Nyheter

Any corpus is a welcome addition to Korp, but gold corpora (those where the annotation quality has been manually controlled) are particularly valuable. We have now added SIC2, a slightly modified version of the Stockholm Internet Corpus, originally created by Robert Östling et al. SIC2 is a small corpus of blogs, but it has gold part-of-speech, morphosyntactic and named-entity tags (SUC-style). In addition, basic information about the authors is also available. The corpus is downloadable.

The integration of SIC2 into Korp served also as a test drive for the new version of our annotation pipeline Sparv, to be released very soon.

Ta del av innehåll och program här: https://spraakbanken.gu.se/en/sltc2020

Organisatörer:

• CLASP - Centrum för språkteori och sannolikhetsstudier (the Centre for Linguistic Theory and Studies in Probability) vid Institutionen för filosofi, lingvistik och vetenskapsteori,
• Språkbanken Text vid Institutionen för svenska språket, och
• Institutionen för data- och informationsteknik.

We have added a pretrained model for lemmatization of Swedish text to our model collection. The model was trained and tested on SUC3 using the Stanza package and achieves a very high accuracy of 99.18.

The drawback of this model is that SUC3 lemmatization and part-of-speech annotation does not exactly match that in Saldo, which is used by Sparv to annotate the resources available via Korp. The advantage, however, is that the model always produces a guess (and usually a correct one), while the current version of Sparv sometimes cannot do that. The new version of Sparv (coming soon) will probably combine the two approaches.

Using the model does not require deep knowledge of natural language processing or advanced programming skills.

More to come.

Läs hela nyheten på Nationella språkbankens webbplats.

Språkbanken Text, and projektet Towards Computational Lexical Semantic Change Detection organiserar en andra workshop inom LChange-serien om beräkningsmodeller för historiska språkförändringar som är planerad till augusti 2021.

Workshopen bygger på den första LChange workshopen  som vill höll i 2019 i samband med ACL. Den var en överväldigande succé och lockade över 50 inskickade bidrag och 65 deltagare. Även LChange'21 organiseras i samband med ACL2021.

Vårt tema kommer att vara ungefär samma som förra gången: alla aspekter kring maskinella metoder och modeller för språkliga förändringar där textkorpusar används för utvinning. Deadline för bidrag kommer att annonseras inom kort på vår webbsida: https://languagechange.org/events/2021-acl-lchange/

LChange'21 kommer att ha två plenärtalare, en med fokus på beräkningsmodeller och en med fokus på applikationer eller teori kring språkliga förändringar. Goda förslag tas tacksamt emot!

Vi ser fram emot bidrag och deltagande, sprid gärna nyheten vidare!

Läs mer på språkbanken.se

However, accessible data becomes a challenging target where personal data is involved. This is very true of language learner data where tasks are often phrased so that they, directly or indirectly, elicit explicit personal information, e.g.”Describe your school” or …
Fortsätt läsa ”Pseudonymization of learner essays as a way to meet GDPR requirements”

Läs mer på språkbanken.se

När vi tänker på ord så tänker vi oftast på enheter som i text omges av blanksteg (mellanrum): ’huset’, ’superstor’, ’bloggade’. De flesta skulle nog säga att ’idag’ är ett ord, men hur är det om vi skriver det (också rättstavat) ’i dag’ då? ’Mont Blanc-tunneln’? ’Röda blodkroppar’? I det här blogginlägget tänkte jag prata om ord som innehåller mellanrum och flerordsuttryck, och hur man kan analysera dem i en korpus. Om vi ska annotera en text, alltså märka upp den med …  Fortsätt läsa ”Flerordingar: ord som består av flera delar”

Läs mer om evenemanget här>>