ΗΛΕΚΤΡΟΝΙΚΑ ΣΩΜΑΤΑ ΚΕΙΜΕΝΩΝ ΓΙΑ ΤΗ ΓΛΩΣΣΙΚΗ ΕΡΕΥΝΑ ΚΑΙ ΔΙΔΑΣΚΑΛΙΑ

Παρουσίαση με θέμα: "ΗΛΕΚΤΡΟΝΙΚΑ ΣΩΜΑΤΑ ΚΕΙΜΕΝΩΝ ΓΙΑ ΤΗ ΓΛΩΣΣΙΚΗ ΕΡΕΥΝΑ ΚΑΙ ΔΙΔΑΣΚΑΛΙΑ"— Μεταγράφημα παρουσίασης:

1 ΗΛΕΚΤΡΟΝΙΚΑ ΣΩΜΑΤΑ ΚΕΙΜΕΝΩΝ ΓΙΑ ΤΗ ΓΛΩΣΣΙΚΗ ΕΡΕΥΝΑ ΚΑΙ ΔΙΔΑΣΚΑΛΙΑ
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ ΧΕΙΜΕΡΙΝΟ ΕΞΑΜΗΝΟ

2 ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 ΤΙ ΣΗΜΑΙΝΕΙ; ΗΛΕΚΤΡΟΝΙΚΑ ΣΩΜΑΤΑ ΚΕΙΜΕΝΩΝ

3 ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 ΚΕΙΜΕΝΑ : Περίπου είκοσι χρόνια πριν ο ερευνητής ο Gerry Knowles έγραφε: […] “θεώρησα δεδομένο ότι η γλώσσα εκτίθεται σε μορφή κειμένων, ότι οι γλωσσολόγοι, παραδοσιακά, αποθηκεύουν διάφορες γενικεύσεις σχετικά με τα κείμενα στα λεξικά, και οι γενικεύσεις αυτές, σχετικά με τα στοιχεία του λεξικού αποθηκεύτηκαν σε γραμματικές”

4 ΗΛΕΚΤΡΟΝΙΚΟ ΣΩΜΑ ΓΙΑΤΙ:
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 ΗΛΕΚΤΡΟΝΙΚΟ ΣΩΜΑ ΓΙΑΤΙ: …σήμερα οι γλωσσολόγοι αναζητούν όλο και περισσότερες αποδείξεις και η μελέτη των ΗΣΚ μπορεί να ανταποκριθεί σ’ αυτό H διαφορά, έγκειται στον πλούτο των αποδείξεων και στην εμπιστοσύνη που μπορούμε να έχουμε στη γενίκευση αυτών των αποδείξεων, όσον αφορά την εγκυρότητα και την αξιοπιστία τους (Kennedy 1998).

5 ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 ΟΡΙΣΜΟΙ Το Ηλεκτρονικό Σώμα Κειμένων γενικής γλώσσας είναι ένα σώμα κειμένων το οποίο είναι κωδικοποιημένο για τυποποιημένες και ομοιογενείς εργασίες ανάκτησης γλωσσικής πληροφορίας. Τα γλωσσικά τμήματα που περιέχει περιλαμβάνουν πληροφορίες για την προέλευσή τους και την εξωγλωσσική λειτουργία τους (Μικρός & Φουντοπούλου 2002). Το Ηλεκτρονικό Σώμα Κειμένων γενικής γλώσσας στην σύγχρονη γλωσσολογία μπορεί να περιγραφεί ως ένα σώμα με πεπερασμένο αριθμό κειμένων σε ηλεκτρονική μορφή, τα οποία έχουν επιλεγεί με τρόπο, ώστε να αποτελούν όσο το δυνατόν πιο αντιπροσωπευτικά δείγματα της γλωσσικής ποικιλίας που μελετάται (McEnery & Wilson 1996).

