Korpusy równoległe

Korpusomat umożliwia tworzenie korpusów równoległych czyli takich, w których teksty w różnych językach są ze sobą powiązane zdaniowo — każde zdanie w jednym języku odpowiada zdaniu (lub grupie zdań) w drugim języku. Dzięki temu możliwe jest wyszukiwanie odpowiedników słów, zwrotów i konstrukcji między językami.

Obsługiwane formaty plików

Pliki z tekstami można dodać na dwa sposoby:

  • TMX - Zawiera już zdania sparowane w dwóch (lub więcej) językach. Korpusomat automatycznie odczytuje te pary i zachowuje ich powiązanie.

  • CSV - Każdy wiersz w pliku CSV odpowiada jednej parze (lub grupie) zdań w różnych językach.

Przygotowanie pliku CSV dla korpusu równoległego:

Pierwszy wiersz musi zawierać kody języków UTF-8 (np. pl, en, de) — to nagłówki kolumn. Każdy kolejny wiersz to jedno dopasowanie zdań — po jednym zdaniu w każdym języku. Przykład (dla dwóch języków: polskiego i angielskiego):

pl,en
Niestety nadal nie jest dostępna szczepionka przeciwko wirusowemu zapaleniu wątroby typu C.,Vaccination against hepatitis C is not yet available.
Zakażenie wirusem HIV,HIV infection
Ludzki wirus upośledzenia odporności (HIV) powoduje jedną z najważniejszych chorób zakaźnych w Europie.,The human immunodeficiency virus (HIV) remains one of the most important communicable diseases in Europe.

  • TXT - Możliwe jest przesłanie dwóch osobnych plików tekstowych, po jednym dla każdego języka.

  1. Pliki z wierszami odpowiadającymi sobie: każdy wiersz odpowiada jednemu zdaniu, a wiersze w obu plikach są sparowane.

  2. Pliki z wierszami nieodpowiadającymi sobie: na przykład książka napisana w języku polskim oraz jej tłumaczenie na język angielski.

  3. Pliki nie mają powiązań między zdaniami. W takim przypadku dopasowanie zdań zostanie wykonane przez narzędzie Hunalign, które porównuje długość zdań i korzysta ze słowników dwujęzycznych, aby dopasować do siebie odpowiadające zdania w obu językach.

Instrukcja

Podczas tworzenia korpusu należy zaznaczyć checkbox Korpus równoległy oraz określić języki dodawanych tekstów.

image1

Następnie należy wybrać zrównoleglony wcześniej plik (DODAJ TEXT ZRÓWNOLEGLONY (TMX, CSV)) lub osobne pliki tekstowe (DODAJ TEKSTY DO ZRÓWNOLEGLENIA)

image2 image3

Jeżeli w plikach, które dodajemy wiersz w jednym pliku odpowiada wierszowi w drugim pliku należy zaznaczyć checkbox Wiersze w obu plikach odpowiadają sobie.

image4 image5

Wskazówki dla najlepszych rezultatów

Dla najdokładniejszego dopasowania używaj plików TMX lub plików, w których wiersze odpowiadają sobie.

Unikaj bardzo długich akapitów w jednym wierszu. Podział zdań poprawia dokładność dopasowania.