چکیده:
بسیاری از پژوهشهای زبانشناسی و برنامهریزیهای زبانی با استفاده از پیکرههای زبانی انجام میشود. در این پژوهش پیکرهای با استفاده از متون مقالههای پژوهشنامة پردازش و مدیریت اطلاعات ساخته شده است. این پیکره شامل بیش از 600 مقاله (بیش از چهار میلیون واژه) است. موضوع این مقالهها کتابداری و اطلاعرسانی، علم اطلاعات و دانششناسی، فناوری اطلاعات، زبانشناسی، زبانشناسی رایانشی، اصطلاحشناسی، هستانشناسی و سایر حوزههای پردازش اطلاعات است. متون مقالهها تخصصی و میانرشتهای است و برای پردازشهایی که مستلزم بهرهگیری از متون تخصصی است، ارزشمند است. برای ساخت پیکره پس از نمونهگیری و وارد کردن دادهها در پیکره، فرادادة مقالهها وارد پیکره شد. سپس نرمالسازی ماشینی و به دنبال آن برچسبگذاری ماشینی (نوعاً برچسبگذاری اجزای واژگانی کلام) انجام شد. در نهایت تعداد قابل توجهی از فایلهای برچسبخورده در پیکره به صورت رندوم انتخاب شد و الگوهای زبانی برای اصلاح ماشینی و دستی برچسبها استخراج و در پیکره به کار برده شد.
Numerous linguistic studies as well as language planning involves the use of corpus to analyze different aspects of language. In present study a corpus was built from published articles of the journal of information processing and management. The corpus include more than 600 articles and 4000000 words. The articles cover hot topics including information science, information technology,, linguistics, computational linguistics, terminology, ontology and the like; so, actually the corpus is the specialized one which could be considered as a prerequisite for specific language processing. After sampling, in present study, data as well as metadata was inserted to corpus, Then, normalization and POS tagging were done via available software and finally some files were randomly chosen for checking their POS tags which led to extracting some rules for correcting wrong tags. Then the rules were applied to corpus.
خلاصه ماشینی:
)، تجزيه و تحليل متن با استفاده از نرم افزار AntConc، ايجاد فهرست فراواني واژه ها، توسعۀ فهرست واژگان حاشيه نويسي شده که خود شامل اين موارد است : تعيين مقولۀ نحوي (POS) واژگان موجود در فهرست ، اضافه کردن تعريف واژگان ، باهم آيي واژگان و نمونه اي از جمله اي که واژه در آن به کار رفته است .
در اين پژوهش ، پس از ساخت پيکرة متني، با توجه به کاربرد برچسب اجزاي واژگاني کلام در پردازش متن ، تصميم گرفته شد ايـن نـوع برچسـب هـم بـه پيکره اضافه شود.
براي اصلاح برچسب ها از فهرست وندها و واژه بست هاي فارسي (جدول ٣)، برگرفته از مجموعه ١٢ مقالۀ دکتر علياشرف صادقي تحت عنوان «شيوه ها و امکانات واژه سازي در زبان فارسي معاصر ١ تـا ١٢ : ١٣٧٢- ١٣٧٠» و خسرو کشاني (در بحث اشتقاق ) و لازار: ١٣٨٩ و قطره : ١٣٨٦ (در بحـث تصـريف ) اسـتفاده شـده است .
(به تصویرصفحه مراجعه شود) شکل ٢: نمونه اي از متن برچسب گذاري شده در پيکره پس از ساخت پيکره ، پيکره در سامانه اي قرار داده شد که داراي ويژگيهاي فني و قابليت هاي زير است : چارچوب اصلي سامانه چارچوب اصلي سامانه ، Net Core.
Language-Integrated Query (به تصویرصفحه مراجعه شود) شکل ٣: نمودار جرياني (block diagram) از ماجول هاي ساخت پيکره نتيجه گيري در اين پژوهش ، پيکرة متني ساخته شد که محتواي آن متون مقاله هاي موجود در «پـژوهش نامـۀ پـردازش و مديريت اطلاعات » است .