Changes between Version 13 and Version 14 of cs/ExtractionOfFactsGoldStandard
- Timestamp:
- Mar 22, 2016, 9:25:38 AM (7 years ago)
Legend:
- Unmodified
- Added
- Removed
- Modified
-
cs/ExtractionOfFactsGoldStandard
v13 v14 1 = Anotace datpro extrakci informací =1 = Anotace faktových prvků pro extrakci informací = 2 2 3 Cílem projektu je vytvořit podklady pro vyhodnocení a vylepšení programů, které provádí hrubou extrakci informací z českého textu. V zásadě se jedná o nalezení sémanticky ucelených jmenných, předložkových a slovesných frází a jejich zařazení do základních sémantických tříd. Tyto třídy zhruba odpovídají kategoriím větného rozboru, jak je vyučován na středních školách -- nebo také z jiného pohledu, určují otázky, kterými je možné se na danou část věty zeptat.3 Cílem projektu je vytvořit podklady pro vyhodnocení a vylepšení programů, které provádí hrubou extrakci informací (faktů) z českého textu. V zásadě se jedná o nalezení sémanticky ucelených jmenných, předložkových a slovesných frází a jejich zařazení do základních sémantických tříd. Tyto třídy zhruba odpovídají kategoriím větného rozboru, jak je vyučován na středních školách -- nebo také z jiného pohledu, určují odpovědi na otázky, kterými je možné se na danou část věty zeptat (kdo, kde, jak, ...). 4 4 5 5 == Pravidla anotace == 6 6 7 Základními jednotkami pro nás jsou fráze na úrovni klauze (jednoduché věty) -- podmět, přísudek, předmět atp. Označujeme vždy **největší možné fráze**, které spadají do dané třídy, resp. odpovídají na příslušnou otázku; jejich další vnitřní struktura nás již nezajímá. Např. v případě věty **"Vzal jsem si na sebe boty z Německa."** označíme **boty z Německa** jako předmět a fráze **z Německa** již nás dále nezajímá.7 Základními jednotkami pro nás jsou fráze na úrovni klauze (jednoduché věty) -- podmět, přísudek, předmět atp. Označujeme vždy **největší možné fráze**, které spadají do dané třídy, resp. odpovídají na příslušnou otázku; jejich další vnitřní struktura nás již nezajímá. Např. v případě věty **"Vzal jsem si na sebe boty z Německa."** označíme **boty z Německa** jako předmět a její části (slovy **boty** a fráze **z Německa**) nás nyní nezajímají. 8 8 9 9 Vaším úkolem je tedy identifikovat tyto fráze na základě jazykové intuice a přiřadit k nim sémantické třídy. … … 11 11 12 12 * podmět (kdo/co) 13 * přísudek 13 * přísudek (co dělá) 14 14 * předmět (koho/co, komu/čemu, kým/čím, ...), rovněž jmenná část přísudku nebo doplněk 15 15 * způsob, míra, důvod (jak, proč, ...) … … 39 39 == Vlastní anotace == 40 40 41 bude probíhat v jednoduché webové aplikaci, na kterou se dostanete , pokud zkopírujete a vložíte do URL řádku svého prohlížeče následující adresu:41 bude probíhat v jednoduché webové aplikaci, na kterou se dostanete při zadání UČO na následující adrese: 42 42 43 {{{https://nlp.fi.muni.cz/projekty/set/efa/gold/list.cgi?uco=xxxxxx}}} 43 https://nlp.fi.muni.cz/projekty/set/efa/gold/list.cgi 44 44 45 přičemž písmena {{{xxxxxx}}} nahraďte svým UČO. Zobrazí se několik anotačních sad, které postupně projdete všechny. Po vybrání sady se otevře relativně krátký text v jednoduchém webovém editoru, kde můžete pouze měnit barvy -- používejte barvu pozadí, tedy to pravé ze dvou tlačítek v horní liště. Vždy označte myší text příslušné fráze a obarvěte jej podle sémantické třídy, které odpovídá. **Vlastní text v žádném případě nijak neupravujte, ani pokud v něm najdete chybu.