KI SpotlightNewsAltkirchenslawisch: Neues Korpus und erste Benchmark-Ergebnisse für Lemmatisierungstools
Forscher veröffentlichen annotierte Ressource und evaluieren Stanza sowie UDPipe-2 für die älteste slawische Schriftsprache.
Mit KI erstellt◆ Fakten auf einen Blick
- Ein neues annotiertes Korpus für die Lemmatisierung des Altkirchenslawischen wurde erstellt.
- Das Paper beschreibt den Annotationsprozess, Designentscheidungen und Probleme mit nicht-standardkonformen Unicode.
- Das Korpus wurde verwendet, um die Lemmatisierungstools Stanza und UDPipe-2 zu evaluieren, die auf dem UD 2.12 treebank trainiert wurden.
- Die Autoren sind Usman Nawaz, Marianna Napolitano, Iris Karafillidis, Liliana Lo Presti und Marco Cascia.
Neues Lemmatisierungs-Korpus für Altkirchenslawisch veröffentlicht
Für die computerlinguistische Verarbeitung historischer Sprachen fehlt es oft an grundlegenden Ressourcen. Ein Forschungsteam hat nun ein neues, annotiertes Korpus für die Lemmatisierung des Altkirchenslawischen (Old Church Slavonic, OCS) erstellt und in einem Paper vorgestellt. Die Autoren sind Usman Nawaz, Marianna Napolitano, Iris Karafillidis, Liliana Lo Presti und Marco Cascia.
Die Lemmatisierung – die Rückführung von Wortformen auf ihre Grundform – ist ein zentraler Vorverarbeitungsschritt in der Sprachtechnologie. Für das Altkirchenslawische, die älteste slawische Schriftsprache, waren annotierte Ressourcen bisher jedoch in Umfang, Größe und Diversität stark begrenzt. Das neue Korpus soll diese Lücke schließen und die Grundlage für eine präzisere automatische Analyse der mittelalterlichen Sprache legen.
Annotationsprozess und erste Benchmark-Ergebnisse
Das Paper beschreibt detailliert den Annotationsprozess und die zugrundeliegenden Designentscheidungen. Dazu gehören das methodische Vorgehen bei der Zuordnung von Wortformen zu Lemmata sowie Maßnahmen zur Qualitätskontrolle. Ein besonderes Problem stellten nicht-standardkonforme Unicode-Zeichen dar, die in den historischen Quellen vorkommen und die maschinelle Verarbeitung erschweren; die Publikation diskutiert diese Problematik und den Umgang damit.
Das erstellte Korpus diente als Grundlage, um die Leistungsfähigkeit bestehender Lemmatisierungswerkzeuge zu evaluieren. Getestet wurden Modelle der weit verbreiteten NLP-Bibliotheken Stanza und UDPipe-2, die auf dem Universal Dependencies Treebank in der Version 2.12 trainiert wurden. Die Autoren präsentieren die konkreten Benchmark-Ergebnisse, darunter Genauigkeitswerte (Accuracy) für beide Werkzeuge, und liefern damit eine erste belastbare Vergleichsbasis. In der Diskussion ordnen sie die Leistungsfähigkeit der Modelle ein und zeigen Perspektiven für die weitere Werkzeugentwicklung in diesem bislang wenig digital erschlossenen Sprachfeld auf.
