Møte om lule- og sørsamisk korpusinnsamling

17.12. 2014. Børre, Kevin, Sandra, Trond.

Bakgrunn: Prosjektskildring
Tidlegare notat: Planutkast

sme→smj

$GTHOME/words/dicts/smesmj/
$GTHOME/words/dicts/smesmj/src/ = kjeldefiler til ordboka
$GTHOME/words/dicts/smesmj/script = for å kompilere fst av ordboka

Ordboka smesmj

Dette er ei ordbok:

echo čállit | lookup -q $GTHOME/words/dicts/smesmj/bin/smesmj.fst 
čállit        tjállet

Lulesamifisering

Dette er ein lulesamifiserar:

Kommandosett for å kompilere lulesamifiserar:

cd $GTHOME/gt/smj/src/
xfst -e "source sme2smj-lexeme.xfst" -e "save stack sme2smj.fst" -stop

Bruk:

lookup -q sme2smj.fst
čállit

cat nordsamisk-tekst.txt | preprocess | lookup -q sme2smj.fst

echo "Mun lean okta sápmelaš." | preprocess | lookup -q sme2smj.fst

Uutnytta kjelder til korpus

[http://sametinget.no] har firespråklege sider ** I dag hentar vi ingen ting frå Sametinget. ** Utfordring: Unngå duplikat. Svar: Sjekke dato på siste høsting og hente berre nyare
Pressemeldingar frå [http://regjeringen.no] ligg i dag i freecorpus/mixed

Filer i freecorpus/smj:

other_files ** hp_2009_samisk_sprak_lulesam.pdf.xsl ** reindrift_konvensjon_norge_sverige_lulesamisk_070710.pdf.xsl ** reindrift_omraadeprotokoll_til_konvensjon_mellom_norge_sverige_lulesamisk.pdf.xsl ** reindrift_vedtekter_for_norsk_svensk_reinbeitenemnden_og_norsk_svensk_overprovingsnemnden_lulesamisk.pdf.xsl ** sami_samekonv_lulesamisk.pdf.xsl
regjeringen.no: Pressemeldingar
Kintel AS har faste avtalar med Sametinget og KMD.
Tysfjord kommune

TODO

Børre og Kevin diskuterer desse skripta ++ Đ* Mixed-diskusjonen held fram
Sandra tar ein samtale med LT og med Árran om admin-tekstar

Tekniske aspekt

Ordboksformat osb.

words/dicts/LaLb/

dtd/ - dette har vi ikkje no
bin/ tom (vente på kompilerte filer)
src/ - kjeldefilene
script/ - nettopp det (her kanskje noko a la smesmj.sh
inc/ - mykje rart
LaLb.sh (shellscript som gjer xml om til lexc og deretter til fst) ** (visse har make-smedict eller Makefile i tillegg …)

Digresjon: dtd: Vi har: words/dicts/script/gt_dictionary.dtd

Vi vil lage dtd for LaLb.xml for alle ordbøker, og legg i LaLb/dtd deretter mekke og standardisere modulo ordbok

Arbeidsplan

norske kandidatord: ** dei som har høgare frekvens i fad-korpus enn i norsk ** fadkorpus = freecorpus/prestable/tmx (samiske tema) ** Ta ut den norske delen, OBT-analyser og finn frekvens *** [http://gtweb.uit.no/korp/?mode=parallel#parallel_corpora=nob] ** nobsme silt mot ei admin-frekvensordliste
sjekk mot nobsmj, fjern dei som allereie ligg der
ta resten, omsett til sme
lulesamifiser til smj // smesmj-ordbok
sjekk ** sjekk lulesamifisert form mot smj-korpus ** manuell sjekk av lulesamifisert form

Neste møte

Torsdag 8.1. kl. 9.

GiellaLT

Page Content