Rok akademicki 2003/2004

Seminarium magisterskie
Narzędzia i metody przetwarzania tekstów
    
dr hab. Janusz S. Bień, prof. UW
dr Krzysztof Szafran     

czwartki, godz. 12¹⁵-13⁴⁵
sala 4081 (trzecie piętro, wejście przez s. 4080)

Seminarium jest przeznaczone dla studentów informatyki zainteresowanych różnymi aspektami przetwarzania języka naturalnego, a także globalizacją i lokalizacją oprogramowania.

Tematyka seminarium jest bardzo szeroka, o czym świadczą tematy już ukończonych prac magisterskich (patrz np. http://www.mimuw.edu.pl/~jsbien/ i http://www.mimuw.edu.pl/~kszafran/). Niepełna lista proponowanych tematów znajduje się dalej na niniejszej stronie (w wielu wypadkach temat już obronionej pracy może być wykorzystany ponownie w celu np. zastosowania nowszych narzędzi czy istotnie szerszego potraktowania problemu).

Obejmuje ona m.in. metody ścisłego opisu różnych aspektów języka naturalnego -- w szczególności morfologii i składni języka polskiego -- oraz wykorzystanie w praktyce dostępnych zasobów lingwistycznych np. do różnych form automatycznej analizy tekstów. Interesują nas również problemy tłumaczenia dokumentacji technicznej (na przykładzie Linux Documentation Project), narzędzia do wspomagania takiego tłumaczenia przez automatyczna analizę tekstów oryginalnych oraz porównywanie istniejących tłumaczeń (tzw. korpusy równoległe), tworzenie i uaktualnianie słowników terminologicznych itp.

W naturalny sposób do zakresu seminarium należy również problematyka reprezentacji tekstów, w tym wielojęzycznych (XML, SGML, TEI, DocBook) oraz narzędzi do ich edycji i składu, w szczególności konwersji między różnymi formatami (np. WVware, LaTeX2html).

Preferowane są tematy prac magisterskich prowadzące do powstania oprogramowania dostępnego na licencji GNU i nadającego się do włączenia do oficjalnych dystrybucji. Najbardziej pożądaną formą wyników programistycznych jest pakiet dystrybucyjny systemu Debian GNU/Linux, dostarczony na samobootującej się płycie z odpowiednio zmodyfikowanym systemem Knoppix (http://www.knoppix.org). Stąd w tematyce seminarium mieszczą sie zagadnienia takie, jak tworzenie pakietów dla dystrybucji Debian GNU/Linux, bug tracking systems itp.

Konkretne tematy prac magisterskich będą formułowane w trakcie naszych wykładów monograficznych. Uczestnicy mogą też zgłaszać swoje własne propozycje inspirowane materiałami (lub odsyłaczami do nich), które są dostępne m.in. na witrynie seminarium Lingwistyka informatyczna i przetwarzanie tekstów (http://www.orient.uw.edu.pl/~zzi/lipt/ lub http://www.mimuw.edu.pl/~zzi/lipt/) oraz pod adresami http://www.mimuw.edu.pl/polszczyzna/ (strona w budowie) i ftp://ftp.mimuw.edu.pl/pub/users/polszczyzna/.

Oferujemy też tematy prac magisterskich wymagających tylko kwalifikacji czysto informatycznych. Oto niepełna lista przykładowych tematów tego typu (będzie ona sukcesywnie uzupełniana o adresy internetowe i dodatkowe wyjaśnienia). Kolejność jest nieistotna.

