Korpusmöte 25.11.2016

Áilu, Børre, Ciprian, Trond, Sjur

!!!Saksliste

* Gjennomgang, status
* Parallelltekst i .txt-format
* Neste møte


!!!Gjennomgang, status

!!Tiltalslista frå sist (kommentarar nedanfor)

! Skrive framlegg til kontrakt frå SD (Sjur) 
Ikkje noko skjedd

! 1631 (Børre)
Børre finn ein god måte.

! Dei kontraktane som kan bli sendt til forlaget  blir sendt (Børre) 

! Utvide lista writers-and-books.fods over forfattar,  basert på forlagslister (Áilu, Børre) 
 Andre forlag: Lag forfattarliste (Áilu) (etter at vi startar produksjon av korp_2016)

$GTHOME/xtdoc/divvun/src/documentation/content/xdocs/adm/legal/writers-and-books.fods

Etter Korp_2016.

! Litteratur finansiert av Sametinget  
Politisk vedtak: Dette skal bli gjort tilgjengeleg for språkteknologisk forsking og utvikling.  Sjur snakkar med Anne-Britt Hætta om dette. 

! Det norske nasjonalbiblioteket
Vi ventar på metadata og tekst

! Det finske nasjonalbiblioteket
Vi ventar på tekst, grc-prosjektet ser på dette

! Trond snakkar med LB 
Nytt forsøk

!!Tiltakslista


* Skrive framlegg til kontrakt frå SD, UiT/SD, veke 49 (__Sjur, Børre__) 
* 1631 (__Børre__). til neste møte
* Dei kontraktane som kan bli sendt til forlaget  blir sendt (__Børre__), veke 48 
* Utvide lista writers-and-books.fods over forfattar,  basert på forlagslister (__Áilu, Børre__) 
  (etter publisering av korp_2016) 
* Andre forlag: Lag forfattarliste (__Áilu__) (etter at vi startar produksjon av korp_2016)
* Litteratur finansiert av Sametinget
**  skal bli gjort tilgjengeleg for språkteknologisk forsking og utvikling.  Sjur snakkar med Anne-Britt Hætta om dette (Veke 49) 
* GRC-prosjektet ser på OCR-tekstar når dei kjem inn
* Trond snakkar med LB om svensk tekst (v. 48)
* Parallelltekst i .txt-format
** Rutine: skip line numbers i .xsl (__Børre__)

!!!Dublering av tekst i same fil

Jf. [Bz 2274|http://giellatekno.uit.no/bugzilla/show_bug.cgi?id=2274]

{{{
<?xml version="1.0" encoding="UTF-8"?><article>
    <story id="3E6AF368-7769-4786-A33C-EACD78A3102D">
        <p class="tittel smånytt">Dásseárvointegreren</p>
    </story>
    <story id="19014F7B-3542-43B3-996A-FD81A867FB9B">
        <p class="tekst">Sámediggi ja 17 iežá ....duvvot.</p>
    </story><story id="19014F7B-3542-43B3-996A-FD81A867FB9B">
        <p class="tekst">Sámediggi ja 17 iežá ....</p>
    </story>
    <story id="3E6AF368-7769-4786-A33C-EACD78A3102D"><p class="tittel smånytt">Dásseárvointegreren</p></story></article>
}}}

Prosedyre:

# Viss det i same dokument er to eller fleire identiske story-id-ar:
## kopier dokumentet til katalogen {{korrektur}}
## Før inn i xsl: Bruk {første/siste} av dei to nodene med identisk story-id i korpus

Prosessering i korrektur-katalogen er ei anna sak, men det ser ut til å vere mogleg å bygge korrektur-korpus automatisk.

__Tiltak__

* (Kartlegge kor mange dokument som har fleire identiske story id-ar)
* Sjekke om det er første eller siste id som gjeld
* Legge inn prosedyre i convert2xml (evt. i xsl-formatet) for å plukke rett versjon til korpus-bruk
* legg inn metadata om at fila kan brukast til korrekt-data
* Legge inn prosedyre for å merke filene til ei mappe {{korrektur}}, 
  evt. ha dei i same converted, men med ei ccat-rutine, som tar berre korrekt 
  tekst til korpus, og korrektur-diff til spellertesting

!!!Parallelltekst i .txt-format

Eitt txt-dokument med tekst på to eller fleire språk. (jf. tiltakslista ovarfor)

!!!Neste møte

Om to veker, __9.12. kl. 09.30__