Post #450

НКРЯ— Национальный корпус русского языка ПОНЕДЕЛЬНИК, 18 декабря ◼️11:00, аудитория 615 Семинар ученого совета ИППИ РАН Докладчицы: Светлана Тимошенко, Анастасия Козеренко Тема: Научные исследования в лаборатории цифровой документации русского языка ИППИ РАН Лаборатория была создана в 2020 по гранту Минобрнауки России для реализации проекта Корпус 2.0 и создания принципиально новой программной платформы (ruscorpora.ru) Национального корпуса русского языка. Работа над созданием НКРЯ была начата в «нулевых» лингвистами из Института русского языка им. Виноградова и других институтов РАН. Среди них был и ИППИ, лаборатория компьютерной лингвистики которого в сотрудничестве с сектором теоретической семантики ИРЯ с 1998 года разрабатывала СинТагРус — глубоко аннотированный корпус текстов русского языка. В консорциуме, работающем над Корпусом 2.0, ИППИ выступает уже руководящей организацией, предоставляет программное обеспечение и проводит лингвистические исследования. Первая общедоступная версия НКРЯ появилась в интернете в 2004 году и была сравнительно небольшой: один корпус объемом не более 30 миллионов словоупотреблений. Сейчас в состав НКРЯ входит уже 22 корпуса общим объемом более 2 млрд словоупотреблений. Корпусы текстов могут быть полезны для разных типов задач, но мы подчеркнем две основных: 🟡разнообразные исследования и описания языка (лингвистические задачи) 🟡разработка компьютерных моделей языка и разнообразных приложений, которая требует больших датасетов (компьютерно-лингвистические задачи). Самый примитивный корпус — это коллекция текстов, снабженных метаинформацией (именем автора, названием, временем создания и т. д.). Однако корпусы могут содержать дополнительную лингвистическую разметку (также называемую аннотацией). Разметка может отражать самые разные языковые характеристики — морфологические, синтаксические, семантические и др. Когда сегодня говорят о лингвистических корпусах, подразумевается, что в них есть какая-либо лингвистическая разметка, а не только метаинформация. Считается, что чем больше дополнительной разметки содержит корпус, тем больше его ценность. При решении лингвистических задач корпус позволяет использовать статистические инструменты. В лаборатории цифровой документации русского языка были выполнены статистические исследования жанровых особенностей текста, а также исследования адъективных лексико-функциональных сочетаний типа окладистая борода. Основное внимание в лаборатории уделяется решению компьютерно-лингвистических задач. Были разработаны многочисленные средства автоматической разметки. К ним относятся: 🟡средство автоматической метаразметки жанров в корпусе «Социальные сети», 🟡средство автоматической разметки ключевых слов в Корпусе региональных СМИ, 🟡средство автоматической разметки морфемного состава слов, 🟡средство автоматической разметки синтаксиса (РуБик), 🟡средство автоматического определения сложности текстов для детей. #семинары