6 Μη Ηλεκτρονικά Σώματα Κειμένων
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Μη Ηλεκτρονικά Σώματα Κειμένων Το Βρετανικό παράδειγμα: Βίβλος ως ΣΚ (συμφράσεις του Cruden) Dictionary of the English Language ( φράσεις→ λήματα) Oxford English Dictionary (50 εκατ. Λέξεις, από το 1000μΧ έως 1923 έτος έκδοσης)

7 Μη Ηλεκτρονικά Σώματα Κειμένων
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Μη Ηλεκτρονικά Σώματα Κειμένων Η Αμερικανική προσέγγιση: Thornidike Corpus: 4,5 εκατ. λέξεις (Βίβλος+Επιστολές+Εφημερίδες+ Σχολικά αναγνώσματα) American English Grammar (Σώμα επιστολών προς την κυβέρνηση) το Survey of English Usage (SEU) Corpus (προφορικός και γραπτός λόγος)

8 Πρώτη γενιά των Ηλεκτρονικών Σωμάτων Κειμένων (1)
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Πρώτη γενιά των Ηλεκτρονικών Σωμάτων Κειμένων (1) Brown Corpus: αποτελούνταν από 500 δείγματα των λέξεων περίπου και δεν στόχευε στην αντιπροσωπευτικότητα κάποιου συγκεκριμένου κειμενικού είδους, αλλά στο να αποτελέσει μία σταθερά για συγκριτικές έρευνες και αναλύσεις στην σύγχρονη Αγγλική γλώσσα.

9 Πρώτη γενιά των Ηλεκτρονικών Σωμάτων Κειμένων (2)
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Πρώτη γενιά των Ηλεκτρονικών Σωμάτων Κειμένων (2) Lancaster-Oslo/Bergen (LOB) Corpus : είχε ως σκοπό να αποτελέσει το βρετανικό κομμάτι του Brown Corpus. Το LOB περιελάμβανε περίπου ένα εκατομμύριο λέξεων που εκδόθηκαν το 1961. Οι κειμενικές κατηγορίες των δύο Σωμάτων ήταν όμοιες αν και υπήρχε μια μικρή διαφορά στον αριθμό των κειμένων σε κάποιες κατηγορίες

10 Πρώτη γενιά των Ηλεκτρονικών Σωμάτων Κειμένων (3)
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Πρώτη γενιά των Ηλεκτρονικών Σωμάτων Κειμένων (3) London Lund Corpus (LLC) : Το SEU Corpus ψηφιοποιήθηκε από το Πανεπιστήμιο Lund της Σουηδίας και προστέθηκαν 13 κείμενα στα ήδη 87 προφορικά κείμενα του SEU. Σύνολο 100 κείμενα των λέξεων Μισό εκατομμύριο λέξεις απάρτιζαν το μεγαλύτερο Σώμα προφορικού λόγου που υπήρχε έως τα μέσα της δεκαετίας του ’90. Παρόλα αυτά, τα κείμενα ήταν από ομιλητές υψηλού μορφωτικού επιπέδου και οι κειμενικές κατηγορίες δεν ήταν τόσο ποικίλες

11 Πρώτη γενιά των Ηλεκτρονικών Σωμάτων Κειμένων (4)
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Πρώτη γενιά των Ηλεκτρονικών Σωμάτων Κειμένων (4) Lancaster/IBM Spoken English Corpus (SEC) : Ακολούθησε το παράδειγμα του London-Lund Corpus για τον προφορικό λόγο Προορισμένο για προσωδιακή ανάλυση Αποτελούνταν από λέξεις από 11 κατηγορίες, με κείμενα τα οποία συγκεντρώθηκαν μεταξύ των ετών 1987 και 1989

12 Δεύτερη γενιά των Ηλεκτρονικών Σωμάτων Κειμένων (τα μικρά)
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Δεύτερη γενιά των Ηλεκτρονικών Σωμάτων Κειμένων (τα μικρά) Cobuild project /Bank of English Ένα Corpus σχεδιασμένο για την δημιουργία του Cobuild Dictionary εμπλουτισμένο με 13 εκ. λέξεις για διδακτικούς κυρίως, σκοπούς. Longman Corpus Network Αποτελούμενο από: Longman/Lancaster English Language Corpus (LLELC), Longman Spoken Corpus (LSC) Longman Corpus of Learners

