Abstract
This paper gives an overview of distributional modelling of word meaning for contemporary lexicography. We also apply it in a case study on automatic semantic shift detection in Slovene ...tweets. We use word embeddings to compare the semantic behaviour of frequent words from a reference corpus of Slovene with their behaviour on Twitter. Words with the highest model distance between the corpora are considered as semantic shift candidates. They are manually analysed and classified in order to evaluate the proposed approach as well as to gain a better qualitative understanding of the problem. Apart from the noise due to pre-processing errors (45%), the approach yields a lot of valuable candidates, especially the novel senses occurring due to daily events and the ones produced in informal communication settings.
This paper presents the ParlaMint corpora containing transcriptions of the sessions of the 17 European national parliaments with half a billion words. The corpora are uniformly encoded, contain rich ...meta-data about 11 thousand speakers, and are linguistically annotated following the Universal Dependencies formalism and with named entities. Samples of the corpora and conversion scripts are available from the project’s GitHub repository, and the complete corpora are openly available via the CLARIN.SI repository for download, as well as through the NoSketch Engine and KonText concordancers and the Parlameter interface for on-line exploration and analysis.
In this paper we present a language-independent, fully modular and automatic approach to bootstrap a wordnet for a new language by recycling different types of already existing language resources, ...such as machine-readable dictionaries, parallel corpora, and Wikipedia. The approach, which we apply here to Slovene, takes into account monosemous and polysemous words, general and specialised vocabulary as well as simple and multi-word lexemes. The extracted words are then assigned one or several synset ids, based on a classifier that relies on several features including distributional similarity. Finally, we identify and remove highly dubious (literal, synset) pairs, based on simple distributional information extracted from a large corpus in an unsupervised way. Automatic, manual and task-based evaluations show that the resulting resource, the latest version of the Slovene wordnet, is already a valuable source of lexico-semantic information.
V sklopu konference Slovenščina na spletu in v novih medijih je 27. novembra 2015 v dvorani Zemljepisnega muzeja GIAM ZRC SAZU potekala okrogla miza z naslovom Slovenščina Janes: pogovorna, ...nestandardna, spletna ali spretna? K razpravi je bilo povabljenih pet strokovnjakov in strokovnjakinj s področja slovenskega jezikoslovja: dr. Helena Dobrovoljc (Inštitut za slovenski jezik Frana Ramovša ZRC SAZU in Fakulteta za humanistiko UNG), dr. Polona Gantar (Filozofska fakulteta UL), dr. Simon Krek (Inštitut Jožef Stefan, Filozofska fakulteta UL in Fakulteta za družbene vede UL), dr. Damjan Popič (Filozofska fakulteta UL) in dr. Marko Stabej (Filozofska fakulteta UL). Razpravo sem moderirala dr. Špela Arhar Holdt (Zavod za uporabno slovenistiko Trojina in Filozofska fakulteta UL).Povod za okroglo mizo so bile terminološke zadrege, zaznane pri poskusu poimenovanja jezika v korpusu Janes,1 vendar so slednje zelo hitro razkrile širok spekter kompleksnih vzrokov. Vprašanje opredelitve »slovenščine Janes« se tako zastavlja kot rezultat sprememb v načinu človeške komunikacije, po katerih opredelitve in pojmi obstoječe slovenske (in ne le slovenske) zvrstnostne teorije izgubljajo uporabno vrednost. Je mogoče po pojavu spleta in razvoju različnih zvrsti računalniško posredovane komunikacije še govoriti o javnem in zasebnem, formalnem in neformalnem, knjižnem in pogovornem? Še več, so te kategorije v praksi – v šoli in izven nje – sploh kdaj funkcionirale? Debata se je dotaknila vprašanja, kako naj se jezikoslovje na spremembe v jezikovni rabi odzove: moramo zagotoviti predvsem novo zvrstnostno teorijo ali je potrebna tudi sprememba v odnosu do jezikovnih uporabnikov, slovenistične metodologije, izdelkov in storitev, ki jih jezikovna skupnost od nas pričakuje, jezika samega? In kakšna je v sliki sodobnih jezikoslovnih raziskav in projektov vloga gradiva Janes, kje so glavne možnosti in kaj omejitve?Na začetku debate je imel vsak od panelistov nekaj minut za predstavitev izhodiščnega mnenja, sledile so replike in na koncu še vprašanja oz. mnenja udeležencev. Zapis izjav je bil pripravljen po zvočnem posnetku, pri čemer so bile izjave za namene lažjega branja skladenjsko prilagojene značilnostim pisnega jezika, nato pa so avtorji posredovali še nekaj dodatnih pojasnil glede svojih prispevkov. Zapis začenjamo s predstavitvijo prvega panelista.1 Gre za korpus računalniško posredovane komunikacije, ki zajema besedila tvitov, blogov, uporabniških komentarjev in forumov. Korpus predstavlja prispevek (Erjavec in dr. 2015), projektna stran pa je: http://nl.ijs.si/janes/.
