I dag, 6. februar, er det den samiske nasjonaldagen — lihkku beivviin!

Foto: Kenneth Hætta (NRK)

Viss dei einaste orda du kan på nordsamisk er joik, pulk, lavvo og tundra1, så har du i dag ei god unnskyldning til å utvida horisontane og læra litt samisk :)

Les Nordsamisk på ni minutt for å læra deg uttalen av bokstavane. Så kan du byrja med nettsida Gulahalan («å kommunisere/forstå kvarandre»), dette er ein fin nettstad for deg som ikkje kan noko samisk frå før av (men forstår svensk og ikkje har noko i mot å køyra Flash…). Svært pedagogisk, med lyd for alle setningane og små øvingar til tekstene. (I tillegg går det visst an å ta brevkurs i nordsamisk frå Folkeuniversitetet, eller «e-kurs» frå e-skuvla.no.)

Og så bør du ha tilgjengeleg ordbøkene til Sámi Giellatekno ved Universitetet i Tromsø. Dei fungerer på Windows, Mac og GNU/Linux (viss du køyrer Arch Linux kan du installere her via AUR). Du kan i tillegg søkja i dei på nett om du ikkje vil installere noko.

(Eg har au komme over ei lita nordsamisk-engelsk-ordbok; ingen ordforklaringar og lite grammatisk informasjon, men det kan jo vera nyttig.)

Innimellom kan du få eit samisk ord for dagen frå bloggen Kruspersille.


Etter Gulahalan-kurset er du klar til å byrja på OAHPA! Pedagogiske program, kor du kan preika med den samiske chatbot-en eller berre øva deg på å bøya verb (dei har litt dokumentasjon på korleis ein best kan bruka det, bør lesast).

Du treng nok ein grammatikk å slå opp i, då er det hendig at Nasjonalbiblioteket har skanna og lagt ut heile boka Samisk grammatikk av Klaus Peter Nickel. Det er kanskje like greit å kjøpa denne, og kanskje au innføringsboka Davvin 1 i same slengen.
Sidan du sikkert har gløymt alle grammatikktermane frå skulen, kan du øve på kva subjekt og objekt tyder ved å spela Visual Interactive Syntax Learning-spela. Dei er på samisk, men det bør du jo kunna ganske godt innan no.

No er det på tide å lesa lengre samiske tekster. Ávvir.no er vel den einaste nordsamiskspråklege avisa på nett, men du har jo au ein del lesestoff på NRK Sápmi som i tillegg har nett-tv og radio, sjølvsagt. Du finn ein del samisk skjønnlitteratur på sidene til Nasjonalbiblioteket.

Kanskje du til og med vil prøva deg på å skriva litt samisk, då bør du vita korleis du skriv samiske bokstavar på datamaskinen, kanskje må du slå opp litt samisk fagterminologi.

Ved dette punktet bør du (viss du øvde godt på Syntax Learning-spela) vera klar til å gå inn i den samisk lingvistikken. Her har Universitetet i Tromsø igjen ressursane du treng:

  • For korpuslingvistane har dei eit interaktivt tekstkorpus, både einspråkleg nordsamisk og tospråkleg nordsamisk-bokmål. Dei har au lagt ut ein del statistikk, frekvenslister ol.
  • For grammatikarane finst det ein kort grammatikk.
  • For morfonautane (eh, folk som studerer morfologi, då) tilbyr Giellatekno grammatisk analyse av bøygde nordsamiske ord, og fulle bøyingsparadigme av oppslagsord; du kan til og med generera bøygde ord om du kjenner oppslagskodane…


Eventuelt kan du berre kverna all samisken gjennom maskinomsetjing frå nordsamisk til bokmål.

 

Fotnotar:

1 Og kanskje jul

Samisk på norsk

6 juni, 2010

Eg har ein heilt fantastisk sommarjobb. Eg samarbeider for tida med folk frå Apertium og Sámi Giellatekno (det samiske språkteknologiprosjektet ved UiT) for å få til maskinomsetjing frå nordsamisk til bokmål.

Oppdatering: utviklingsversjonen kan no testast frå sidene til Giellatekno.

