Korpus-møte 26.10.2023

Til stades: Lene, Linda, Inga, Maja, Børre, Flammie, Sjur, Anders, Katri

Saksliste:

• Status for automatisk innhausting (jf sommarjobbaren)
• Kort om søknad til NB/Kulturdep
• Diskutera generell innsamling i ljos av søknaden over
• Diskutera korleis vi kan dra nytte av at korpusa no er i GitHub
• tidlegare innmeldte dokument pr e-post og korleis dei har vorte følgt opp
• nye rutinar i samarbeid med sametinga

Status for automatisk innhausting (jf sommarjobbaren)

• Kjørte innhøsting med oppdatering fra i sommer, hentet nye filer fra sametinget.no
• samarbeid med NB/Språkbanken om automatisk innhausting? Så kanskje vi slepp å halda trålarane våre oppdaterte heile tida.

Børre kontaktar NB/Språkbanken.

Kort om søknad til NB/Kulturdep

• vi vil be om alt, både tale og tekst, og alle språk (vi veit at metadata ikkje alltid stemmer)
• prata med kontaktane våre i NB før vi sender søknaden
• sjå på OCR-tilpassa retteprogram
• obs på samiske tekstar som er klassifiserte som andre språk, og som dermed har ført til dårleg OCR
  • søkja om pengar for å korrigera OCR og utvikla prosessen deira vidare?
  • dra med studentar? Master om OCR og samisk, andre relevante ting?

Innsamling i ljos av søknaden over

Inntil vidare samlar vi inn som tidlegare, sjå elles punktet om Sametinga lenger ned.

Nye rutinar i samarbeid med sametinga

• har laget egen epost-adresse korpus@divvun.no
• retningslinjer for korpus sammen med sametingene

Tidlegare innmeldte dokument pr e-post og korleis dei har vorte følgt opp

• tekstar frå Orkana forlag - Børre tek kontakt
• tilsetja ein eigen person for ein periode, for å

Diskutera korleis vi kan dra nytte av at korpusa no er i GitHub

• automatisk konvertering?
• automatisk parallellisering med manuell kontroll?
• metadata: f.eks: antall dokumenter, ord, setninger, antall setninger med skrivefeil
• korsjn få andra til å referer/siterer vårt korpuser rett?
• leggja ut automatisk genererte metadata og referansedata i dokumentasjonen for korpusa, inkl. metadata for lukka korpus i doc for dei opna korpusa
• dekningsgrad for analysatorane, både på ord- og setningsnivå

Ymse

• fjerne free- og boundcorpus fra gtsvn-apache