Kielivarojen

Kielivarat ovat kielitieteen ja kieliteknologian tutkimuksessa ja kehittämisessä käytettävissä aineistoissa, työkaluissa sekä niihin liittyvässä metadata. Ne kattavat esimerkiksi tekstiaineistot, puheaineistot, sanakirjat ja kieliopit sekä annotoidut kokoelmat ja semanttiset resurssit kuten ontologiat. Kielivarat voivat olla julkisia tai rajatusti saatavilla, ja niiden kattavuus sekä käyttöoikeudet vaihtelevat suuresti.

Käyttötarkoitukset: Kielivarat tukevat kielen ymmärtämistä, kieltä tutkivaa tutkimusta sekä kieliteknologian kehittämistä. Ne mahdollistavat tilastollisen analyysin, konekäännökset, puheentunnistuksen, sekä kielen puheeseen liittyvän syntetisoinnin ja kielten opetuksen sekä dokumentoinnin.

Rakenne ja standardit: Tyypillisiä kielivaroja ovat tekstiaineistot (korpukset), puhe- ja ääniaineistot sekä niiden annotointi (morfologia, syntaksi, semantiikka). Lisäresursseina ovat sanakirjat, kieliopit ja semanttiset resurssit. Metadatassa käytetään usein vakiintuja standardeja kuten TEI-XML, Linguistic Annotation Framework (LAF) sekä Lexical Markup Framework (LMF). Kansainvälisessä kontekstissa noudatetaan myös ISO-standardeja sekä alakohtaisia käytäntöjä.

Hallitseminen ja etiikka: Kielivarojen jakaminen ja käyttö perustuvat lisensseihin (esim. CC-lisenssit tai tutkimuskäyttöön tarkoitetut lisenssit). Tietosuoja ja eettisyys ovat keskeisiä, erityisesti puhuttavien aineistojen ja henkilötietojen käsittelyssä. GDPR:n noudattaminen sekä alkuperän ja luvanvaraisuuden hallinta ovat yleisiä kysymyksiä.

Infrastruktuuri ja yhteentoimivuus: Tutkijayhteisöt, kuten CLARIN ja ELRA, kehittävät infrastruktuureja kielivarojen löytämiseksi, jakamiseksi ja yhteentoimivuuden tukemiseksi. Kielivarat ovat keskeisiä sekä tutkimuksessa että julkisessa kielipoliittisessa päätöksenteossa, erityisesti suurten kielellisten resurssien säilyttämisessä.