Rakenneannotaatio

Rakenneannotaatio tarkoittaa tekstin tai puheen rakenteellista merkitsemistä siten, että syntaktiset suhteet, rakenneosat sekä niiden funktiot on dokumentoitu. Se on keskeinen osa kielitieteellistä analyysia ja luonnollisen kielen käsittelyä (NLP). Annotaatio voi kattaa useita tasoja, kuten konstituentti- eli lauseenjäsenten rakennteen sekä riippuvuustason suhteet sanojen välillä, sekä mahdollisesti morfologista tai semanttista tietoa.

Konstituenttiannotaatio kuvaa lauseen sisäistä rakennetta puumaisesti, jossa lause jäsennetään osiksi, kuten lauseenjäseniä. Riippuvuustason annotaatio puolestaan merkitsee sanojen välisiä kieliopillisia riippuvuuksia. Käytetyimmät muodot ovat konstituentti-annotaatio sekä riippuvuustason annotaatio. Yksi yleisesti käytetty standardi on Universal Dependencies (UD), joka kuvaa riippuvuussuhteita, ja tallennusmuotoina käytetään muun muassa bracketing-merkintöjä sekä UD-, TEI/XML- tai XMI-pohjaisia rakenteita.

Rakenneannotaatio luodaan ohjeistuksen mukaan, ja prosessi vaatii koulutettua annotaattorijoukkoa sekä laadunvarmistusta. Yleensä etapit ovat tokenointi, morfologinen ja syntaktinen merkintä, annotaatio sekä adjudikaatio erimielisyyksien ratkaisemiseksi. Hyvä inter-annotator-sopimusmittari (IAA) kertoo annotaatioiden luotettavuudesta.

Käytännössä rakenneannotaatiota hyödynnetään parserien koulutuksessa, kielitieteellisissä tutkimuksissa sekä monikielisissä vertailuissa. Haasteina ovat kielen variaatio, ohjeistusten yhdenmukaisuus projektien välillä sekä annotaattorien koulutustarpeet ja kustannukset. Tämä tekee rakenneannotaatiosta sekä tutkimus- että sovellusalueella keskeisen työvälineen.