discourseannotaties

Discourseannotaties zijn labels die aan tekstsegmenten worden toegewezen om de structuur en relaties van een tekst op discourse-niveau vast te leggen. Ze geven aan hoe zinnen en zinsdelen op elkaar reageren, welke functie een deel van de tekst heeft (bijvoorbeeld oorzaak, gevolg, toelichting) en hoe samenhang en coherentie in het geheel ontstaan. Deze annotaties worden toegepast in taalkunde en natuurlijke taalverwerking om tekst beter te begrijpen, te analyseren en automatisch te verwerken.

Veelgebruikte annotatieschema's omvatten Rhetorical Structure Theory (RST), Penn Discourse Treebank (PDTB) en SDRT (Segmentation and Discourse Relation Theory). RST bouwt meestal een hiërarchische structuur waarin kernzinnen (nuclei) en satellieten met verschillende relaties verbinden; PDTB richt zich op de functie van discursieve connectieven en de onderliggende relaties tussen tekstdelen; SDRT bestudeert zowel segmentatie als relatiepatronen van discours, met aandacht voor how segments relate in zowel gesproken als geschreven taal. Discourseannotaties kunnen bestaan uit aanduidingen van connectieven, toestanden, intentsie van een uitspraak, en de identiteit van discourse-eenheden zoals zinnen, alinea’s of spraakbeurten.

Het annotatieproces omvat het opstellen van richtlijnen, training van annotatoren, en kwaliteitscontrole. Vaak wordt de betrouwbaarheid gemeten met inter-annotator agreement om te beoordelen in hoeverre verschillende annotatoren dezelfde structuren herkennen. Data worden veelal gebruikt voor onderzoeksdoeleinden en voor het trainen van NLP-systemen die rekening houden met discourse-structuur.

Toepassingen van discourseannotaties zijn onder meer betere automatische samenvattings- en vraag-antwoord-systemen, verbeterde tekst- en documentanalyse, dialogen en spraakgestuurde systemen, en verbeterde performantie bij taken zoals coreferentie en sentimentanalyse door rekening te houden met tekstovergangen en coherence.

Uitdagingen bij discourseannotatie omvatten onder meer subjectiviteit en inconsistenties tussen annotatoren, variatie tussen talen en genres, en de keuze van het juiste granulariteitsniveau en annotatieschaal voor een given corpus.