Δράση του εργαστηρίου LingLab · ΑΠΘ
Συλλογή και επισημείωση προφορικού διαλεκτικού λόγου, ώστε να εκπαιδευτούν μοντέλα αυτόματης αναγνώρισης ομιλίας και να δημιουργηθούν συντακτικά επισημειωμένα σώματα (treebanks) για νεοελληνικές ποικιλίες, με αφετηρία τα Καραγκούνικα της δυτικής Θεσσαλίας. Η ίδια διαδικασία δημιουργεί παράλληλα ένα τεκμηριωμένο ψηφιακό αρχείο κάθε ποικιλίας, διασφαλίζοντας τη μακροχρόνια διατήρηση και επανάχρησή της.
Τρεις λέξεις, ένας κανόνας.
01 / Η πρωτοβουλία
Η γλωσσική τεχνολογία για την ελληνική έχει χτιστεί πάνω στην Κοινή. Για τις διαλεκτικές ποικιλίες, που επιβιώνουν κυρίως στον προφορικό λόγο των μεγαλύτερων ομιλητών, δεν υπάρχουν τα δεδομένα που χρειάζονται τα σύγχρονα μοντέλα: ηχογραφήσεις συνδεδεμένες με ορθογραφική μεταγραφή, μεταδεδομένα και μορφοσυντακτική επισημείωση.
Η πρωτοβουλία συλλέγει και επισημειώνει τέτοια δεδομένα, με αφετηρία την καραγκούνικη ποικιλία της δυτικής Θεσσαλίας, και τα αξιοποιεί σε δύο κατευθύνσεις: προσαρμογή μοντέλων αυτόματης αναγνώρισης ομιλίας στον διαλεκτικό λόγο, σε συνεργασία με το ΙΕΛ, και δημιουργία treebank κατά το πρότυπο Universal Dependencies. Πρωτόκολλα, σχήμα μεταδεδομένων και ροή εργασίας σχεδιάζονται ώστε να επαναχρησιμοποιηθούν σε επόμενες ποικιλίες.
Το υλικό απευθύνεται στις κοινότητες που μιλούν τις ποικιλίες και στην ανάπτυξη γλωσσικής τεχνολογίας για την ελληνική.
Η δράση εντάσσεται στις ευρύτερες δράσεις του LingLab, του εργαστηρίου του Τομέα Γλωσσολογίας του Τμήματος Φιλολογίας του ΑΠΘ.
02 / Γλωσσική τεχνολογία
Με το Ινστιτούτο Επεξεργασίας του Λόγου (ΙΕΛ) του Ερευνητικού Κέντρου «Αθηνά» έχουμε συμφωνήσει να συνεργαστούμε. Μας ενώνει το ενδιαφέρον για τα νεοελληνικά ιδιώματα και για τη γλωσσική τεχνολογία που μπορεί να τα υπηρετήσει. Το ακριβές πλαίσιο της συνεργασίας διαμορφώνεται από κοινού.
Τα υπάρχοντα συστήματα αναγνώρισης ομιλίας για την ελληνική έχουν εκπαιδευτεί στην Κοινή και αποδίδουν φτωχά στις διαλέκτους. Το σώμα σχεδιάζεται εξαρχής ως σύνολο εκπαίδευσης και αξιολόγησης: ηχογραφήσεις με ορθογραφική μεταγραφή και μεταδεδομένα, ώστε τα μοντέλα να προσαρμοστούν στον διαλεκτικό λόγο και η μεταγραφή των επόμενων ηχογραφήσεων να γίνεται με αυτόματη πρώτη εκδοχή και ανθρώπινη διόρθωση.
Η επισημείωση κατά Universal Dependencies δίνει ένα από τα πρώτα συντακτικά επισημειωμένα σώματα για νεοελληνική διαλεκτική ποικιλία. Επιτρέπει τη συγκριτική μελέτη με την Κοινή και την εκπαίδευση εργαλείων ανάλυσης που θα χρησιμοποιηθούν στις επόμενες ποικιλίες.
Ήχος, μεταγραφή και επισημείωση διασυνδέονται, ώστε το υλικό να αναζητείται κατά λέξη, δομή ή ομιλητή και να επαναχρησιμοποιείται με σαφείς όρους από ερευνητές, εκπαιδευτικούς και κοινότητες.
03 / Τα Καραγκούνικα
Καραγκούνηδες ονομάζονται οι ελληνόφωνοι πεδινοί αγρότες της δυτικής Θεσσαλίας, κυρίως της ευρύτερης περιοχής της Καρδίτσας και των νότιων Τρικάλων. Το όνομα ανάγεται στο μαύρο βαρύ πανωφόρι της παραδοσιακής τους ενδυμασίας. Η ποικιλία τους ανήκει στα βόρεια νεοελληνικά ιδιώματα και ξεχωρίζει από τις γειτονικές ποικιλίες της ανατολικής Θεσσαλίας σε φωνολογικά, μορφολογικά και λεξιλογικά ισόγλωσσα.
