Ein Mehrebenen-Tagging-Modell für die Annotation altäthiopischer Texte

paper
Authorship
  1. 1. Cristina Vertan

    Geisteswissenschaftliche Infrastruktur für Nachhaltigkeit (gwin), Universität Hamburg

  2. 2. Andreas Ellwardt

    Geisteswissenschaftliche Infrastruktur für Nachhaltigkeit (gwin), Universität Hamburg

  3. 3. Susanne Hummerl

    Geisteswissenschaftliche Infrastruktur für Nachhaltigkeit (gwin), Universität Hamburg

Work text
This plain text was ingested for the purpose of full-text search, not to preserve original formatting or readability. For the most complete copy, refer to the original conference program.


Kurze Darstellung des Altäthiopischen (Geʿez)
Das südsemitische Geʿez ist die Sprache des Königreichs Aksum in der heutigen
nordäthiopischen Provinz Tigray, von wo aus die im 4. Jahrhundert beginnende
Christianisierung Äthiopiens ihren Anfang nahm. Die in der Folge entstehende
reiche Literatur ist in großem Umfang geprägt von Übersetzungen aus dem
Griechischen und später, ab dem 13. Jahrhundert, aus dem Arabischen, was durch
grammatische Interferenzphänomene reflektiert wird. Während seine Verdrängung
als gesprochene Sprache bereits im 9./10. Jahrhundert beginnt, bleibt es als
Schriftsprache sehr viel länger erhalten und ist bis in die Gegenwart hinein
Liturgiesprache des äthiopischen und eriträischen Klerus. Das Altäthiopische hat
aus einer südsemitischen Schrift ein eigenes Silbenalphabet entwickelt, das bis
heute in mehreren modernen Sprachen Äthiopiens und Eritreas Verwendung findet.
Innerhalb der semitischen Sprachen fällt es durch die verwendete
Rechtsläufigkeit auf; außerdem werden die Vokale vollständig geschrieben. Beides
unterscheidet das Geʿez von verwandten Sprachen wie Altsüdarabisch, Arabisch,
Hebräisch und Syro-Aramäisch. Des weiteren sind Grapheme, die ursprünglich
distinkten Phonemen zugeordnet waren, schon früh in identischer phonetischer
Realisierung zusammengefallen, was sich konkret bereits in den ältesten
überlieferten Handschriftzeugnissen (aber noch nicht in den aksumitischen
Inschriften) niederschlägt, wo eine beliebige Austauschbarkeit der Laryngale und
Sibilanten jeweils untereinander zu konstatieren ist. Mit den genannten eng
verwandten semitischen Sprachen teilt das Altäthiopische die nichtkonkatenative
Morphologie. Hierbei muss das einzelne Lexem als Kombination von zwei Elementen
beschrieben werden, nämlich der Wurzel und dem Schema: Die konsonantische Wurzel
gibt veränderliche Positionen zwischen ihren, zumeist drei, Wurzelkonsonanten
vor, die durch die Vokale des Schemas aufgefüllt werden, häufig, jedoch nicht
zwingend, ergänzt um (vokalische oder konsonantische) Affixe. Das äthiopische
Silbenalphabet bringt dabei mit sich, dass Morphemgrenzen in der Schrift nicht
darstellbar sind, sodass beispielsweise ein einzelner Vokal als Bestandteil
einer Silbe eine eigenständige Wortart darstellen kann und tokenisiert werden
muss; z. B. ist im zweisilbigen Wort ቤቱ፡ /be·tu/ das /u/ als pronominales Suffix
zu bet- u ( sein Haus) zu
segmentieren.

Ein Tagest für die morphologische Annotation des Geʿez
Zur Analyse morphologischer Merkmale des Altäthiopischen wurde erstmals ein feingliedriges Tagset von 30 Wortarten entwickelt. Wir unterscheiden vier Klassen von Wortarten: Nomina, Verben, Existentiale, Partikel. Diese Klassen untergliedern sich weiter in die folgenden Wortarten:

Nomina: Nomen (Eigennamen und Substantive), Pronomen (mit 10 Wortarten) und Zahlen (Kardinal- und Ordinalzahlen)
Verben
Existentiale (affirmativ und negativ)
Partikel (14 Wortarten, z. B. Konjunktionen, Präpositionen,
Adverbien)

Den Wortarten wurden entsprechende grammatische Kategorien zugewiesen (Genus,
Numerus, Kasus, Person usw.). Ein Sonderfall ist die Bestimmung des Genus für
das Nomen. Hier ist das Altäthiopische häufig uneindeutig sowohl in der
morphologischen Markierung, als auch in der syntaktischen Kongruenz. Bei
eindeutiger Kennzeichnung des grammatischen Genus wird daher weiter dahingehend
spezifiziert, wodurch das jeweilige Genus bestimmt ist: durch das morphologische
Schema, durch die Syntax und/oder aufgrund des natürlichen Geschlechts (z. B.
Mutter). Daher kann ein Nomen im selben Satz im Genus mehrfach bestimmt sein (z.
B. syntaktisch maskulin und dem Schema nach feminin). Ist das grammatische Genus
nicht eindeutig zu bestimmen, wird es als „unmarkiert“ annotiert.