• Parser dla gramatyki wyrazowej. Word Grammar (http://www.phon.ucl.ac.uk/home/dick/wg.htm, http://www.phon.ucl.ac.uk/home/dick/wgnet/wgnet.htm) to ciekawa i obiecująca teoria lingwistyczna, niestety jak dotąd bez zastosowań praktycznych (ostatnia próba napisania parsera była podjęta w 1995 r. -- od tego czasu bardzo zmieniła się sama gramatyka).
• Linuksowy (Debian) interfejs do wybranych słowników elektronicznych. Chodzi o pakiety podobne do ydpdict (http://www.linux.sky.pl/teksty/ydp.html, http://www.hrw.one.pl/apt/sid/ydpdict_0.52-2_i386.deb), które instalują wersje demonstracyjne lub robocze komercyjnych słowników dla Windows, zwłaszcza publikowanych przez PWN i Wiedzę Powszechną.
• Mówiące słowniki dla niewidomych. Zastosowanie Emacspeak i bezpłatnych programowych syntetyzatorów języka angielskiego do ,,The Collaborative International Dictionary of English'' i innych podobnych słowników.
• Mówiąca książka w języku polskim. Stworzenie narzędzi do tworzenia publikacji w standardzie Digital Talking Book (http://www.loc.gov/nls/z3986/, patrz także http://www.afb.org/mlkweb.asp i http://www.afb.org/ebook.asp), przede wszystkim metodą konwersji z L^ATEX2_e.
• Wielojęzyczna wersja Emacspeak. Wykorzystanie bezpłatnych programowych syntetyzatorów mowy dla języka polskiego i innych oraz doświadczeń Bilingual Emacspeak Project (http://www.argv.org/ mitsugu/) i podobnych do czytania niewidomym żródeł tekstów (L^ATEX) i programów -- słowa kluczowe po angielsku, tekst po polsku itp.
• Brajlowska wersja Emacspeak. Rozszerzenie możliwości Emacspeak o wyjście na monitor (linijkę) brajlowska i drukarke brajlowską -- sprzęt dostępny na Wydziale.
• Imprementacja skrótów brajlowskich Józefowicza i Saloniego. Rozszerzenie dostępnych programów obsługi linijek brajlowskich (takich jak brltty) oraz oprogramowania do składu tzw. czarnodruku (pakiet braille dla L^ATEX2_e) o stosowanie skrótów opisanych w publikacji http://www.mimuw.edu.pl/~jsbien/node14.html. Opracowanie programu wspomagającego uczenie się tych skrótów.
• Pełna obsługa UNICODE w edytorze Emacs.
• Analiza słownictwa dokumentacji edytora Emacs na potrzeby wspomagania tłumaczenia jej na inne języki.
• Problemy konwersji historycznych tekstów drukowanych lub rękopiśmiennych na wersję elektroniczną. Praca powinna koncentrować się na wybranym słowniku lub dostępnych fragmentach rękopisu Rzewuskiego (http://164.109.50.219/sa/pubs/SA_World/nov_dec2001/polish_p6to15.pdf). Może dotyczyć reprezentacji tekstu w SGML/XML lub przeglądania skanowanych tekstów w formacie DjVu.
• Koncepcja automatycznej weryfikacji wyników OCR dla wybranego słownika historycznego polszczyzny.
• Narzędzia do przeglądania korpusu rozbiorów gramatycznych.
• Elektroniczne wydanie wybranych prac Stanisława leśniewskiego. Genialny polski logik, stosujący specyficzną notację, której rozumienie należy współczesnemu czytelnikowi ułatwić odpowiednimi środkami technicznymi.
• Metody konwersji (La)TEX -- HTML/XML (na przykładzie gramatyki Szpakowicza i jej dokumentacji).
• Wykorzystanie XML do tworzenia złożonych publikacji elektronicznych (na przykładzie gramatyki Świdzińskiego i jej opisu).
• Wspomaganie pracy tłumaczy w ,,Linux Documentation Project'' lub innym podobnym projekcie.
• Internacjonalizacja i polonizacja edytora Emacs
• Udostępnianie archiwów poczty elektronicznej za pomocą systemu Greenstone.
• Obsługa wielojęzycznych usług internetowych (WWW,poczta, wiadomości sieciowe) w edytorze Emacs.
• Optymalizacja interfejsu użytkownika w edytorze Emacs.
• Obsługa Unicode w narzędziach typu dvispell
• Dostęp do głębokich zasobów Internetu (na przykładzie witryn sejmowych i PKN).
• Debugger systemu TEX. Por. Lutz Birkhahn, ,,Tdb: An X11 TEX Debugger'', Proceedings of the Eight European TEX Conference, September 26-30, 1994, Gdańsk, Poland, pp 91-95.
• Mapy w publikacjach elektronicznych, por. http://gmt.soest.hawaii.edu/, http://www.cse.unsw.edu.au/~mancilla/, także http://www.pangea.de.
• Automatyczne wykrywanie w korpusie zwrotów i terminów. Implementacja algorytmu Yamamoto i Churcha, Computational Linguistics 27 (1), March 2001, http://acl.ldc.upenn.edu
• Obsługa UNICODE dla języka polskiego w systemie TEX. Rozszerzenie możliwości pakietu ucs.sty i programu dvispell.
• EmLat Knoppix. Jednopłytowa dystrybucja GNU/Linux, oparta na systemie Knoppix, starannie skonfigurowana do składu tekstów, również na słabych kompouterach. Może wymagać przygotowania własnych pakietów Debianowych dla oprogramowania niedostępnego w oficjalnej dystrybucji.
• Adaptacja systemu KOHA do obsługi prywatnych księgozbiorów (wypożyczanie i cytowanie w publikacjach przygotowywanych za pomocą RefTeX), patrz http://www.koha.org/, http://sourceforge.net/projects/koha, http://www.saas.nsw.edu.au/wiki/index.php?page=KohaCD.
• Rozpoznawanie języka tekstu na materiale dokumentacji pakietów Debiana i półautomatyczne rozpoznawanie języka przetwarzanych danych zawartych w tych pakietach aplikacji.

Nie stawiamy uczestnikom żadnych konkretnych warunków wstępnych, ale w razie nadmiaru zgłoszeń preferowani są słuchacze naszych własnych wykładów monograficznych a także słuchacze wykładów XML i nowoczesne technologie zarządzania treścią oraz Programowanie WWW. Pożyteczna może być też znajomość języków perl i Prolog.

Uczestnicy seminarium są zobowiązani do subskrypcji zamkniętej listy pocztowej nmtp-l (http://duch.mimuw.edu.pl/mailman/listinfo/nmpt-l) oraz do przedstawiania streszczeń swoich referatów na ogólnodostępnej moderowanej liście nmpt-ann (http://duch.mimuw.edu.pl/mailman/listinfo/nmpt-ann). Na listach tych można uzyskać dodatkowe informacje na temat seminarium.

Skrócona wersja niniejszego zawiadomienia jest również dostępna w formacie PDF i PostScript