!!!Grammatikkontrollmøte 8.6.2016 !!Særskrivingsfeil atnu Sg Nom + N -- atnuprográmmat = bruksprogrammer {{{ * (1 Loc LINK *-1 COPULAS + Sg) - Nom Sg SUBJ - PLACE - ii/sáhttá leat (Pl1 Pl3 Inf ConNeg) atnu programmain * (1 Gen LINK *-1 COPULAS + Sg) * (2 Po LINK -1 Gen LINK *-1 COPULAS + Sg) - dasa lea atnu programmaid ektui/ dasa lea atnu * (0 LINK *1 Ill BARRIER NPNH LINK *-1 COPULAS + Sg) - atnu programmaide: Lea/Gieđahallajuvvui atnu programmaide. / Liikon atnuprogrammaide. * (1 (N Sg Ill Sem/Lang) %maybe not for all nouns %e.g. atnu sámegillii * (1 (N Sg Loc Sem/Lang) % njálmmálaš atnu sámegielas ja virggálaš atnu dárogielas * (1 (N Sg Loc Sem/Domain) %atnu ealáhusas ## Otne leat sihke neahtta-bálvalusat ja mobiila atnu prográmmat buotlágan dieđuid nugomat dálkedieđuid ja girdiáiggiid ja busseruvttuid ja gos lagamus falástallanrusttet lea . #$ Viidáset atnu EO lea meroštallan ahte EO ja Norgga almmolaš dieđuid márkanárvu lea sullii 200 miljárdda ruvdno . #$ , mas gieđahallojuvvui sámegiela sadji ja atnu bálvalusain . ## Buot dát ledje atnu dávvirat , maidda beaivválaččat lei dárbu . ## IEŠGUĐETLÁGAN GÁLVVUT : Bossogobis vuvde ee. goike duljiid , gápmagiid ja eará atnu biergasiid . #$ – De ii leat atnu siidarájiide , muhto orohatrájiide . #$ Lea bat dus atnu elefánttii ? #$ – kulturdoahpaga problematiseren sámi oaidninsajis – sámi kultuvra siskkáldas atnu olgomáilmmi gáibadusaid ja vuordámušaid ektui – ealáhus ja kultuvra ; okta ja lágan guovllus guvlui ja álbmogis álbmogii . #$ Ándd e-Márgget lei geahččalan cagahit heakkas searvvi , earát sáhtte álkibut dohkkehit ahte diekkárii ii lean atnu guovllus . ## Danne galggašii leat čielggas ahte giddodaga dábálaš atnu eana- ja vuovdedoallun ja mii gullá dákkár doibmii nugo lea dábálaš orohagas , ii galgga mearrádus dábálaččat heađuštit . "" "dáža" N Sem/Hum Sg Gen @>N MAP:16234:r227 SELECT:17941:r3504 #2->2 ; "dáža" N Sem/Hum Sg Gen Allegro REMOVE:3387 ; "dáža" N Sem/Hum Sg Acc @OBJ> MAP:17374:IfNoTransV< SELECT:17941:r3504 ; "dáža" N Sem/Hum Sg Nom @SUBJ> MAP:17252 SELECT:17941:r3504 "<ássanguovlluid>" "ássanguovlu" N Sem/Plc Err/Orth Pl Gen @>N MAP:16234:r227 SELECT:17927:r3500 #3->3 "ássanguovlu" N Sem/Plc Pl Gen @>N MAP:16234:r227 SELECT:17927:r3500 #3->3 ; "ássanguovlu" N Sem/Plc Err/Orth Pl Acc @OBJ> MAP:17374:IfNoTransV< SELECT:17927:r3500 ; "ássanguovlu" N Sem/Plc Pl Acc @OBJ> MAP:17374:IfNoTransV< SELECT:17927:r3500 "" "atnu" N Sem/Dummytag Sg Nom @SUBJ> MAP:17252 &compound-atnu #4->4 ADD:4424:compound-atnu ADD:4424:compound-atnu "" "mearra" N Sem/Plc Sg Gen @>N MAP:16240:r229 #5->5 ; "mearrat" V TV Ind Prs ConNeg REMOVE:9356:NotConNegNotNeg ; "mearrat" V TV Imprt ConNeg REMOVE:9356:NotConNegNotNeg ; "mearrat" V TV Imprt Sg2 REMOVE:9395:NotImprtN ; "mearrat" V TV VGen REMOVE:9552:r1842 ; "mearra" N Sem/Plc Sg Acc @OBJ> MAP:17374:IfNoTransV< REMOVE:17735:r3440 "" "buorre" A Sem/Hum Sg Nom @>N MAP:15792:CaseAgrBuorre #6->6 "" "guollebivdu" N Sem/Act Sg Nom @SUBJ> MAP:17252 #7->7 "" "dat" Pcle @PCLE SELECT:4821:r895 MAP:15543:r16 #8->8 ; "dat" Pron Dem Sg Nom SELECT:4821:r895 ; "dat" Pron Dem Pl Nom SELECT:4821:r895 }}} !!Strategiar for å disambiguera særskriving vs å unngå falske alarmar 1. Leksikaliser alle særskrivingskandidatar i korpuset: # lag monogram og bigram av korpuset med frekvensinfo # monogram med høgare frekvens enn tilsvarande bigram (for særskriving) blir leksikalisert # bigram med høgare frekvens enn tilsvarande monogram er moglege falske alarmar, og går inn i eit cg-sett for ein forsiktig-modus alternativ formulering: * finn frekvenslister med bigram og unigram frå sme-korpus * lag ei liste der unigramfrekvens>>bigramfrekvens>1, desse bør leksikaliserast slik at dei blir plukka opp av tokenise * lag éi liste der bigramfrekvens>>unigramfrekvens>1, desse bør inn i ei LIST farlege-bigram = "ord1 ord2" … ; i mwe-disamb.cg3 leksikaliserte sammensetninger som er mindre frekvente en den særskrevne varianten !! Litt feilanalyse, ting som må ordnast i lexc Kvifor får denne Err/SpaceCmp?? {{{ "" "ovddasvástádus" Err/Orth N Sem/Perc-emo Sg Nom Qst Err/Spellrelax Err/SpaceCmp }}} Skjer òg med Foc/ge. Kommando for å laga enkel frekvensliste over ting som får særskrivingsanalysar frå hfst-tokenise: {{{ $ cat sme.corpus.txt | hfst-tokenise \ --giella-cg $GTHOME/langs/sme/tools/preprocess/tokeniser-gramcheck-gt-desc.pmhfst \ | cg-conv -N 2>/dev/null |grep -v $'Qst\|Foc\|^\t'|grep Err/SpaceCmp \ | cut -f1 | sort | uniq -c | sort -nr }}} t.d. [http://sprunge.us/LZIK] der dei mest frekvente (og dermed sannsynlege falske alarmar) er: {{{ 55 Dasa lassin 42 boahtte jagi 40 dán jagáš 28 dasa lassin 22 beaivválaš jođiheaddji 21 sámi kultuvrra 18 dađi bahábut 17 vuosttaš geardde 15 parlamentáralaš jođiheaddji 15 mannan vahkkoloahpa 15 jagi áigi 15 bures boahtin 15 boahtte áiggis 13 Dán jagáš 12 mannan vahkku 12 guhkit áigge }}} Merk at minst 481 av 1431 har Err/Spellrelax – Err/Spellrelax bør kanskje ikkje kunna stå saman med Err/Spacecmp? Eventuelt fjern tidleg i CG. Går det an å ha ei liste med farleg tvetydige substantiv som aldri får Err/Spacecmp i leksikon?