Das Annotationstool
Die Komplexität des in Sektion 2 dargestellten Annotationstools wird zwar zum
einen sehr vielfältige linguistische Anfragen und eine detaillierte Analyse der
Sprache ermöglichen, andererseits jedoch verhindert ebendiese Komplexität eine
automatische Annotation. Ein Vectorspace-Modell (das für maschinelle
Lernverfahren benutzt werden muss) das alle morphologischen Merkmale abdecken
würde, wäre zu groß. Vorstellbar ist lediglich eine flache automatische
Annotation (z. B. der Wortarten); jedoch wird auch für eine solche zunächst eine
relativ große Menge an Trainingsdaten benötigt. Daher ist die Entwicklung eines
Werkzeugs für die manuelle Annotation ein obligatorischer Schritt.
Das eigens für das Altäthiopische entwickelte Annotationstool berücksichtigt die spezifischen Besonderheiten der Sprache, von denen einige oben in Sektion 1 kurz skizziert wurden. Aufgrund der dargestellten Eigenheiten sowohl des Silbenalphabets als auch der semitischen Morphologie kann der Text nicht unmittelbar in der Originalschrift annotiert werden. Eine Annotation kann daher ausschließlich in der Transliteration erfolgen (siehe obiges Beispiel
bet-u).

Die Transliteration wiederum ist nur bedingt durch automatische Regeln
beschreibbar. Phänomena wie Konsonantenverdoppelung oder Kontraktion von zwei
Silben können nicht durch klare Regeln beschrieben werden. Einige solcher
Phänomena ließen sich zwar mittels weiterer Ressourcen automatisch regeln (z. B.
Konsonantenverdoppelung bei bestimmten Verbklassen), jedoch müssten derartige
Informationen aus einem (bisher noch nicht vorhandenen) digitalen Lexikon
extrahiert werden. Auch über die genannten Schwierigkeiten hinaus wäre die
Entwicklung einer (semi-)automatischen Transliteration ein äußerst
zeitaufwendiger Prozess. Daher haben wir uns für die folgenden Arbeitsschritte
entschieden:

Die Texte werden mittels eines automatischen regelbasierten Prozesses transkribiert.
Die Transkription wird manuell korrigiert (entspricht der Transliteration des Textes)

Aus den oben genannten Gründen ist der in der Arbeit mit anderen Sprachen gängige
Arbeitsablauf – zuerst Textkorrektur, dann Annotation – hier nicht möglich. Ein
solcher ist jedoch bei bereits existierenden Tools Bedingung, wenn eine
Mehrebenen-Annotation angestrebt wird. Das CorA-Tool
(vg. Bollmann et al.) ermöglicht zwar Korrekturen synchron mit der Annotation,
jedoch sind nicht mehr als zwei Annotationsebenen möglich; auch eine
Mehrwortannotation ist nicht erlaubt. Für die Annotation muss ein XML-Schema des
Tagsets vorliegen und es werden alle möglichen Kombinationen von morphologischen
Merkmalen je Wortart generiert. Da sämtliche Kombinationsmöglichkeiten dem
Benutzer in Form einer Dropdown-Liste präsentiert werden, ist das Tool in der
Anwendung mit dem sehr umfangreichen Tagset für das Altäthiopische ungeeignet.
Ein anderes Tool, das relativ häufig angewendet wird, ist WebAnno.
Dieses Tool ermöglicht eine Annotation mit mehr als zwei Ebenen, jedoch sind
Korrekturen im Text während der Annotation nicht möglich.
Im TraCES Projekt implementieren wir eine neuartige Architektur, die sowohl Änderungen im Text als auch eine Mehrebenen-Annotation ermöglicht.
Wir betrachten als Grundtext den Originaltext in der altäthiopischen Schrift. Die Transliteration bildet die erste und die morphologische Annotation die zweite Ebene, wobei die Transliteration und der Originaltext bei allen Arbeitsschritten synchronisiert bleiben. Im folgenden Abschnitt beschreiben wir das Datenmodell, das diese Architektur ermöglicht.
Die Basiseinheit in unserem System ist ein Wort, das eine einmalige ID zugewiesen erhält. Ein Wort hat folgende Komponenten:

Eine Liste der einzelnen Fidal
1-Objekte, wo ein Fidal-Objekt aus einer ID und einem Label (dem Fidal-Buchstaben) besteht.

