektronische) lexikalische Ressourcen

8 BBAW - Ressourcen Lexikalisch: WDG/DWDS-WB Etymologisches Wörterbuch Korpora: Kernkorpus 20/21. Jh. (Schriftsprache) DTA (Schriftsprache ) div. Spezialkorpora

9 BBAW - Tools Ressourcenverwaltung: DDC-Suchmaschine Metadatensammlung: Fedora für die Distribution

10 Goethe Universität Frankfurt Abteilung für geisteswissenschaftliche Informatik Rüdiger Gleim

11 Goethe Universität Vertreter Arbeitsgruppe: Abteilung für geisteswissenschaftliche Fachinformatik Interessengebiet: Computerlinguistik Texttechnologie

12 Goethe Universität Ressourcen Historische Korpora Gegenwartssprachliche Korpora Lexika Bilddatenbanken Annotation multimodaler Ressourcen

13 Goethe Universität Tools ehumanities Desktop

14 Institut für Deutsche Sprache TextGrid (u.a. AG Digitale Bibliothek) Korpuslinguistik, Computerlinguistik, Germanistik Andreas Witt

15 Statische Ressourcen (Auswahl) Deutsches Referenzkorpus (DeReKo) Archiv Gesprochenes Deutsch (AGD) elexiko Grammatisches Informationssystem (GRAMMIS) mit TextGrid: Die Digitale Bibliothek (im Aufbau)

16 Werkzeuge Corpus Search, Management and Analysis System (COSMAS II) Gesprächsanalytisches Informationssystem (GAIS) Online-Wortschatz-Informationssystem Deutsch (OWID)

17 SFB-732, Incremental specification in context Institut für Maschinelle Sprachverarbeitung (IMS) Universität Stuttgart Ulrich Heid

18 IMS - Vertreter Arbeitsgruppe Nachhaltigkeit von Ressourcen: Prof. Dr. Hinrich Schütze (Vorsitz) Prof. Dr. Klaus von Heusinger (Linguistik) Dr. Antje Schweitzer (Phonetik) Jun.-Prof. Dr. Sebastian Pado (Psycholing. Experimente) Interessengebiete (Heid): Korpusannotation Lexikographie Korpuswerkzeuge

19 Phonetik-Projekte des SFB 2 Radionachrichtenkorpora (1.5 bzw. 6h) Segment-, Silben- und Wortannotation (SAMPA, ESPS Format) prosodische Annotation (GToBI, ESPS Format), manuell Informationsstatus-Annotation (TiGer-XML/SALTO), manuell 3 Unit Selection Korpora fü r Sprachsynthese (1.5, 2.5, 3h) Segment-, Silben- und Wortannotation (SAMPA, ESPS Format) prosodische Annotation (GToBI, ESPS Format), manuell daraus abgeleitete Evaluationsdaten fü r Phone Acquisition Werkzeuge Multiple description toolbox, implementiert in Matlab, nutzbar z.b. zur Analyse u. Resynthese von Sprachsignale Classification toolbox, Matlab-Implementierung verschiedener Klassifikationsalgorithmen Deutsche OpenSource-Module für die Festival Sprachsynthese

20 Projekte zur symbolischen Analyse von Text SDeWaC: dependenzgeparster Ausschnitt aus DeWaC (Baroni/Kilgariff 2006), 880 M Wörter Bitext: geparstes EuroParl, DE/ EN Kollokationsdaten V + NObj, V + PP aus DE Korpora, mit morphosyntaktischen Präferenzen (Datenbank) Datenbank französischer Psych-Verben, Modellierung in OWL, OWL-Modellierung ontologischer und lexikalischer Beschreibungen Morphologische und semantische Analyse von ung- Nominalisierungen deutscher be-verben (excel-tabellen) Verschiedene Formate Unterschiedliche Größe, unterschiedlicher Detailliertheitsgrad

21 Fragebogen: Stimuli und Akzeptabilitätsurteile Stellung von Adjektiven in FR, IT, ES, RO (.doc) Kasusmarkierung und -alternation im Mongolischen (excel, SPSS) Fokus in DE und HU (SPSS) Muttersprachliche Qualitätsurteile für Generierungsalternativen (DE) (plain text) Experimente zu Nominalisierungen

22 Tools: Symbolische und statistische Verarbeitung eigene Entwicklungen Syntaktische Analyse und unterspezifizierte flache Semantikkonstruktion (DE) BitPar parser (EN, DE) Clustering software (PAC): EM-Training + MDL RF-Tagger (DE, CZ): Feinkörniges POS-Tagging, auch für Sprachen mit reichhaltiger Morphologie Datenbank zur Verwaltung von Korpora, Metadaten, Analysen, Werkzeugzuständen usw.