13 Δεύτερη γενιά των Ηλεκτρονικών Σωμάτων Κειμένων (τα μεγάλα)
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Δεύτερη γενιά των Ηλεκτρονικών Σωμάτων Κειμένων (τα μεγάλα) British National Corpus : Η βρετανική κυβέρνηση το χρηματοδότησε κατά το ήμισυ και συνεργάστηκαν για την κατασκευή του τα Πανεπιστήμια της Οξφόρδης και του Λάνκαστερ, η Βρετανική Βιβλιοθήκη και οι εκδοτικοί οίκοι: Longman, Oxford University Press και W. and R. Chambers. Επιδίωξή τους ήταν να δημιουργήσουν ένα ΗΣΚ γενικής γλώσσας 100 εκατομμυρίων λέξεων International Corpus of English (ICE): Ως σύνολο το ICE είναι ένα γιγαντιαίο ΗΣΚ, αλλά τα υποσύνολά του είναι μετρίου μεγέθους. Οι κατασκευαστές του οραματίστηκαν 20 παράλληλα ΗΣΚ γενικής γλώσσας που το καθένα θα αποτελείται από ένα εκατομμύριο λέξεις στην αγγλική γλώσσα

14 Χαρακτηριστικά των ΗΣΚ
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Χαρακτηριστικά των ΗΣΚ Ηλεκτρονική μορφή Αντιπροσωπευτικότητα Γλωσσική πληροφορία

15 ΗΣΚ δεν είναι: Αρχείο Βιβλιοθήκες ηλεκτρονικών κειμένων
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 ΗΣΚ δεν είναι: Αρχείο Βιβλιοθήκες ηλεκτρονικών κειμένων

16 ΠΑΡΑΔΕΙΓΜΑΤΑ: …είναι ΗΣΚ;
ΠΑΡΑΔΕΙΓΜΑΤΑ: …είναι ΗΣΚ; ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Τα έγγραφα σε μια δημόσια υπηρεσία Το σύνολο της εμπορικής αλληλογραφίας μιας εταιρείας Τα sms στο κινητό μας Τα mail στο inbox μας Ο φάκελος με όλες τις εργασίες μας Δες τα χαρακτηριστικά στην διαφ. 14.

17 Έλεγχος πριν οριστεί ένα ΗΣΚ:
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Έλεγχος πριν οριστεί ένα ΗΣΚ: ποσότητα (έκταση σε αριθμό λέξεων) ποιότητα (αντιπροσωπευτικότητα και ισοκατανομή) ευκολία στην κωδικοποίηση αρχειοθέτηση (τα ακριβή στοιχεία για την προέλευση των κειμένων).

18 ΗΣΚ και Γλωσσολογική Ανάλυση
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 ΗΣΚ και Γλωσσολογική Ανάλυση Βασίζεται σε μεγάλο αριθμό κειμένων άρα επαληθεύεται με μεγαλύτερη αξιοπιστία η γλωσσική διαίσθηση Βασίζεται σε ηλεκτρονικά κείμενα άρα αποθηκευμένα και επεξεργασμένα με η/υ Βασίζεται σε αυθεντικά κείμενα άρα πραγματικές περιστάσεις γλώσσας

19 Κατηγοριοποίηση των ΗΣΚ (μορφή κειμένων)
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Κατηγοριοποίηση των ΗΣΚ (μορφή κειμένων) Γραπτά Προφορικά Μεικτά Δες Δεύτερη Γενιά ΗΣΚ και βάλτα σε κατάταξη!!

20 Δράσεις για την εκμετάλλευση/ χρήση των ΗΣΚ
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Δράσεις για την εκμετάλλευση/ χρήση των ΗΣΚ Δομικός Χαρακτηρισμός Ανάλυση μερών του λόγου Συντακτικός Χαρακτηρισμός Ληματοποίηση Πίνακες Συμφράσεων

21 Ανάλυση Μερών του Λόγου (Part-of-Speech Analysis)
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Ανάλυση Μερών του Λόγου (Part-of-Speech Analysis) Η ανάλυση των Μερών του Λόγου γίνεται με τον «Μορφολογικό Αναλυτή» (‘‘tagger’’), ένα εργαλείο που δίνει το μορφολογικό χαρακτηρισμό στην κάθε λέξη με ένα συγκεκριμένο συμβολισμό. Ο Μορφολογικός Αναλυτής μπορεί να είναι αυτοματοποιημένος ή όχι. Το υπόμνημα όλων των συμβολισμών ονομάζεται ‘‘tagset’’ και καθορίζεται από την αρχή από τον κατασκευαστή του εργαλείου.

