Корпусная лингвистика

2022/2023

Статус: Маго-лего

Кто читает: Школа лингвистики

Когда читается: 3, 4 модуль

Охват аудитории: для своего кампуса

Преподаватели: Ляшевская Ольга Николаевна, Толдова Светлана Юрьевна

Язык: русский

Кредиты: 6

Контактные часы: 64

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Электронные корпусные ресурсы, включающие особым образом размеченные письменные, устные и мультимодальные языковые данные, являются важным источником эмпирической информации для фундаментальной и прикладной лингвистики. Этот курс предполагает углубленное изучение методов разработки дизайна корпуса, ручной, автоматизированной и автоматической лингвистически ориентированной разметки, количественной и качественной оценки корпусных компонентов, знакомство с инструментами индексации и поискового менеджмента. В курсе также будут рассматриваться современные методы автоматической очистки (дедупликации, распознавания "псевдотекста и т.п."), предобработки и разметки корпусов с использованием нейросетевых технологий, а также методы расширения текстовых данных за счет генерации искусственных примеров (аугментации корпусов) с использованием современных генеративных технологий. Особое внимание будет уделено совместимости форматов разметки, викификации и подключению других внешних ресурсов, особенностям конструирования корпусов сетевой коммуникации, учебных корпусов, исторических корпусов, параллельных корпусов, корпусов полевых данных.

Цель освоения дисциплины

- уметь определять цели создания для основных типов корпусов, необходимый функционал, специальные характеристики, приводить примеры задач, которые можно решать с использованием корпуса соответствтующего типа - уметь автоматически собирать корпуса, предобрабатывать и очищать от дубликатов и "псевдо"текста, в том числе с использованием современных нейросетевых технологий - уметь аугментировать корпусные данные с использованием генеративных нейросетевых моделей - уметь разработать и провести устойчивую разметку корпусов, включая автоматизированную и автоматическую разметку - научиться разрабатывать собственные корпуса и обеспечивать их необходимым пользовательским интерфейсом (на примере одной из доступных корпусных платформ)

Планируемые результаты обучения

Студент умеет корректно размечать данные
Анализирует организацию одного из типа корпусов (учебных, риторических и т.п.) с точки зрения цели создания, состава, видов разметки, примеров использования, функциональность, удобства пользовательского интерфейса
Умеет собирать данные из различных web-источников для корпуса
Умеет осуществлять очистку и первичную разметку текстов для корпуса (метаразметку и грамматическую аннотацию)
Умеет осуществлять дедупликацию и фильтрацию текстовых данных
Студент умеет выбирать платформу для разметки корпусных данных, разворачивать ее и работать в ней.
Студент умеет создавать инструкцию для аннотации корпусных данных
Студент размещает разеченные корпусные данные в корпусном менеджере

Содержание учебной дисциплины

Введение
Состав и структура данных.
Разработка корпуса
Корпусные поисковые платформы
Связанные ресурсы
Синтез корпусных данных

Элементы контроля

Доклад на семинаре о выбранном типе корпусов
1. Приведите три пользовательских сценария, для которых мог бы использоваться ваш корпус. 2. Расскажите о функционале корпуса на примере одного-двух сценариев, критически оцените а) данные, б) пользовательские функции, в) параметры выдачи, г) интерфейс и т.д. 3. Чего вам не хватило для реализации сценария, что показалось лишним?
Реферат по статье
Проект по созданию собственного корпуса

Промежуточная аттестация

2022/2023 учебный год 4 модуль
0.2 * Реферат по статье + 0.4 * Проект по созданию собственного корпуса + 0.4 * Доклад на семинаре о выбранном типе корпусов

Список литературы

Авторы

Толдова Светлана Юрьевна
Перова Дарья Максимовна
Ляшевская Ольга Николаевна

Программа дисциплины