23 Für jede Ressource Name der Ressource, Kontaktperson im SFB-732 Datum der letzten Änderung Sprache(n) Ausgabeformat(e) Dokumentation: publizierte Artikel, Web-Seiten Physikalische Speicherung der Daten (Ort im SFB-Netz) Nutzungsrechte und -möglichkeiten

24 Max Planck Institut für Psycholinguistik (MPI) Nijmegen Jacquelijn Ringersma Andreas Koenig

25 MPI - Vertreter Working group: Archive for Linguistic Resources Fields of interest: LMF ISOcat Metadata PID

26 MPI - LMF Lexical Markup Framework: Model for standardized framework for the construction of lexicons Goals: Common model for electronic lexical resources Manage and exchange data between resources Enable merging of electronic resources

27 LMF

28 MPI - ISOcat ISO 12620:2009 Terminology and language resources Specification of data categories and management of a Data Category Registry for language resources Data category A data category is an elementary descriptor in a linguistic structure or an annotation scheme (specification of a given data field).

29 MPI - ISOcat Model consists of 3 main parts: Administrative part: Administration and identification Descriptive part: Documentation in various working languages Linguistic part: Conceptual domain(s) for various object languages

30 MPI ISOcat Data Category Registry: ISOcat A free service: anyone can access it or register as an expert and create/share his/ her own data categories. Data categories can be submitted to the standardization process, in which case they are assigned to a Thematic Domain Group which judges it. At regular intervals, snapshots of the standardized subset of the DCR will be submitted to ISO.

31 MPI - PID Persistent identifiers allow to reference resource parts Every object in the archive catalogue has a proper (archive wide) unique identifier. This id should be as persistent as the archive The same resource can have a different id in different archive catalogues

32 MPI - PID We are using handles as PIDs: h2p://hdl.handle.net/ 1839/ C There is also an internal nodeid to reference resources: h2p://corpus1.mpi.nl/ds/ imdi_browser/? openpath=mpi600401%23

33 SFB Bielefeld 673: Alignment in Communication Peter Menke

34 SFB Bielefeld - Vertreter Projekt X1 MulRmodale Alignmentkorpora, SFB 673 Alignment in CommunicaRon Interessen: MulRmodalität, UnifikaRon heterogener Daten, (halb- )automarsche AnnotaRon und Datengewinnung Universität Bielefeld

35 SFB Bielefeld - Ressourcen Ressourcen: Verschiedene Korpora im SFB, zumeist (noch) unveröffentlicht SAGA- Korpus (= Speech And Gesture Alignment ) Weitere Korpora mit Sprache, Blickbewegungen, Handgesten, Kopfgesten, Mimik, Handlungen/AkRonen, Speicherabbildern und mentalen RepräsentaRonen künstlicher Agenten

36 SFB Bielefeld - Tools Selbst hergestelltes Tool: Ariadne Corpus Management System (auf der Grundlage des ehumanires Desktop) zur Verwaltung, Unifizierung und Analyse heterogener mulrmodaler Korpora Weiterhin verwendet: Elan, Praat

37 SFB 538 Mehrsprachigkeit (+ Hamburger Zentrum für Sprachkorpora) Teilprojekt Z2 Computergestützte Erfassungs- und Analysemethoden multilingualer Daten Universität Hamburg Thomas Schmidt (+ Kai Wörner, Timm Lehmberg, Hanna Hedeland, Kristin Bührig)

38 SFB Hamburg Ressourcen (Auswahl) Longitudinale Studien zum bilingualen kindlichen Spracherwerb in verschiedenen Sprachkombinationen Studien zu Language Attrition bei bilingualen Sprechern in verschiedenen Sprachkombinationen Korpora zum Konsekutiv- / Simultandolmetschen Korpora zu mehrsprachiger Kommmunikation Parallelkorpora / Comparable Corpora Historische Korpora zu Sprachen in Kontaktsituationen (nicht am SFB, aber mit EXMARaLDA) Dialektkorpora, monolinguale Korpora zu speziellen Gesprächstypen (Arzt- Patienten-Kommunikation, Unterrichtskommunikation), monolinguale Referenzkorpora gesprochener Sprache, geschriebene, multiebenen-annotierte Lernerkorpora

39 SFB Hamburg - Tools Werkzeuge (selbst hergestellt) zur Ressourcenerstellung: EXMARaLDA Partitur-Editor (und FOLKER), verschiedene Annotationswerkzeuge Ressourcenverwaltung/Metadatensammlung: EXMARaLDA Corpus-Manager Ressourcenanalyse: EXAKT

40 SFB 632 Informationsstruktur: Die sprachlichen Mittel der Gliederung von Äußerung, Satz und Text Humboldt-Universität zu Berlin (KorpuslinguisRk) /Universität Potsdam (ComputerlinguisRk) InformaRonsstruktur, Projekt D1 (linguisrsche DB) Christian Chiarcos Julia Ritz Amir Zeldes

41 Interessengebiete Mehrebenenkorpora Diskursphänomene InformaRonsstruktur Lernerkorpora historische Korpora Formatmodellierung

42 SFB Berlin/Potsdam Ressourcen (Auswahl) Namen: Korpora des SFB 632, PCC, Falko Typen: Mehrebenenkorpora (Syntax, Koref ), InformaRonsstruktur, historische Korpora, Lernerkorpora

43 SFB Berlin/Potsdam - Tools Werkzeuge (selbst hergestellt oder hauptsächlich verwendet) zur Ressourcenerstellung EXMARaLDA, TIGER, MMAX2, etc. Ressourcenverwaltung PAULA, Pepper, ANNIS2, OLiA Ontologien