Språkdatal

Språkdatal är data som används inom språkvetenskap och språkteknologi. Det omfattar text- och talmaterial samt multimodala resurser, ofta med tillhörande annoteringar och metadata som beskriver lingvistiska strukturer, ursprung och villkor för användning. Språkdatal fungerar som det empiriska grunden för språkforskning, modellutveckling och utvärdering och kan omfatta allt från ordlistor och ordböcker till korpusar och språktekniska databaser.

Vanliga typer av språkdatal inkluderar textkorpora (monolinguala och flerspråkiga), tal- eller audiokorpora, parallella korpora, samt lexikon och ordnätverk. Annotationer kan innefatta ordklasser, syntaktisk struktur, semantiska roller och diskursinformation. Metadata hanterar information om insamling, licenser, representativitet och metodik. Källor för språkdatal kan vara offentligt tillgängliga texter, transkriptioner, användargenererade data och licensierade resurser.

Organisationer och infrastrukturer för språkdatal inkluderar nationella och internationella projekt och samlingar, som stöder dataåtkomst och återanvändning genom standarder och format som TEI XML, JSON och UD-annoteringar. I Sverige är Språkbanken en viktig resurs som samlar svenska språkdatal och tillhandahåller infrastruktur för forskning, ofta i samarbete med CLARIN och andra europeiska nätverk.

Användningen av språkdatal spänner över akademisk forskning, utveckling av språkverktyg och utbildning. Öppen tillgång och tydliga licenser främjar reproducerbarhet och samarbete, men språkdatal kräver även hänsyn till etiska frågor och integritet, särskilt när personuppgifter eller känsliga uppgifter ingår. GDPR- och samtycke övervägs ofta vid insamling och bearbetning av data.

---