** 45 Zobrazí se několik anotačních sad, které postupně projdete všechny. Po vybrání sady se otevře relativně krátký text v jednoduchém webovém editoru, kde můžete pouze měnit barvy pozadí. 46 47 [[Image(text_k_anotaci.png)]] 48 49 Vždy označte myší text příslušné fráze a obarvěte jej podle sémantické třídy, které odpovídá. **Vlastní text v žádném případě nijak neupravujte, ani pokud v něm najdete chybu.** 46 50 47 51 Po dokončení anotace soubor odešlete tlačítkem ve spodní části stránky. Zobrazí se výsledek anotace a odkaz na původní seznam, kde bude indikováno, že jste příslušnou část úkolu splnili. Můžete si hotovou anotaci znovu prohlédnout, případně anotovat znovu. V aplikaci není možné jednoduše upravit již uloženou anotaci (takže si vždy dobře prohlédněte, co odesíláte). 52 53 [[Image(anotovany_text.png)]] 48 54 49 55 **Jsme si vědomi toho, že u některých rozhodnutí bude existovat více dobrých možností (nebo naopak žádná nebude dost dobrá) -- není ovšem reálné všechny pokrýt jakýmkoli vysvětlujícím textem. V případě, že budete nerozhodní, se rozhodujte podle své jazykové intuice -- např. jakou otázkou byste se na danou skutečnost zeptali zrovna vy?** … … 51 57 **Rozdíly v řešení sporných případů nebudou předmětem hodnocení.** Pravidla mohou být nicméně v průběhu řešení upřesněna, zejména v reakci na případné dotazy. O každé změně vás budeme informovat e-mailem. 52 58 53 Po dokončení všech částí anotace nás informujte, že můžeme zahájit hodnocení -- e-mailem na adres y xkovar3@fi.muni.cz a hales@fi.muni.cz. Rovněž připojte několik krátkých postřehů o tom, co se vám rozhodovalo špatně a proč, a co naopak dobře (bude rovněž bráno v potaz při hodnocení, ale spíše okrajově).59 Po dokončení všech částí anotace nás informujte, že můžeme zahájit hodnocení -- e-mailem na adresu [[mailto:ib030ling@aurora.fi.muni.cz?subject=IB030: lingvisticky ukol|ib030ling@aurora.fi.muni.cz]]. Rovněž připojte několik krátkých postřehů o tom, co se vám rozhodovalo špatně a proč, a co naopak dobře (bude rovněž bráno v potaz při hodnocení, ale spíše okrajově). 54 60 55 Jakékoli dotazy směřujte na e-mailovou adresu xkovar3@fi.muni.cz, do předmětu vždy uvádějte kód IB030.61 Jakékoli dotazy směřujte na e-mailovou adresu [[mailto:ib030ling@aurora.fi.muni.cz?subject=IB030 - dotaz k lingvistickemu ukolu|ib030ling@aurora.fi.muni.cz]], do předmětu vždy uvádějte kód IB030. 56 62 57 63 … … 64 70 == Praktické tipy == 65 71 66 * Všimněte si, že řazení sémantických kategorií (a barev) v aplikaci kopíruje obvyklý pořádek větných členů (asi tedy hlavně anglických) SVOMPT -- tedy Subject, Verb, Object, Manner, Place, Time. Může vám to posloužit jako mnemotechnická pomůcka při anotaci.67 * P okud označujete pouze jedno slovo, nejrychlejší bude dvojklik na něj.72 * Všimněte si, že řazení sémantických kategorií (a barev) v aplikaci často kopíruje obvyklý pořádek větných členů (asi tedy hlavně anglických) SVOMPT -- tedy Subject, Verb, Object, Manner, Place, Time. Může vám to posloužit jako mnemotechnická pomůcka při anotaci. 73 * Při označování celých slov je nejrychlejší začít dvojklikem na první slovo, výběr pak pokračuje po slovech. 68 74 * Práce vám půjde nejspíš mnohem lépe od ruky s myší než např. s touchpadem. 69 75 * Funkce "zpět" je v editoru dostupná jako Ctrl+Z.