Eine Liste einzelner Silben-Objekte, wo ein Silben-Objekt aus einer ID und einer Liste von einzelnen Buchstaben-Objekten besteht
Ein Buchstaben-Objekt hat immer eine ID und ein Label (das graphische Symbol)

Die Zusammengehörigkeit aller Komponenten wird durch die ID-Zusammensetzung gesichert:
Eine Wort ID ist aus vier Komponenten zusammengesetzt
Projekt ID + Dokument ID + W + automatisch generierte Random ID
Ein Fidal-Buchstaben-Objekt wird dann durch
Wort ID + F + Random-Nummer
identifiziert, während ein Transliterationssilben-Objekt:
Wort ID + TF + Random-Nummer
als ID hat.
Ein Transliterationsbuchstabe wird durch:
Wort ID + Transliterationssilben ID + L + Random-Nummer
identifiziert.
Durch dieses System ist es zu jeder Zeit möglich, jeden einzelnen Buchstaben zu identifizieren und zu referenzieren. Da wir jeden Buchstaben als Objekt betrachten, trennen wir die graphische Realisierung von der linguistischen Annotation; so sind etwa die Annotation und die graphische Repräsentation eines Buchstabens in der Transliteration Labels für ein und dasselbe Objekt.
In der Abbildung 1 wird dieses Modell für die Wortgruppe ወእምኵሉሰ„
und vor allem nämlich“ (eigentlich ወ - እም - ኵሉ - ሰ, aber graphisch quasi ein „Wort“) dargestellt:

Abb. 1: Annotations-Modell für ወእምኵሉሰ

Zusammenfassung
In diesem Artikel beschreiben wir ein neuartiges Modell für ein Annotationstool, das sowohl eine Annotation mit gleichzeitiger Korrektur, als auch eine Mehrebenen-Annotation ermöglicht. Wir begründen, warum die Entwicklung eines speziellen Modells für die Annotation des Altäthiopischen notwendig war. Möglicherweise könnte das Modell mit wenigen Änderungen auch für andere Sprachen benutzt werden. Eine Demonstration des ersten Prototyps wird auch möglich sein.

Acknowledgements

Das Projekt TraCES wird durch einen Grant der European Science Foundation unterstützt (Grant Agreement 338756).
Die in diesem Artikel beschriebenen Ergebnisse sind das Resultat der Arbeit des
gesamten TraCES-Teams: Alessandro Bausi (Projektleiter), Wolfgang Dickhut, Daria
Elagina, Andreas Ellwardt, Susanne Hummel, Vitagrazia Pissani, Eugenia
Sokolinski, Cristina Vertan.

„Fidal“ ist der Terminus technicus für das äthiopische Silbenalphabet.

Bibliographie

Bollmann, Marcel / Petran, Florian / Dipper, Stefanie /
Krasselt, Julia (2014): "CorA: A web-based annotation tool for
historical and other non-standard language data", in: Proceedings of the 8th Workshop on Language Technology for Cultural
Heritage, Social Sciences, and Humanities, Gothenburg, Sweden 86-90
https://aclweb.org/anthology/W/W14/W14-0612.pdf [letzter Zugriff
30. Dezember 2015].

Castilho, Richard Eckart de / Biemann, Chris / Gurevych,
Iryna / Yimam, Seid Muhie (2014): "WebAnno: a flexible, web-based
annotation tool for CLARIN", in: Proceedings of the CLARIN
Annual Conference (CAC) 2014, Soesterberg, Netherlands http://www.clarin.eu/sites/default/files/cac2014_submission_6_0.pdf
[letzter Zugriff 10. Februar 2016].

Marquez, Lluis / Rodriguez, Horacio / Carmona, Josep /
Montolio, Josep (1999): "Improving POS Tagging Using
Machine-Learning Techniques", in: Proceedings of the 1999
Joint SIGDAT conference on Empirical Methods in Natural Language
Processing and very large corpora 53-62 http://www.aclweb.org/anthology/W99-0608 [letzter Zugriff 30.
Dezember 2015].

If this content appears in violation of your intellectual property rights, or you see errors or omissions, please reach out to Scott B. Weingart to discuss removing or amending the materials.

Conference Info

In review

DHd - 2016
"Modellierung - Vernetzung – Visualisierung: Die Digital Humanities als fächerübergreifendes Forschungsparadigma"

Hosted at Universität Leipzig

Leipzig, Germany

March 7, 2016 - March 11, 2016

160 works by 434 authors indexed

Conference website: http://dhd2016.de/

Contributors: Patrick Helling, Harald Lordick, R. Borges, & Scott Weingart.

Series: DHd (3)

Organizers: DHd