22 Είδη Μορφολογικού Αναλυτή
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Είδη Μορφολογικού Αναλυτή Μορφολογικός Αναλυτής, ο οποίος είναι βασισμένος σε κανόνες γραμματικής (rule based). Μορφολογικός Αναλυτής, ο οποίος είναι βασισμένος σε πιθανότητες (probabilistic), Μικτός τύπος (mixed type): είναι αυτός που στηρίζεται κυρίως σε κανόνες και όπου αποτυγχάνουν να δώσουν μια απάντηση εφαρμόζονται οι πιθανότητες για να δώσουν μια λύση. BNC rule based 77% “Brill Tagger Probabilistic Tree Tagger 96%

23 ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 ΠΑΡΑΔΕΙΓΜΑ TAGGING >>> text = word_tokenize ("They refuse to permit us to obtain the refuse permit") >>> nltk.pos_tag (text) [('They', 'PRP'), ('refuse', 'VBP'), ('to', 'TO'), ('permit', 'VB'), ('us', 'PRP'), ('to', 'TO'), ('obtain', 'VB'), ('the', 'DT'), ('refuse', 'NN'), ('permit', 'NN')]

24 Συντακτικός Χαρακτηρισμός (Parsing)
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Συντακτικός Χαρακτηρισμός (Parsing) Ο Συντακτικός Χαρακτηρισμός (Parsing) είναι αυτός που παρέχει τα απαραίτητα στοιχεία για την συντακτική θέση και λειτουργία των στοιχείων της πρότασης. Είναι τόσο άρρηκτα συνδεδεμένες οι δύο έννοιες (tagging και parsing) που πολλά προγράμματα συντακτικού χαρακτηρισμού ενέχουν και μορφολογικό αναλυτή

25 ΠΑΡΑΔΕΙΓΜΑ PARSING: He came ,_, saw ,_, and conquered ._.
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 ΠΑΡΑΔΕΙΓΜΑ PARSING: The simplest case: conjoined intransitive verbs He came ,_, saw ,_, and conquered ._. ( (IP-MAT (NP-SBJ (PRO He)) (VBD (VBD came) (, ,) (VBD saw) (, ,) (CONJ and) (VBD conquered)) (. .)))

26 ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Λημματοποίηση Η λημματοποίηση είναι άμεσα συνδεδεμένη με το μορφολογικό χαρακτηρισμό των λέξεων. Καταρτίζεται μια λίστα με λήμματα που προκύπτουν από το σύνολο των λέξεων ενός ΗΣΚ. Η επεξεργασία μπορεί να εφαρμοστεί τόσο σε ομαλούς όσο και σε ανώμαλους τύπους λημμάτων. Εξυπηρετεί κυρίως στη λεξικογραφία και στη λεξικολογία.

27 Αναλυτής Πινάκων Συμφραζομένων (Concordancer)
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Αναλυτής Πινάκων Συμφραζομένων (Concordancer) Ο αναλυτής πινάκων συμφραζομένων παρέχει μία εικόνα για την πυκνότητα συγκεκριμένων λέξεων που εμφανίζονται σε ένα ΗΣΚ. Έτσι: έχουμε πληροφορίες για τη φρασεολογία για τη συχνότητα μιας λέξης, αλλά και μιας φράσης, (διευκολύνει τον μαθητή στην εκμάθηση λεξιλογίου) για τη διασπορά μιας λέξης μέσα σ’ ένα ΗΣΚ.

28 Παραδείγματα Συμφράσεων (1)
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Παραδείγματα Συμφράσεων (1) word: interested. 1. Is Oxfam interested in disarmament? 2. But she was not interested in education for its own sake. 3. Parents are obviously interested in the various skills... 4. .. to change as more women become interested in outdoor pursuits. 5. In other words, he was not interested, as Singer was, in... 6. ..last month said a range of other interested parties had emerged,..

29 Παραδείγματα Συμφράσεων (2)
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Παραδείγματα Συμφράσεων (2) La parola FINALMENTE: Una richiesta che ricevo , la sua , finalmente originale ! Presi la stessa direzione di quella donna e finalmente la intravidi.. Norma trovó finalmente il coraggio per guardare il figlio negli occhi. ..ora finalmente potevano compiacersi della rovina della vecchia. Domenico era finalmente riuscito nell ' intento di sistemare la motocarrozzeta " Ecco , é lei ! Finalmente ! La mia cavalla ! Vide finalmente , una volta che passato il palmo. Finalmente guardava a quella comunitá conchiusa.

