ELHUYAR CORPUSA « ORTZIA LOREZ ETA LURRA IZARREZ

ELHUYAR CORPUSA Marzo 18, 2008

Archivado en: Edizio Digitala, Littera — ziortza @ 10:45 am

AURKEZPENA: Buru hitza (I)

Elhuyar hiztegiaren corpusa erabiliko dugu kurtso amaierarako egin behar dugun proiektua garatzeko.

Zientzia eta Teknologiaren Corpusa, edo ZT corpusa, zientzia eta teknologiaren alorreko euskarazko testu-bilduma egituratu eta etiketatua da, eta alor horietako euskararen erabilera ikertzeko baliabidea izatea du helburu nagusia. Corpus berezi edo espezializatua da, eta UPV/EHUko IXA taldeak eta Elhuyar Fundazioak elkarlanean eratu dute. http://www.ztcorpusa.net/aurkezpena.htm

CORPUSA:

Epea:

1990-2002 (biak barne)

Eremuak:

Zientzia zehatzak

Materiaren eta energiaren zientziak

Lurraren zientziak

Biziaren zientziak

Teknologia

Orokorra

Bestelakoak

Generoak:

Oinarrizko hezkuntzako materiala

Goi-mailako liburua

Artikulu espezializatua

Dibulgazio-artikulua

Dibulgazio-liburua

Administrazio publikoko dokumentua

Egitura-etiketatzea:

TEI P4 (XML)

Automatikoa: testuaren egitura-ezaugarriak (atalburuak, atalak, azpiatalak, paragrafoak, zerrendak, taulak, oin-oharrak, irudi-oinak, eta abar.); nabarmentze-ezaugarriak (tipografikoak, hau da, letra-estiloa eta komatxo edo kakotxak)

Eskuz landua (gune orekatuko laginak): nabarmentze-ezaugarrien balioa (enfasia, aipua, atzerri-hitza, ohiz kanpoko adiera edo erabilera ironikoa, metahizkuntza, terminoa, izen berezia…)

Aurreprozesamendu linguistikoa (gune orekatuko laginak):

Corpusaren lexikoi osagarria elikatzea (EDBLn eta Elhuyar Hiztegian ez dauden eta corpusean atzeman diren maiztasun handiko lema espezializatuak)

Aldaeren normalizazioa (<reg> etiketa)

Akats ortotipografikoen zuzenketa (<corr> etiketa)

Etiketatze linguistikoa:

Erabilitako baliabide lexikalak: EDBL (http://ixa2.si.ehu.es/edbl/ )+ZT corpusaren lexikoi osagarria (Elhuyar Hiztegia+corpusaren aurreprozesamendu linguistikoan bildutako lexiko espezializatua)

Automatikoa:

lema eta kategoria
hitz anitzeko unitate ’seguruak’ eta marraz lotutako izen-elkarte diren lema konplexuak etiketatu dira, eta horien osagaien informazioa (lema eta kategoria) ere gorde da, horien araberako kontsultak egiteko aukera ere izateko
testu-hitz batek analisi bat baino gehiago dituenean (anbiguoa denean), desanbiguazio automatikoaren bidez analisi bat hobesten da, baina gainerako analisiak gorde egin dira
desanbiguazio automatikoa amaieran egin da, eskuz egindako desanbiguazio-lanetik ‘ikas’ dezan

Eskuz landua (gune orekatuko laginak):

desanbiguazioa: lema/kategoria mailako analisi bat baino gehiago ematen duten testu-formetarako analisi zuzena hautatu da
prozesamendu linguistikoan izandako akatsak zuzendu dira
aldaeren normalizazioa: EDBLn zehaztutako aldaera ez-estandarren agerraldiak aldaera estandarraren lemarekin etiketatu dira. EDBLn aldaeren estandartasuna ebazteko erabiltzen den iturria Euskaltzaindiaren Hiztegi Batua da

Tamaina:

Guztira: 7,6 milioi hitz (7.623.734)

Automatikoki landuak: 6 milioi hitz (5.989.976)

