Giellatekno-møte 22.4. 2015

Ciprian, Lene, Trond

Saksliste

• korpus
• undervisning på bachelorprogrammet språk-sinn-samfunn
• oppsummering Ulan-Ude-reisa
• smenob/nobsme attributter
• frekvenssorterte lister for sme-tekster

Korpus og Korp

Korp

Ciprian arbeider med

• Korp-grensesnittet må bli oppdatert
• Lemgram / Ordbild må på plass.
• translations: _xxx, må rettes eller oversettes fortest mulig
  • (corpora-LG.json locale-LG.json)
• translating news: korp/frontend/news/gt_news.json
  • Denne fila skal også lokaliserast (Cip)

newsdata([
  {
    "h":{
      "en":"<p>The Korp interface has been updated to version 4.0. </p>",
      "sv":"<p>The Korp interface has been updated to version 4.0. </p>",
      "nb":"<p>Korp grensesnittet ble oppdatert til versjon 4.0. </p>",
      "fi":"<p>The Korp interface has been updated to version 4.0. </p>",
      "se":"<p>The Korp interface has been updated to version 4.0. </p>",
    },
    "t":{
      "en":"Korp interface updated ",
      "sv":"Korp interface updated ",
      "nb":"Korp grensesnittet oppdatert ",
      "fi":"Korp interface updated ",
      "se":"Korp interface updated ",
    },
    "d":"2015-04-20"
  },

Problem med lokalisering:

Viss du ikkje har like mange original:omsetjing i json-fila kjem ingenting på nett.

main/apps/korp/frontend/translations

locale-nb.json:    "show_diagram" : "Visa trenddiagram_xxx",
locale-nb.json:    "non_time_before" : "Saknar tidsuppmärkning: _xxx",
locale-nb.json:    "non_time_after" : " av valt material_xxx",

Tiltak: Forbetre omsetjing fortest mulig

• Legge til xxx: Cip
• fi: Trond
• nb: Lene
• se: Lene
• sv: Trond

Refere til Korp (SIKOR) bør oppdateres fortest mulig.

Her er infoboksen:

• SIKOR. UiT Norgga árktalaš universitehta ja Norgga Sámedikki sámi teakstačoakkáldat. http://gtweb.uit.no/korp/ (veršuvdna 01.03.2015)
• SIKOR. UiT Norges arktiske universitets og det norske Sametingets samiske tekstsamling. http://gtweb.uit.no/korp/ (versjon 01.03.2015)
• SIKOR. UiT Norjan arktisen yliopiston ja Norjan Saamelaiskäräjien tekstikokoelma. http://gtweb.uit.no/korp/ (versio 01.03.2014)
• SIKOR. UiT Norges arktiska universitets och norske Sametingets samiske tekstsamling. http://gtweb.uit.no/korp/ (version 01.03.2015)

• SIKOR. UiT The Arctic University of Norway and the Norwegian Saami Parliament’s Saami text collection. http://gtweb.uit.no/korp/ (version01.03.2015)

  Korpus

Dette må følges opp:

• Setningsparallisering
• Legge inn samiske tall forteller (nr 3)
• Ikke maskinlesbare Dieđut-tekster (Børre?)
• Oppfølging av Kimberli (Trond)

Undervisning på bachelorprogrammet språk-sinn-samfunn

Gillian R har tatt kontakt om å tilby et nytt bachelorprogram språk-sinn-samfunn med engelsk om undervisningsspråk

• 1000 nivå kurs:
• 2000 nivå kurs: derav ett til tre kurs med språkteknologi (à 10 poeng)

Vi gir allerede nå kurs i språkteknologi, men dette kan evt formaliseres i offisielle kurs. Vi ser det ikke som hensiktsmessig at engelsk er undervisningsspråk.

Aktuelle temaer for 10-sv-kurs i språkteknologi til bachelorgrad i språk-sinn-samfunn:

• Eksisterende kurs: 10-poeng-fst (HIF-30xx, vekt på automatteori
• Eksisterende kurs: språkteknologi for samisk (mindre hands-on, meir bruk av språkteknologi)
• Kurs i unix for lingvistar, regulære uttrykk, korpusgrensesnitt + søkespråk

I tillegg har vi eit framlegg til språkteknologi for samisk, eit kurs med ei litt anna innretting enn bachelor i lingvistikk:

SAM-30xx

• “Emnet gir innføring i språkteknologi for samisk ved UiT. Denne kunnskapen vil gi studenten innsikt i datalingvistisk modellering og forståelse for språkteknologien bak sluttbrukerprogrammer og et automatisk analysert korpus. Studenten vil også få innsikt i utforming og testing av formelle språkmodeller. Studenter som ønsker det, kan arbeide videre med f.eks. endelige tilstandsautomater eller føringsgrammatikk på kurset SAM-3090 Spesialemne i samisk språkvitenskap.”

