Butuh data segmentasi untuk bahasa terjemahan

Question

Saya mencari data segmentasi morfologis untuk bahasa terjemahan, baik bahasa komunikasi luas maupun bahasa terjemahan.

Sebagai contoh, dalam bahasa Inggris, saya ingin memecah kata seperti “unthinkable” menjadi [un [[think] able]] atau setidaknya un-think-able.

Saya tahu jenis informasi yang ditemukan di FLEx, tetapi saya bertanya-tanya apakah alat pemeriksaan di Paratext berisi informasi ini dengan cara yang berguna untuk bahasa yang tidak memiliki model FLEx.

Apakah informasi ini tersedia?

Terima kasih!

Jonathan+Robie

Diterjemahkan secara otomatis dari English Tampilkan asli

Answer 1

Berikut adalah tampilan XML dalam file (mungkin sedikit lebih mudah dibaca):

  <Entry Word="heals">
    <Analysis>
      <Lexeme>Stem:heal</Lexeme>
      <Lexeme>Suffix:s</Lexeme>
    </Analysis>
  </Entry>
  <Entry Word="healing">
    <Analysis>
      <Lexeme>Stem:heal</Lexeme>
      <Lexeme>Suffix:ing</Lexeme>
    </Analysis>
  </Entry>
  <Entry Word="heal">
    <Analysis>
      <Lexeme>Stem:heal</Lexeme>
    </Analysis>
  </Entry>
  <Entry Word="healed">
    <Analysis>
      <Lexeme>Stem:heal</Lexeme>
      <Lexeme>Suffix:ed</Lexeme>
    </Analysis>
  </Entry>
  <Entry Word="headed">
    <Analysis>
      <Lexeme>Stem:head</Lexeme>
      <Lexeme>Suffix:ed</Lexeme>
    </Analysis>
  </Entry>
  <Entry Word="heading">
    <Analysis>
      <Lexeme>Stem:head</Lexeme>
      <Lexeme>Suffix:ing</Lexeme>
    </Analysis>

Perhatikan bahwa memiliki informasi ini dalam proyek bergantung pada seseorang yang telah melakukan pemecahan morfologi di Wordlist atau di Interlinear.

Diterjemahkan secara otomatis dari English Tampilkan asli

Comments

anon291708:

Perhatikan bahwa memiliki informasi ini dalam proyek bergantung pada seseorang yang telah melakukan pemecahan morfologi di Wordlist atau di Interlinear.

Apakah semua ini dilakukan secara manual, atau ada cara untuk membuat “tebakan pertama” menggunakan NLP?

Diterjemahkan secara otomatis dari English Tampilkan asli

Answer 2

Jika kata-kata dalam proyek Paratext telah dipecah menjadi morfem di Wordlist, pemecahan tersebut disimpan dalam file WordAnalyses.xml. Apakah ini sesuatu yang bisa Anda gunakan? Saya telah mencoba melampirkan tangkapan layar, tetapi saya tidak yakin apakah itu muncul. Sebagai contoh, kata ācāmciintōōsii memiliki satu prefiks dan 3 sufiks ā-cām-ciin-tōōs-ii.

Iver+Larsen

Screenshot 2022-07-07 073229.png1161×573 97.3 KB

Diterjemahkan secara otomatis dari English Tampilkan asli

Answer 3

Sempurna. Ini persis apa yang saya butuhkan.

Terima kasih!

Jonathan+Robie

Diterjemahkan secara otomatis dari English Tampilkan asli

Answer 4

Ini dilakukan secara manual, tetapi Paratext mencoba mempelajari bagaimana morfologi dilakukan sehingga setelah beberapa waktu, pekerjaan “manual” mungkin hanya berupa menerima apa yang telah ditebak oleh Paratext. Anda dapat melihat perilaku ini di Wordlist atau di Interliinear.

EDIT: Jadi dalam contoh XML saya di atas, saya mungkin memasukkan “healed” sebagai “heal +ed” dan kemudian “healing”
sebagai “heal +ing” yang mungkin membuat Paratext menebak bahwa “heals” adalah “heal +s” dan “headed” adalah “head +ed”, dll…

Diterjemahkan secara otomatis dari English Tampilkan asli

Comments

Di Hyphenation Tool, pekerjaan manual dimulai dengan menerima tebakan sebagai benar dan memperbaiki tebakan yang salah. Namun, setelah Anda melihat bahwa Paratext menebak dengan benar, Anda TIDAK perlu terus menerima tebakan yang benar. Itu sudah bagus. Saya memperkirakan bahwa Morphology Tool juga sama, mulai melatihnya dengan memfilter kata-kata dengan afiks Anda yang paling umum dan setelah ia menebaknya dengan benar, filter untuk yang lain sampai Anda telah menangani afiks yang Anda kenal dan tidak melihat tebakan yang salah. Sangat memuaskan untuk melihat “momen aha” Paratext ketika ia mulai mendapatkannya dengan benar.

Dapat ada beberapa manfaat dalam menyetujui banyak sekaligus untuk menegaskan pilihan Anda dan kedua alat memungkinkan Anda untuk Shift Select banyak instance dan kemudian, melalui menu, menyetujui semuanya. JAUH lebih baik daripada tertidur karena mengklik-klik.

Berkat,

Diterjemahkan secara otomatis dari English Tampilkan asli

Answer 5

Apakah ada yang memiliki gambaran yang baik tentang berapa banyak pekerjaan yang diperlukan untuk membuat morfologi yang mencakup terjemahan dengan baik? Tingkat keterampilan apa yang diperlukan?