Automatikoki landuak eta gero eskuz berrikusiak eta zuzenduak: 1,6 milioi hitz (1.633.758)

Lema-kopurua:

Guztira: 136.792

Eskuz egiaztatuak: 69.921

NOLAKOA DA:

Galdera

…ien nola garraiatzen zuten soinua izurdeek azaletik	<span onmouseout=”tip_it(0,”,”,”,”)” onmouseover=”tip_it(1,’Automatikoa, analisi anitzekoa, automatikoki hautatua = bilatutakoa’,'#E5E49A’,’burutu aditza – buru izena‘,’#C0C0C0′)”>buru barneko belarrietaraino, baina gaitasun horren misterioa ar…
… basora, bi tronpetari tronpetei puzka dituztela	<span onmouseout=”tip_it(0,”,”,”,”)” onmouseover=”tip_it(1,’Automatikoa, analisi anitzekoa, automatikoki hautatua = bilatutakoa’,'#E5E49A’,’burutu aditza – buru izena‘,’#C0C0C0′)”>buru. Basoan haritz-abar hostotsuak ebakitzen dituzte, eta horie…
…tik sudur eta ahoraino etorriz. Bestea da baratxuri	<span onmouseout=”tip_it(0,”,”,”,”)” onmouseover=”tip_it(1,’Automatikoa, analisi anitzekoa, automatikoki hautatua = bilatutakoa’,'#E5E49A’,’burutu aditza – buru izena‘,’#C0C0C0′)”>buru bat, bizitaraino zuritua, hartu eta umetokiaren barnean eza…
Oloaren aleak ez dira	<span onmouseout=”tip_it(0,”,”,”,”)” onmouseover=”tip_it(1,’Automatikoa, analisi anitzekoa, automatikoki hautatua = bilatutakoa’,'#E5E49A’,’burutu aditza – buru izena‘,’#C0C0C0′)”>buru batean agertzen, sorta moduan baizik. Alea, aldiz, gariaren…
Beste	<span onmouseout=”tip_it(0,”,”,”,”)” onmouseover=”tip_it(1,’Eskuz zuzendua’,'#A1E6B5′,’buru izena‘,’#C0C0C0′)”>buru batean, Edouardo Manet: sortsez Kubatarra, handik joan-eta …
…desberdinean prestatzea izango da, alegia, famili	<span onmouseout=”tip_it(0,”,”,”,”)” onmouseover=”tip_it(1,’Automatikoa, analisi anitzekoa, automatikoki hautatua = bilatutakoa’,'#E5E49A’,’burutu aditza – buru izena‘,’#C0C0C0′)”>buru batek erabiltzekoa, diru-hornidurak egitekoa edota elokuent…
…desberdinean prestatzea izango da, alegia, famili	<span onmouseout=”tip_it(0,”,”,”,”)” onmouseover=”tip_it(1,’Automatikoa, analisi anitzekoa, automatikoki hautatua = bilatutakoa’,'#E5E49A’,’burutu aditza – buru izena‘,’#C0C0C0′)”>buru batek erabiltzekoa, diru-hornidurak egitekoa edota elokuent…
…una, eta, neurriz, orratz buru baten eta poxpolu	<span onmouseout=”tip_it(0,”,”,”,”)” onmouseover=”tip_it(1,’Automatikoa, analisi anitzekoa, automatikoki hautatua = bilatutakoa’,'#E5E49A’,’burutu aditza – buru izena‘,’#C0C0C0′)”>buru baten artekoak dira. Hegodunak edo hego gabekoak izan daite…
…autza itxurakoa, antenaduna, eta, neurriz, orratz	<span onmouseout=”tip_it(0,”,”,”,”)” onmouseover=”tip_it(1,’Automatikoa, analisi anitzekoa, automatikoki hautatua = bilatutakoa’,'#E5E49A’,’burutu aditza – buru izena‘,’#C0C0C0′)”>buru baten eta poxpolu buru baten artekoak dira. Hegodunak edo h…