Oppsummering Ulan-Ude-reisa

Arrangør: Buryaad statlige universitet v/ Jargal Badagarov: [http://giellatekno.uit.no/conf/ulanude15/UlanUde.html]

Trond og Francis holdt kurs i FST for 15 personar for følgende språk:

• tyv: tuvinsk (tyrkisk)
  • Resultat: Analysator, leksikon på 6500 ord, morfofonologi, 85% dekning av eit korpus 1M ord, sjekka inn i Apertium
• bxr: burjatisk (mongolsk)
  • Resultat: twolc, substantivbøying, leksikon på 400 ord
  • Resultat 2: Start på program for konvertering frå burjatisk til IPA
• khk khalkamongolsk (med personer fra Ulan Bator)
  • Resultat: PC-KIMMO-versjon av morfofonologien overført til twolc, leksikon på 500 ord
• evn: evenkisk (tungusisk)
  • Resultat: Analysator, 550 ord, storparten av morfofonologien, og 25% dekning av eit korpus på 13500 ord
• xwo: todo oirat (mongolsk)
  • Resultat: demo-analysator med eitt ord (!), men inkludert i analysator med mongolsk -> latinsk under og latinsk -> mongolsk over, etter oppsettet frå præriecree (takk til Sjur for hjelp)
• xal: Kalmyk (mongolsk),
  • Resultat: rudimentær analysator, 50 ord
• kjh: Khakas (tyrkisk),
  • Resultat: ikkje innsjekkingar

Dessutan laga vi demoversjonar av stavekontrollar for bxr, khk, evn, xal. Merk at det er ein bug i Libreoffice-voikko for val av språk via ISO-kode, den er rapportert til Harri.

Oppfølging:

• Rådgivning, de gjør arbeidet med FST sjøl
• Forslag om nettverk for å finansiere samlinger og studentutvekslinger
  • Jargal suggests building a so-called “Thematic Network” (http://www.uarctic.org/media/817524/uarctic-guidelines-for-establishing-new-tns-oct2014.pdf) within the University of Arctic. The theme will be what unites us (building grammatical models and making both research and practical applications based on those models).
• Møte i arktisk universitet med delegasjon fra UiT til Ulan-Ude i juni i år.

smenob/nobsme attributter

Merking godkjente oversettinger og samiske stedsnavn

• Vi bör merke namn etter autoritativ kjelde (Kartverk, Giellagáldu, ..)
• Vi bör ikkje stryke ord vi ikkje kjenner eller rettskriving vi er skeptisk til, som er vedtatt

Merking av namn

• Geo: Lene + Cip har diskutert, og har kontroll
• Normativt attributt
  • attributtnamn: norm
  • attributtverdi: SGG = Sámi giellagáldu, SR = Sámi giellaráđđi, Lov = vedtatt i hht til lov om stadnamn , SGL = Sámi giellalávdegoddi
• Kjelde-attributt
  • attributtnamn: src
  • attributtverdi: SK = Statens kartverk, KAL = Kåven et al, Qv = Qvigstad, PS = Pekka Sammallahtis ordbok, SA = Sámi atlas, …
• Giellagáldu lister er innsjekka i smenob/inc/placenames og smenob/inc/ready_togo. Der er det bl.a. 250 namn på ei liste, SGG_Eurohpa_riikkat.xlsx

Dette skal vere dokumentert på sida vår for ordbøker.

Attributtene for src og norm legges på t-nivå.

Konklusjon:

1. FAD som attributt blir flytta frå til
2. Lista over opprinnelege ord frå FAD blir greppa ut og lagra som ei liste under heimesida til FAD-prosjektet
3. Skilnaden ( alle - FAD ) kjem dermed fram av å diffe total lemmaliste og FAD-liste
4. I tillegg legg vil comment="..."  som attributt for kommetarer i alle elementer der vi ser behov for det

Freqkvenssorterte lister for sme-tekster

Vi bør ha en deadline for denne? Cip har gjort det men ikkje lagt det på serveren

1. Cip lagar skript på servaren
2. … og gjev lenkje til Lene
3. … og dermed til side / vidare