D 2021

Semi-automatic building of large-scale digital dictionaries

BLAHUŠ, Marek, Michal CUKR, Ondřej HERMAN, Miloš JAKUBÍČEK, Vojtěch KOVÁŘ et. al.

Základní údaje

Originální název

Semi-automatic building of large-scale digital dictionaries

Autoři

BLAHUŠ, Marek (203 Česká republika), Michal CUKR (203 Česká republika), Ondřej HERMAN (203 Česká republika, domácí), Miloš JAKUBÍČEK (203 Česká republika, domácí), Vojtěch KOVÁŘ (203 Česká republika, domácí) a Marek MEDVEĎ (703 Slovensko, domácí)

Vydání

Brno, Proceedings of Electronic Lexicography in the 21st Century Conference (7th Biennial Conference on Electronic Lexicography, eLex 2021), od s. 396-407, 12 s. 2021

Nakladatel

Lexical Computing CZ s.r.o.

Další údaje

Jazyk

angličtina

Typ výsledku

Stať ve sborníku

Obor

10201 Computer sciences, information science, bioinformatics

Stát vydavatele

Česká republika

Utajení

není předmětem státního či obchodního tajemství

Forma vydání

elektronická verze "online"

Odkazy

Organizační jednotka

Fakulta informatiky

ISSN

Klíčová slova anglicky

post-editing lexicography; dictionary drafting; Sketch Engine
Změněno: 15. 5. 2024 14:54, RNDr. Pavel Šmerk, Ph.D.

Anotace

V originále

This paper presents a novel way of creating dictionaries by using a particular post-editing workflow, all of which is carried out in the context of building a set of three bilingual dictionaries - Tagalog, Urdu and Lao dictionaries with translations into English and Korean. The dictionaries were created completely from scratch without reusing any existing content and in a completely automatic manner, amounting to 50, 000 headwords, out of which 15, 000 headwords were subject to subsequent manual post-editing. In the paper we discuss the post-editing methodology that we used and its impact on the overall lexicographic workflow. We describe the web corpora that were built specifically for the purpose of building these three dictionaries as well as their annotations (such as PoS tagging and lemmatisation) and tools that were used for the corpus annotation and for automating individual entry parts and the post-editing thereof. Most of the automatic drafting and post-editing relied on a backbone consisting of the Sketch Engine corpus management system and Lexonomy dictionary editor We also detail the overall amount of work involved in each post-editing step, the technical and managerial difficulties faced alongside in the project, and the major technological issues that still need improvement in the post-editing scenario.

Návaznosti

LM2018101, projekt VaV
Název: Digitální výzkumná infrastruktura pro jazykové technologie, umění a humanitní vědy (Akronym: LINDAT/CLARIAH-CZ)
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, LINDAT/CLARIAH-CZ - Digitální výzkumná infrastruktura pro jazykové technologie, umění a humanitní vědy