Brug af CLARIN s værktøjer til at skabe AcaDan, et korpus for dansk akademisk sprog

Transkript

1 Brug af CLARIN s værktøjer til at skabe AcaDan, et korpus for dansk akademisk sprog Anne Sofie Jakobsen, ph.d.-stipendiat Institut for Engelsk, Germansk og Romansk Dias 1

2 LUNAS nordisk netværk Deltagere: Universitetet i Oslo, Göteborg Universitet, Dansk Sprognævn, Københavns Universitet (INSS, CST og ENGEROM/CIP) Netværket udgør en platform for koordinering af nationale forskningsprojekter vedrørende akademisk sprogbrug med fokus på korpora over akademiske sprog og akademiske ord- og fraselister. Forpligtet til at søge nationale forskningsmidler: Sverige: ademiska-ordlistor Norge: (bokmål) DK: Velux (afslag) og mit ph.d.-projekt Dias 2

3 Akademisk sprogbrug i et ordforrådsperspektiv- En korpusbaseret undersøgelse af ordforrådet i skriftligt akademisk dansk Formål: At give en empirisk baseret beskrivelse af akademisk ordforråd på dansk med et særligt fokus på flerordsforbindelser. Forskningsspørgsmål: 1. Hvilke leksemer, enkeltords- såvel som flerordsleksemer, kan identificeres som en del af dansk akademisk ordforråd? 2. Hvad er disse leksemers distribution, betydning, funktion, form og struktur? 3. Er der forskelle i leksemernes distribution, betydning og funktion i forskellige fagdiscipliner? Dias 3

4 Akademisk sprog og akademisk ordforråd Academic language is the specialized language, both written and oral, of academic settings that facilitates communication and thinking about disciplinary content. (Nagy and Townsend, 2012:92) Det akademiske ordforråd består af ord og fraser der optræder på tværs af fagdiscipliner. Det er ofte abstrakte ord, og de er med til at opbygge den akademiske diskurs ( the glue of academic language use ) Ordlister: Undervisningsredskab Evalueringsredskab Korpora et forskningsredskab: Sprogbrugsbaseret viden om akademisk ordforråd Dias 4

5 Etablering af AcaDan - korpusdesign Indsamling af tekster: PURE rapporter fra KU s seks fakulteter Opslag i Den Danske Forskningsdatabase Metadata: forfatter, kilde, år, fagdisciplin, længde, nummer, filnavn Korpussammensætning: Forventet størrelse millioner løbende ord Genrer: Fagfællebedømte tidskriftsartikler AcaDan Fagdomæne: Naturvidenskab, sundhedsvidenskab, humaniora og samfundsvidenskab Fagdisciplin: En række fagdiscipliner inden for hvert domæne Dias 5

6 Brug af Clarin.dk Hvad har jeg brug for: Konvertering fra pdf til txt Tokenisering Lemmatisering Pos-tagging Filformat der kan indlæses i SketchEngines Flere filer på én gang Beholde det unikke filnavn (domæne, fagområde, nummer) Dias 6

7 Upload af filer Dias 7

8 Annotation Dias 8

9 Annotationstyper, Format og Sprog Dias 9

10 Annotation Dias 10

11 Lidt om metadata Dias 11

12 Der arbejdes og Done! Dias 12

13 Annotation udvalgte steps i workflowet Konvertering fra pdf til flad tekst: PDFMINER+ CST's RTFreader Tokenisering: TEIP5- tokeniser/sentence extractor Lemmatisering: CST-Lemmatiser Filformat: CoNLL converter PosTagging: OpenNLP tools PosTagger Dias 13

14 Resultat File 778.zip indeholder 243 elementer: 1 html fil 22 txt filer (PDFMiner + CST's RTFreader) trin 1 & 2 66 csv filer (tokenisering, lemmatisering, POS-tagging) trin xml filer (tokenisering, lemmatisering, POS-tagging) trin CoNLL filer (CoNLL converter) trin 10 Dias 14

15 Resultat Dias 15

16 CoNLL-filen Dias 16

17 Referencer og links Svensk akademisk ordliste: Norsk akademisk ordliste: Nagy, W. & D. Townsend (2012): "Word as Tools: Learning Academic Vocabulary as Language Acquisition." Reading Research Quarterly, 47 (1), CLARIN.DK s værktøjer: Om CoNLL-format: Om LUNAS-netværket: Om LUNAS-konferencen ( maj 2016): Dias 17