Diterjemahkan secara otomatis dari English Tampilkan asli

Comments

Johnathan,

Membutuhkan waktu yang cukup banyak untuk membagi semua kata dalam proyek. Bagi mereka yang ingin melakukan ini, saya merekomendasikan untuk memulai di alat Wordlist dan bukan interlinear. Dengan cara ini, kata-kata dengan akar atau batang yang sama dapat dibuat muncul bersama. Saya akan mengurutkan daftar untuk kata kerja paling umum dan menganalisis semua bentuk permukaan untuk beberapa akar/batang kata kerja yang sangat umum. Dengan cara ini, Anda akan mengajarkan morfologi ke parser Paratext dan ia akan mulai menebak dengan benar dengan sangat cepat untuk kata kerja lainnya. Menyetujui parse yang ditebak dengan benar jauh lebih cepat daripada parse manual, sehingga mengajarkan Paratext untuk parse dengan benar adalah tempat di mana keuntungan tercepat dapat dibuat. Setelah ia menebak dengan baik, maka Anda bisa beralih ke penggunaan interlinearizer proyek dan bekerja ayat demi ayat. Jika Anda ingin melakukan ini, saya juga merekomendasikan agar Anda tidak menghubungkan Paratext ke Flex. Melakukan hal itu mempersulit proses ini, kecuali Anda siap untuk mengatur parser Ample dengan benar di Flex yang membutuhkan banyak waktu untuk sebagian besar bahasa.

Diterjemahkan secara otomatis dari English Tampilkan asli

---

Apakah “waktu yang cukup banyak untuk membagi semua kata dalam proyek” adalah masalah minggu? Bulan? Lebih lama?

Diterjemahkan secara otomatis dari English Tampilkan asli

---

Jika proyek memiliki 20.000 kata unik dan jika seseorang yang memahami struktur bahasa dengan baik sedang mengerjakannya, mereka dapat dengan mudah memsegmentasi 2 kata / menit. Pada akhir hari pertama, mereka akan telah memsegmentasi hampir 1.000 kata. Pada titik itu, Paratext harus memiliki cukup data untuk mulai membuat tebakan cerdas sehingga pada hari kedua mereka dapat dengan mudah melakukan 4 kata / menit, membawa mereka ke 3.000 kata. Dari sana ke depan, mereka harus mampu melakukan 8 kata / menit untuk 4.000 kata lagi per hari.

Tujuh hari kerja.

Diterjemahkan secara otomatis dari English Tampilkan asli

---

Ini bergantung pada morfologi dan apakah seseorang memahami apa itu morfem. Hal yang baik (dalam situasi ini) adalah bahwa Paratext tidak perlu tahu apa yang ditandakan oleh morfem, atau bahkan bahwa itu adalah alomorf dari morfem lain. Paratext hanya perlu tahu jika sebuah string karakter adalah morfem atau tidak.
Jadi jika Anda bisa menemukan seseorang yang tahu cara mengidentifikasi morfem, saya pikir mereka bisa membuat Paratext menebak pemecahan dalam PB dengan benar sebagian besar waktu dalam satu minggu. Mereka harus menggunakan metode yang telah saya jelaskan. Seseorang mungkin bisa melalui seluruh PB dalam sebulan, tetapi karena menantang untuk melakukan jenis pekerjaan ini hari demi hari, saya akan menggandakan waktu dan menjadwalkan banyak istirahat untuk mengurangi kesalahan mental. Jika orang yang melakukannya memiliki banyak pertanyaan tentang morfologi saat mereka masuk ke tugas, itu juga akan memakan waktu lebih lama untuk memungkinkan mereka untuk bekerja bagian morfologi yang tidak mereka ketahui. Paratext akan mulai memposisikan pola yang mungkin ada atau tidak, dan orang tersebut harus mampu memberi tahu Paratext “tidak” kadang-kadang.

Diterjemahkan secara otomatis dari English Tampilkan asli

---

Saya bekerja dalam bahasa dengan morfologi kompleks, jadi saya telah menghabiskan hari-hari membagi kata-kata dalam batang dan banyak afiks. Kami memang mengatur AMPLE dalam bahasa terkait dan menggunakan CARLA untuk beradaptasi ke bahasa terkait lainnya, tetapi itu adalah sebelum munculnya Flex dan Paratext. Ini hanya memiliki kepentingan historis.

Hal ini mempersulit hal-hal bahwa banyak afiks mengubah ejaan batang. Saya melihat setidaknya dua keuntungan untuk melakukan parse morfologis ini. Ini membantu saya untuk menemukan kata-kata yang telah ditandai oleh penerjemah sebagai ditulis dengan benar ketika sebenarnya tidak benar. Ketika saya memfilter kata-kata dengan morfologi yang tidak disetujui, saya sering dapat menemukan kata-kata yang salah eja. Keuntungan lainnya adalah bahwa saya dapat menggunakan opsi batang di alat istilah alkitabiah. Tidak ada penerjemah yang kami kerjakan yang memiliki pengetahuan morfologi yang memadai untuk melakukan tugas ini.

Iver+Larsen

Diterjemahkan secara otomatis dari English Tampilkan asli

---

Ini bergantung pada kompleksitas morfologi. Yang sedang saya kerjakan akan memiliki sekitar 50.000 kata unik dalam Alkitab. Saya mengambil satu buku pada satu waktu, dan bahkan setelah melakukan dua pertiga Alkitab, saya masih menemukan kata-kata yang tidak dapat di-parse dengan benar oleh program.

Iver+Larsen

Diterjemahkan secara otomatis dari English Tampilkan asli