Έχει περιγραφεί από τις αρχές του 20ού αιώνα, με πρώτη συστηματική καταγραφή τη μονογραφία του Τζάρτζανου (1909) και πληρέστερη σύγχρονη περιγραφή τη διδακτορική διατριβή του Rousiakis (2021). Υπάρχουν γλωσσάρια, λεξικά και πρόσφατες μεταπτυχιακές εργασίες για επιμέρους χωριά και για τις στάσεις των ομιλητών. Δεν υπάρχει όμως οργανωμένο σώμα ηχογραφημένου λόγου.
Γιατί τώρα
Τα σύγχρονα συστήματα αναγνώρισης ομιλίας και ανάλυσης κειμένου μαθαίνουν από δεδομένα, και για τον διαλεκτικό λόγο δεδομένα σχεδόν δεν υπάρχουν. Μια καλά τεκμηριωμένη συλλογή επιτρέπει την προσαρμογή των μοντέλων και ανοίγει τον δρόμο για την επόμενη ποικιλία.
Η υπάρχουσα τεκμηρίωση είναι γραπτή: γραμματικές, γλωσσάρια, εργασίες. Δεν υπάρχει σώμα προφορικού λόγου με ήχο, μεταγραφή και επισημείωση, δηλαδή τα δεδομένα που χρειάζεται η γλωσσική τεχνολογία για να δουλέψει και στον διαλεκτικό λόγο.
Όσοι χρησιμοποιούν άνετα το ιδίωμα είναι κυρίως άνω των εβδομήντα ετών. Οι μεσαίες ηλικίες το κατανοούν αλλά το χρησιμοποιούν λιγότερο, και οι νεότερες, ιδίως στις πόλεις, έχουν μόνο παθητική γνώση. Τα δεδομένα πρέπει να συλλεχθούν όσο υπάρχουν ακόμη οι φωνές.
04 / Τι θα παραχθεί
Κάθε ηχογράφηση σχεδιάζεται εξαρχής ώστε να ενταχθεί σε ένα συνεκτικό σύνολο δεδομένων, κατάλληλο για εκπαίδευση και αξιολόγηση μοντέλων. Τα μεγέθη της πρώτης φάσης ορίζονται στο πλάνο εργασίας, ανάλογα με τους διαθέσιμους πόρους.
Ηχογραφήσεις φυσικών ομιλητών σε αφηγήσεις και συνομιλίες, με ορθογραφική μεταγραφή και πλήρη μεταδεδομένα για ομιλητές, περίσταση και συνθήκες καταγραφής, οργανωμένες ως σύνολο εκπαίδευσης και αξιολόγησης.
Επισημείωση μέρους του σώματος σε επίπεδο μορφολογίας και σύνταξης κατά το διεθνές πρότυπο Universal Dependencies (treebank), ώστε το υλικό να συγκρίνεται με την Κοινή και με άλλες γλώσσες.
Προσαρμογή συστημάτων αυτόματης αναγνώρισης ομιλίας στον διαλεκτικό λόγο, σε συνεργασία με το ΙΕΛ, με μέτρηση της βελτίωσης σε πραγματικές ηχογραφήσεις.
Πρωτόκολλα, σχήμα μεταδεδομένων, οδηγίες μεταγραφής και επισημείωσης και ροή εργασίας, τεκμηριωμένα ώστε η επόμενη ποικιλία να ξεκινά από έτοιμη βάση.
05 / Μεθοδολογία
Η συλλογή σχεδιάζεται με τρόπο που εξασφαλίζει ότι κάθε ηχογράφηση περνά από τα ίδια στάδια, με τα ίδια πρότυπα, και καταλήγει σε δεδομένα έτοιμα για εκπαίδευση μοντέλων, επισημείωση και επανάχρηση.
06 / Ηθική και δεδομένα
Η συλλογή προφορικού λόγου είναι σχέση εμπιστοσύνης με ομιλητές και κοινότητες. Κάθε βήμα της διαδικασίας σχεδιάζεται με βάση αυτό.
Κάθε ομιλητής ενημερώνεται για τον σκοπό και τις χρήσεις της ηχογράφησης και υπογράφει έντυπη συγκατάθεση, αντίγραφο της οποίας κρατά.
Ονόματα και ευαίσθητα στοιχεία αφαιρούνται από τις ηχογραφήσεις πριν από κάθε άλλη επεξεργασία· τα μεταδεδομένα κωδικοποιούνται. Τήρηση του Γενικού Κανονισμού Προστασίας Δεδομένων.