30 Εφαρμογές των ΗΣΚ Γλωσσική έρευνα Λεξικογραφία Γραμματική
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Εφαρμογές των ΗΣΚ Γλωσσική έρευνα Λεξικογραφία Γραμματική Μετάφραση (παράλληλα ΗΣΚ) Ορολογία Ιστορία της γλώσσας Διδακτική

31 Διδακτική και ΗΣΚ Εφαρμογή στη διδασκαλία:
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Διδακτική και ΗΣΚ Εφαρμογή στη διδασκαλία: Σε χαρακτηρισμένο ΗΣΚ, όταν ο διδάσκων παίρνει παραδείγματα από το ΗΣΚ και τα επεξεργάζεται ως άσκηση με τους μαθητές. Σε μη-χαρακτηρισμένο ΗΣΚ, όταν οι μαθητές ψάχνουν να βρουν τη χρήση μιας λέξης μόνοι τους. (Δεδομενοκεντρικής εκμάθησης/DDL: Data Driven Learning). Σε ΗΣΚ Γλωσσικής εκμάθησης (learner corpus) ο ένας μαθητής προσπαθεί να εξηγήσει στον άλλον τα λάθη του («αμοιβαία μάθηση»).

32 Διδακτική και ΗΣΚ Εφαρμογή στην αξιολόγηση:
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Διδακτική και ΗΣΚ Εφαρμογή στην αξιολόγηση: Ως αρχείο γραπτών προερχόμενων από εξετάσεις Ως εργαλείο για να αναπτυχθεί υλικό αξιολόγησης Για να βελτιωθούν οι τεχνικές αξιολόγησης Για να βελτιωθεί η ποιότητα της βαθμολόγησης Για να σταθεροποιηθεί η μορφή των τεστ. ΓΙΑΤΙ: οι μαθητές είναι σε θέση να συγκρίνουν την απόδοσή τους με τη φυσική γλώσσα

33 ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Διδακτική και ΗΣΚ Εφαρμογή στη δημιουργία αναλυτικών προγραμμάτων (Syllabuses) Με βάση την συχνότητα των φαινομένων Με βάση την συχνότητα των λέξεων ή φράσεων.

34 Τι δεν είναι τα ΗΣΚ για την διδακτική:
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Τι δεν είναι τα ΗΣΚ για την διδακτική: Προσέγγιση Μέθοδος Αντικαταστάτης του εκπαιδευτικού ΑΛΛΑ: Είναι εργαλείο, διευκολυντής, βοηθός…

35 ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Μειονεκτήματα: Δεν μπορούν να χρησιμοποιηθούν για όλα τα επίπεδα και όλες τις ανάγκες Τα ΗΣΚ που είναι βασισμένα σε ενημερωτικά κείμενα δεν είναι κατάλληλα για μικρά επίπεδα Το υλικό μπορεί να φανεί δυσνόητο ή πολύπλοκο στο μαθητή και η έκτασή του να τον τρομάζει Το ΗΣΚ δεν δίνει πληροφορίες για τον επιτονισμό, χειρονομίες κ.λ.π. των ομιλητών και για το επικοινωνιακό περιβάλλον. Ο δάσκαλος έχει μειωμένο έλεγχο στη μαθησιακή διαδικασία. Μπορεί να δημιουργηθούν από το μαθητή περισσότερες ερωτήσεις και απορίες, γιατί εκτίθεται σε έναν πολύ μεγαλύτερο αριθμό γλωσσικών παραδειγμάτων Η επιμόρφωση των εκπαιδευτικών δεν θεωρείται πάντα δεδομένη, όπως και ο ανάλογος εξοπλισμός στο σχολικό περιβάλλον

36 ΑΝΑΚΕΦΑΛΑΙΩΣΗ Ας … Δώσουμε έναν ορισμό των ΗΣΚ
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 ΑΝΑΚΕΦΑΛΑΙΩΣΗ Ας … Δώσουμε έναν ορισμό των ΗΣΚ Θυμηθούμε κάποια ΗΣΚ ή τους φορείς τους Πούμε κάποιες κατηγορίες ΗΣΚ Αναφέρουμε κάποιες εφαρμογές τους Μοιραστούμε τις απόψεις μας για την χρησιμότητα τους

37 Ως την επόμενη… Δείτε στο διαδίκτυο ΗΣΚ/CORPORA
ΚΑΤΕΡΙΝΑ ΦΛΩΡΟΥ 12/4/2019 Ως την επόμενη… Δείτε στο διαδίκτυο ΗΣΚ/CORPORA Ανακαλύψτε τρόπους να τα …ανακαλύψετε!