structuurannotatie

Structuurannotatie is het systematisch toekennen van labels aan de syntactische structuur van teksten, met als doel de hiërarchische organisatie van taalelementen zoals zinsdelen, woorden en hun relaties in kaart te brengen. Daarbij worden vaak ook basisbewerkingen als zinssegementatie, tokenisatie en lemmatizatie toegepast, omdat deze preprocessing de analyse van structuur ondersteunt.

De twee belangrijkste tradities in structuurannotatie zijn constituente (frase-structuur) annotatie en afhankelijkheidsannotatie. Constituente annotatie beschrijft de boomachtige hiërarchie van zinsdelen zoals prepositional phrases en noun phrases, terwijl afhankelijkheidsannotatie de grammaticale relaties tussen woorden vastlegt, bijvoorbeeld onderwerps- of werkwoordsthema-relaties. Annotaties kunnen inline plaatsvinden, waarbij labels direct in de tekst staan, of als stand-off annotatie, waarbij de labels in een aparte laag zijn opgeslagen. Veelgebruikte formaten zijn onder meer de CoNLL-U-indeling voor afhankelijkheidsannotaties en XML- of TEI-gebaseerde representaties voor meer rijke structuren.

Standardisatie en praktijken spelen een belangrijke rol: universal dependencies (UD) biedt een breedgedragen set van labels en guidelines voor meerder talen, terwijl Penn Treebank-gebaseerde annotaties nog steeds in gebruik zijn voor constituente annotatie. Structuurannotatie wordt gebruikt als trainingsdata voor parsers, in corpora-onderzoek en in applicaties zoals informatie-extractie en taaltechnologieën. Het proces omvat doorgaans annotatie door meerdere annotatoren, adjudicatie, en kwaliteitscontrole zoals inter-annotator agreement metrieken.

Uitdagingen zijn onder meer ambiguïteit, kosten van handmatige annotatie en de noodzaak om verschillende lagen (syntax, semantiek, coreferentie) goed op elkaar af te stemmen. In het Nederlands worden structuurannotaties onder andere verwerkt binnen UD-treetbanks en gerelateerde projecten.