Το υλικό διατίθεται με άδειες που ορίζουν ποιος και για ποιο σκοπό μπορεί να το χρησιμοποιήσει. Η ερευνητική χρήση και η ανάπτυξη μοντέλων συμφωνούνται χωριστά.
Στόχος είναι η κατάθεση του σώματος στην εθνική υποδομή γλωσσικών πόρων CLARIN:EL, ώστε να παραμείνει προσβάσιμο και μετά το τέλος του έργου. Οι κοινότητες λαμβάνουν πίσω το υλικό που τις αφορά.
07 / Μορφές συνεργασίας
Η καταγραφή μιας διαλέκτου δεν γίνεται από μακριά. Το πλαίσιο κάθε συνεργασίας διαμορφώνεται από κοινού, σύμφωνα με τις ανάγκες και τις δυνατότητες κάθε φορέα και τους συμφωνημένους όρους χρήσης του υλικού.
Οι τοπικοί φορείς γνωρίζουν ποιοι μιλούν ακόμη το ιδίωμα και μπορούν να ανοίξουν πόρτες που η έρευνα δεν ανοίγει μόνη της.
Παλαιότερες ηχογραφήσεις, κασέτες και συνεντεύξεις μπορούν να ενταχθούν στο σώμα και να αποκτήσουν μεταγραφή και μεταδεδομένα, με σεβασμό στα δικαιώματα του κατόχου.
Η μεθοδολογία και τα εργαλεία σχεδιάζονται για να επαναχρησιμοποιηθούν. Ομάδες που εργάζονται σε άλλη ποικιλία μπορούν να τα υιοθετήσουν και να συμβάλουν σε ένα κοινό, συγκρίσιμο σώμα.
Η πρωτοβουλία είναι σπονδυλωτή. Ένα αυτοτελές σκέλος, όπως η καταγραφή μίας ποικιλίας, η επισημείωση ενός σώματος ή η προσαρμογή ενός μοντέλου ομιλίας, μπορεί να υποστηριχθεί χωριστά, με σαφή παραδοτέα και χρονοδιάγραμμα.
Η αξία της συνεργασίας
Ηχογραφήσεις, μεταγραφές και τεκμηρίωση παραδίδονται στους φορείς για τις ενότητες που τους αφορούν, σε μορφές που έχουν συμφωνηθεί.
Πρωτόκολλα, σχήμα μεταδεδομένων, οδηγίες και, όπου αναπτύσσεται, προσαρμοσμένο μοντέλο ομιλίας παραμένουν διαθέσιμα για μελλοντική χρήση.
Ρητή αναφορά στην κοινότητα, στο αρχείο ή στον υποστηρικτή και αναγνώριση της συνεργασίας σε κάθε δημοσίευση και παρουσίαση.
Κάθε συνεργασία ξεκινά από μια συζήτηση. Γράψτε μας για την κοινότητα, το αρχείο ή την ιδέα σας.
Επικοινωνία για συνεργασίες08 / Η ομάδα
Η δράση υλοποιείται από το LingLab, το εργαστήριο του Τομέα Γλωσσολογίας του Τμήματος Φιλολογίας του ΑΠΘ, σε συνεργασία με το ΙΕΛ του Ερευνητικού Κέντρου «Αθηνά». Την ομάδα πλαισιώνουν απόφοιτοι του Τμήματος και άνθρωποι με στενή σχέση με την περιοχή και το ιδίωμα.
Επιστημονικός υπεύθυνος
Αναπληρωτής Καθηγητής Κειμενογλωσσολογίας και Υπολογιστικής Γλωσσολογίας
Τμήμα Φιλολογίας · Τομέας Γλωσσολογίας · LingLab · ΑΠΘ Ακαδημαϊκό προφίλΕρευνητικό Κέντρο «Αθηνά». Συνεργασία στη γλωσσική τεχνολογία και στην προσαρμογή συστημάτων αναγνώρισης ομιλίας στον διαλεκτικό λόγο.
Συντονιστής της εθνικής υποδομής γλωσσικών πόρων CLARIN:EL Ιστοσελίδα του ΙΕΛΜέλη της ομάδας
Συμβάλλουν στη συλλογή και την τεκμηρίωση του προφορικού λόγου και στην επαφή με ομιλητές και τοπικούς φορείς της δυτικής Θεσσαλίας.
Επικοινωνία
Η ομάδα καλωσορίζει την επικοινωνία με ομιλητές, τοπικούς φορείς, ερευνητές και ιδρύματα που θέλουν να ενημερωθούν για την πρωτοβουλία, να συμβάλουν με υλικό ή γνώση, ή να διερευνήσουν δυνατότητες συνεργασίας και υποστήριξης.
