Svensk trädbank Swedish treebank doi-10-23695-51hr-ea34-0 https://doi.org/10.23695/51HR-EA34 Swedish National Data Service Svensk nationell datatjänst Landing page Svensk trädbank Swedish treebank doi-10-23695-51hr-ea34-0 https://doi.org/10.23695/51HR-EA34 Språkbanken Text Swedish National Data Service Svensk nationell datatjänst Landing page A Swedish treebank built from recycled language resources The Swedish treebank has come about through work by researchers in the Universities at Uppsala (Computational Linguistics, Department of Linguistics and Philology) and Växjö (The Language Technology research group in the School of Mathematics and Systems Engineering). The treebank is the result of the harmonization of the linguistic information in two existing Swedish language resources: Talbanken, a corpus of Swedish written and transcribed spoken language from the 1970s, manually annotated with syntactic information according to a traditional Scandinavian approach SUC2 (Stockholm Umeå Corpus), a morphosyntactically annotated (all corpus words are tagged with part of speech and lemma), balanced corpus of published Swedish written language from the 1990s The harmonization process in brief has been that Talbanken has been annotated with the morphosyntactic tags used in SUC in a semiautomatic process, and both Talbanken and SUC have been automatically syntactically annotated with a phrase structure version of Talbanken's original syntax analysis. This means that we can expect errors in the syntactic annotation, particularly in SUC. A preliminary evaluation of the annotation, presented at a post-conference workshop at SLTC 2008, shows that the syntactic annotation is still very useful in corpus-linguistic investigations. Format, license and distribution Format The Swedish treebank is distributed in the TIGER-XML format, so that the freely available TIGERSearch tool can be used with it. TIGERSearch can be downloaded from Institut für Maschinelle Sprachverarbeitung at the Universitety of Stuttgart. License The treebank part - i.e., the added syntactic annotations - of the Swedish treebank, is free, under an open source license. Talbanken is freely available for research and education purposes, it can be downloaded here SUC requires that each user signs an individual license agreement with the Department of Linguistics, Stockholm University. As of 1st December, 2008, licensing of SUC is entrusted to Språkbanken, University of Gothenburg. The license agreement can be downloaded in pdf format here. Read more about SUC2 and SUC3 here In order to get access to SUC (and thereby to the Swedish treebank), you are required to print out the license agreement form, sign it and send it by ordinary mail to SUC-licens Språkbanken Institutionen för svenska, flerspråkighet och språkteknologi Göteborgs universitet Box 200 SE-405 30 Göteborg Sweden Upon receipt and approval of the agreement, we will contact you by email with downloading instructions. Distribution The Swedish treebank is distributed by Språkbanken, University of Gothenburg. See the preceding section for instructions, or contact us for more information by emailing sb-info@svenska.gu.se. If you have a SUC license already, you will get downloading instructions and password from us. Others will first need to sign a SUC license agreement (see above). References If you wish to cite the Swedish treebank in a paper, please use the following reference: Joakim Nivre, Beáta Megyesi, Sofia Gustafson-Capková, Filip Salomonsson and Bengt Dahlqvist (2008) Cultivating a Swedish Treebank In: Nivre, Dahllöf, and Megyesi (Eds), Resourceful Language Technology: Festschrift in Honor of Anna Sågvall Hein, pp111–120. Uppsala: Acta Universitatis Upsaliensis. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-8933 You can give this Språkbanken page as its download location. En svensk trädbank med återanvändning av existerande resurser Den svenska trädbanken är resultatet av ett arbete som har utförts av forskare vid universiteten i Uppsala (Datorlingvistik, Institutionen för lingvistik och filologi) och Växjö (Språkteknologigruppen vid Matematiska och systemtekniska institutionen). Trädbanken är resultatet av en harmonisering av den lingvistiska informationen i två befintliga svenska språkresurser: Talbanken, en korpus med svenskt skriftspråk och transkriberat talspråk från 1970-talet, som är försedd med manuellt utförda syntaktiska analyser enligt en traditionell nordistisk modell (en slags utvidgad fältanalys à la Diderichsen) SUC (Stockholm Umeå Corpus), en morfosyntaktiskt analyserad (försedd med ordklassetiketter och grundformer på alla korpusens ord) balanserad korpus över publicerat svenskt skriftspråk från 1990-talet I korthet har harmoniseringen gått till så att Talbanken försetts med SUC:s ordklassetiketter i en halvautomatisk process, och både Talbanken och SUC har försetts med en frasstrukturversion av Talbankens syntaktiska annotation. Den senare processen har varit helautomatisk, vilket innebär att man kan förvänta sig felaktigheter i den syntaktiska annotationen, särskilt i SUC-korpusen. En preliminär utvärdering av annotationen presenterad vid en workshop i samband med SLTC 2008 visar att den syntaktiska annotationen ändå är till mycket god hjälp vid korpuslingvistiska undersökningar. Format, licens och distribution Format Den svenska trädbanken distribueras i ett format som kallas TIGER-XML, så att den ska kunna användas med det fritt tillgängliga sökverktyget TIGERSearch, som kan laddas ner från Institut für Maschinelle Sprachverarbeitung vid universitetet i Stuttgart. Licens Trädbanksdelen - d.v.s. de nytillagda syntaktiska annotationerna - av den svenska trädbanken är helt fri, med en öppen källkodslicens. Talbanken är fritt tillgänglig för forskning och undervisning. Den kan laddas ned här SUC kräver att varje användare tecknar en individuell licens med Institutionen för lingvistik vid Stockholms universitet. Från och med den 1/12 2008 är licensieringen av SUC delegerad till Språkbanken vid Göteborgs universitet. SUC-licensavtalet kan laddas ner i pdf-format här. Läs mer om SUC2 och SUC3 här För att erhålla SUC (och därmed den svenska trädbanken) behöver du skriva ut och skriva under licensavtalet och sedan skicka det till SUC-licens Språkbanken Institutionen för svenska, flerspråkighet och språkteknologi Göteborgs universitet Box 200 405 30 Göteborg Därefter återkommer vi per epost med nerladdningsinstruktioner. Distribution Den svenska trädbanken distribueras av Språkbanken. Se instruktioner i föregående avsnitt eller kontakta oss för mer information genom att eposta sb-info@svenska.gu.se. Den som redan har skrivit på en SUC-licens får direkt nedladdningsadress och lösenord från oss. Övriga behöver först skriva under ett licensavtal för SUC (se ovan). Referenser Om du vill citera Svensk trädbank i en artikel rekommenderar vi att du använder följande referens: Joakim Nivre, Beáta Megyesi, Sofia Gustafson-Capková, Filip Salomonsson and Bengt Dahlqvist (2008) Cultivating a Swedish Treebank In: Nivre, Dahllöf, and Megyesi (Eds), Resourceful Language Technology: Festschrift in Honor of Anna Sågvall Hein, pp111–120. Uppsala: Acta Universitatis Upsaliensis. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-8933 Ange gärna den här sidan på Språkbanken som nedladdningssajt. Access to data through an external actor. Åtkomst till data via extern aktör.