San Millán Espainiako 
Ahozko Korpusa

COE San Millán

Adimen Artifizialean espainiera ama-hizkuntza gisa ezartzeko gako-aktibo
estrategikoa

ZER DA HORI?

Zer da San Milláneko 
Espainiako Ahozko Korpusa?

San Milláneko Espainierazko Ahozko Korpusa (COE
San Millán) diseinatu da eskala handiko, kalitate
handiko eta teknologikoki aurreratutako baliabide
linguistiko bat eskaintzeko, ahozko mintzamen
espontaneoko errealitatea bere aniztasun osoan
jasotzen duena.

Korpus hau sortu da ahozko espainiera bateratu
bat ezartzea helburu, Hizkuntza Ekonomia Berria
bultzatzeko eta espainieraz oinarritutako Adimen
Artifizialeko aplikazioen lehiakortasuna bermatzeko.

 

COE San Millán-ek gaztelania etorkizun digitalerako moldatzen ari da.

 

NOLA ANTOLATZEN DA?

Nola antolatuta dago?

Datuak Hizkuntza Eredu Handiak (LLM) entrenatzeko 'premium erregai' gisa balio dezan bermatzeko, korpusa hiru mailatan egituratzen da:

Geruza 1

Transkripzio-geruza

Hitzaldian zehar zehazki gertatzen dena jasotzen du: etenaldiak, zalantzak, etenak edo aldi berean hitz egiten duten pertsonak. Dena zehaztasunez erregistratzen da EAGLES estandarraren arabera.

EAGLES

Geruza 2

Morfosintaktiko geruza

Eguneroko hizkeran esaldiak benetan nola eraikitzen diren ulertzeko, Universal Dependencies-en oinarritutako azterketa sakona eskaintzen du.

Universal Dependencies

Geruza 3

Semantika geruza:

WordNet / MCR 3.0 erabiliz, San Millán Hizkuntza Zentroak esanahiaren eta testuinguruaren interpretazioa laguntzen duen informazio semantikoa txertatzen du. Horrela, ereduak ez dira hitzak soilik 'irakurtzen', baizik eta haien bidez transmititzen dena hobeto ulertzen dute, eta horri esker mintzamenaren esanahia eta testuingurua barneratzeko gai dira.

WordNet / MCR 3.0

NOLA ERAIKIA DAGO?

Nola eraiki da San Millán COE?

Korpusaren garapena kenketa-metodologia batean oinarritzen da; beste modu batean esanda, estaldura ideal bat definitzen da (estaldura matrizea), jada lizentziatu eta katalogatutako materiala kendu egiten da (eskuratze matrizea), eta identifikatutako hutsuneak bakarrik erregistratzen dira.

Horretarako, hiru eskuratze-kanal erabiltzen dira:

Egungo korpusoak

Materialen integrazioa erakundeekin egindako akordioen bidez.

Iturri publikoak:

Komunikabideetatik, eztabaidetatik edo hitzaldi publikoetatik hartutako audio-grabazioak.

Gure grabazio propioak (UNIR eredua):

Munduko sare bateko ikasle eta irakasleen parte-hartzea, jatorri aniztasun zabala bermatzeko eta dialektoen aurreiritziak murrizteko.

Nazioarteko estandarrak 
eta jasangarritasuna

San Millán COE nazioarteko estandarren arabera diseinatu da bere iraunkortasuna 
eta irakurgarritasuna bermatzeko:

TEI P5 edukiontzia (XML)

Gordetzeko 'urrezko estandarra' gisa hartzen da, eta audio, testu eta anotazio sinkronizatuak fitxategi bakarrean bateratzen ditu.

CMDI metadatuak (ISO 24622-1)

Haiek aukera ematen dute bilaketa zehatzak egiteko (hiztunaren adinaren, eskualdearen edo generoaren arabera), korpus osoa deskargatu beharrik gabe.

Nazioarteko konexioa

Korpusa CLARIN ekosistemara integratuta 
dago Hizkuntza Behatoki Birtualaren (VLO)
bidez, eta horri esker ikusgarri dago Europar
Batasuneko ikertzaileentzat.

MODELUAREN BALIO ESTRATEGIKOA

Ereduaren balio estrategikoa

Korpus hau ez da soilik datu-base bat, baizik eta FAIR (aurkitzeko modukoa, irisgarria, elkarreragilea eta berrerabilgarria) azpiegitura bat. DCAT-AP profilekin duen lerrokatzeak bermatzen du datuetarako Europako Merkatu Bakarrean integratzea. Horrela, Valle de la Lengua Datu Espazioa kokatzen du espainiera hizkuntzari buruzko ezagutza akademiko eta linguistikoaren mundu mailako erdigune gisa.

Eskuragarri

Findable
Sarbidea duen

Accessible
Elkar-funtzionagarria

Interoperable
Bererabilgarria

Reusable

KORPUS-LAGINA

Korpusaren lagin bat deskargatu

Benetako grabazio-zati bat bere transkripzioarekin, San Millán COE-tik datozen datuen kalitatea eta formatea ebaluatzeko prest.

Ertamerikako Mexikoko dialekto-aniztasuna

Hitzaldi akademiko baten grabazioa, transkripzio fonetikoarekin eta anotazioekin
Mexikarra eta Erdialdeko Amerikakoa Emakumea 55 urte edo gehiagokoa Ahoz irakurtzea Goiko hezkuntza

 

Iraupena: 16:13 minutu
Audio formatua: WAV, 44,1 kHz
Transkripzio formatua: XML
Sartutako geruzak: Ortografiko eta morfologiko aberastutako transkripzioa

 

Deskargatu audioa (.wav) Deskargatu transkripzioa (.xml)