ordforrådsstyring

Ordforrådsstyring er praksis og disciplin for at definere, beskrive, organisere og vedligeholde et ordforråd for et sprog eller et domæne. Hensigten er at give konsistent adgang til ord, betydninger og relationer og at understøtte anvendelser som tekstproduktion, sprogteknologi og sprogundervisning.

Et ordforråd består typisk af lemmata (grundformen), bøjningsformer, betydninger (senses), syntaktiske og semantiske relationer, ordklasser samt metadata såsom frekvens, register og kildeoplysninger. Mange ordforrådsstyringssystemer bruger en formel data-model, f.eks. LexInfo-baserede modeller eller Lexical Markup Framework (LMF) og TEI Lexical, for at beskrive opslag og relationer. Data kan være åbne eller lukkede licenser og versioneret.

Processtrømmen omfatter indsamling via korpus og crowdsourcing, validering og normalisering af former, deduplicering, klassificering i semantiske felter, og vedligeholdelse af koblinger mellem relaterede ord og begreber. Kvalitetssikring omfatter provenance-spor, versionering og konsistenskontrol. Langsigtet forvaltes ordforrådet gennem dokumentation af ændringer og kildeoplysninger.

Standarder og formater som LMF, Lemon og TEI Lexical muliggør udveksling og interoperabilitet mellem systemer og projekter. Mange virksomheder og institutter anvender domænespecifikke ordforråd, hvilket kræver governance og licenshåndtering.

Anvendelser spænder fra stavningskontrol, autokomplet og maskinoversættelse til dybdelæring i NLP og sprogundervisning. Udfordringer inkluderer håndtering af polysemi, dialekter, flersprogede forhold og konstant udviklende ordforråd i tekniske felter. Fremtidige tendenser inkluderer crowdsourcing, automatiseret lemmatisering og rigere semantiske relationer gennem åbne standarder.