Annotasjonsoppsettet

Annotasjonsoppsettet beskriver hvordan annotasjoner er planlagt, strukturert og lagret i et datasett. Det definerer hva som merkes, hvilke typer merking som brukes, og hvordan merkingen relateres til originaldata og til hverandre. Hovedformålet er å sikre konsistens, sporbarhet og et klart tolkningsgrunnlag for videre analyse.

Et typisk oppsett inkluderer enhetspunkter som bestemmer hva som annoteres (for eksempel ord, setninger, tidssegmenter), annotasjonstyper (for eksempel ordklasse, lemmatisering, entiteter, syntaktisk eller semantisk rolle), og regler for hvordan annotasjoner kan kombineres (for eksempel intervaller eller spans, inline eller stand-off). Modell og representasjon varierer, men data lagres ofte i formater som XML/TEI, JSON eller RDF, og annotasjonene kan være inline i dokumentet eller lagret separat i en stand-off struktur som peker til originaldata. Tidsmerking kan være viktig ved lyd og video.

Et godt annotasjonsoppsett inkluderer også metadata, definisjoner av tagger i et taggsystem eller ontologi, og konsistente referanser mellom annotasjoner og kilder. Kvalitetssikring omfatter veiledninger, opplæring av annotatører og beregning av inter-annotator agreement, samt versjonering og dokumentasjon av endringer.

Bruksområder omfatter korpuslingvistikka, naturlig språkbehandling, digital humaniora og multimodale data. Verktøy som støtter oppsettet inkluderer annotasjonsplattformer som BRAT og WebAnno, samt standarder og formater som TEI og relevante RDF- eller konvensjoner for merking.