Wordnet lahko izdelamo na podlagi že obstoječega tujejezičnega wordneta ali pa kot osnovo za gradnjo vzamemo korpusne podatke. Prvi pristop je preprostejši in enostavnejši, zaradi česar ga razvijalci ...tudi najpogosteje uporabljajo. Vendar ima ta pristop veliko pomanjkljivost, predvsem to, da tako izdelan vir ne odseva nujno jezika, za katerega je bil izdelan. Zato v pričujočem prispevku predstavljamo pristop, ki izhaja iz jezikovnih podatkov, pridobljenih iz jezikoslovno označenega referenčnega korpusa, iz katerega smo s pomočjo preprostih statističnih metod izluščili sezname semantično podobnih besed, ki smo jih nato vključili v wordnet za slovenščino. Pristop je bil prvotno razvit za poljščino, vendar je privlačen tudi za druge jezike, saj zanj potrebujemo minimalna jezikovnotehnološka orodja in vire, zato ga je enostavno uporabiti tudi za jezike, za katere obsežen wordnet ali podoben semantični leksikon še ne obstaja. Druga pomembna prednost uporabljenega pristopa pa je, da temelji na izpričani jezikovni rabi, pridobljeni iz korpusa, ki se nato kaže v jezikovno utemeljeni organizaciji besedišča v izdelani semantični mreži. Glede na to, da so vsi naši dosedanji pristopi za izdelovo slovenskega wordneta celotno strukturo prevzeli iz Princetonovega WordNeta, ki je bil izdelan za angleščino, bodo spodbudni rezultati, dobljeni s pričujočo metodo, koristno dopolnjevali obstoječo semantično mrežo.
V članku analiziramo dve kampanji, ki sta na Twitterju potekali ob Noveli zakona o zakonski zvezi in družinskih razmerjih, o kateri smo se državljani Republike Slovenije odločali na referendumu 20. ...decembra 2015. Namen članka je s kvantitativno in kvalitativno korpusno analizo prikazati diskurz kot orodje za nadzor nad družbeno močjo in prevlado v diskurzu. Po predstavitvi korpusa, ki je izhodišče naše analize, v nadaljevanju članka predstavimo rezultate kritične analize diskurza dveh kampanj, glavnih nasprotnikov in iniciatorjev referenduma in glavnih zagovornikov spremembe, v katerih raziskujemo uporabo Twitterja kot orodja za nadzor nad družbeno močjo v specifičnem kontekstu poskusa izenačitve zakonskih zvez v Republiki Sloveniji.
V članku analiziramo dve kampanji, ki sta na Twitterju potekali ob Noveli zakona o zakonski zvezi in družitorejnskih razmerjih, o kateri smo se državljani Republike Slovenije odločali na referendumu ...20. decembra 2015. Namen članka je s kvantitativno in kvalitativno korpusno analizo prikazati diskurz kot orodje za nadzor nad družbeno močjo in prevlado v diskurzu. Po predstavitvi korpusa, ki je izhodišče naše analize, v nadaljevanju članka predstavimo rezultate kritične analize diskurza dveh kampanj, glavnih nasprotnikov in iniciatorjev referenduma in glavnih zagovornikov spremembe, v katerih raziskujemo uporabo Twitterja kot orodja za nadzor nad družbeno močjo v specifičnem kontekstu poskusa izenačitve zakonskih zvez v Republiki Sloveniji.