Dette er litt meir krevande enn nynorsk-bokmål1… viss me hadde teikna eit kart der språk som likna på kvarandre sto nær kvarandre, kunne me fått noko slikt:

NB: Kartet er ikkje i målestokk. MÅ IKKJE NYTTAST TIL NAVIGERING

Altså er det litt forskjell på språka. No finst det sjølvsagt ein del språklege lån mellom norsk og samisk, men dei har heilt forskjellige språkfamilier og historie. Eit par døme på forskjellar:

  • samiske substantiv har ikkje kjønn, greit nok…
  • samiske pronomen har ikkje kjønn – den er litt verre, skal me omsetja son til «han» eller «ho»?
  • samiske verb bøyer seg etter subjektet, så av og til sløyfar folk pronomenet – då må me setja inn eit nytt pronomen på norsk (med rett kjønn…)
  • dei samiske verba er i det heile teke fulle av hemmelege våpen til å uttrykka ulike tidspunkt, aktørar og haldningar til situasjonen. Verbet veahkehit tyder «å hjelpa», veahkehat blir «du hjelper», veahkeheaččan blir (litt avhengig av kontekst) «du kunne vel hjelpa», medan veahkehežžet blir «du kunne vel ha hjelpt»
  • og så har me alle avleiingane, som gjer verb om til substantiv, substantiv om til adjektiv, eller seier at noko skjedde i hast, eller ofte, eller berre ein gong, eller at nokon fekk nokon til å gjere noko, eller at nokon berre byrja å gjere noko… Me har mange av desse mekanismane på norsk au, t.d. kan me gjera «skikk» til eit adjektiv ved å leggje til «-eleg», men å driva og laga nye ord slik er alt for risikabelt til at me kan gjera det til ein generell regel (*«kjærleikeleg»?).

For å ha det sagt: eg kan ikkje samisk. Det har tydelegvis skjedd ein glipp i utdanninga mi. Men eg har god hjelp frå dei fantastiske tri binda med LÆREBOK I LAPPISK (SAMISK) frå 19262 (og ein litt nyare grammatikk), i tillegg til at språkteknologane ved UiT allereie har gjort størsteparten av det arbeidet som krev skikkeleg samiskkunnskap. Min jobb er hovudsakleg å laga reglar som gjer ferdig analysert samisk tekst om til forståeleg bokmål.

Omsetjing mellom så ulike språk gir svært mange utfordringar. Me har i første omgang berre satsa på samisk til bokmål, og ventar med andre retninga. Me vil at maskinomsetjinga skal vere nyttig og formålstenleg, og då er det best å byrja med samisk til bokmål. Dei to vanlegaste formåla med automatisk omsetjing er:

  1. assimilering: maskinomsetjinga skal vera god nok til at ein kan forstå omsetjinga sjølv om ein ikkje forstår originalspråket
  2. disseminering: maskinomsetjing skal vera god nok til at ein omsetjar (som altså forstår begge språk) heller vil rette på maskinomsetjinga enn å skriva omsetjinga frå botnen av

Når folk nyttar maskinomsetjing frå eit majoritetsspråk til eit minoritetsspråk innanfor eit samfunn (t.d. bokmål til samisk, bokmål til nynorsk), er det sjeldan sånn at dei som har minoritetsspråket som morsmål ikkje forstår majoritetsspråket og lurer på kva det står i originalteksta; maskinomsetjing frå bokmål til samisk blir først nyttig når omsetjinga er god nok til at ho med minimalt etterarbeid blir klar for utgjeving. Andre vegen, derimot, er det nyttig med ei omsetjing som berre gir eit oversyn over innhaldet i originalteksta, utan å vera så bra at ein profesjonell omsetjar ville nytta ho som grunnlag. Så målet for no er at viss du t.d. søkjer etter namnet ditt og finn ein blogg på samisk som snakkar om deg3, så skal du kunne køyra dette innlegget gjennom Apertium og finne ut om det dei sa om deg var bra eller dårleg ;-)

Men sjølv om me tillèt dårleg flyt i bokmålen, må me sjølvsagt ha noko å omsetja alle dei ulike verbformene og avleiingane til, og me må unngå å mista eller forvrenga viktig informasjon. Det er mange utfordringar i dette språkparet, men heldigvis har sjølve Apertium-plattforma fått ein del nye verktøy å takla utfordringane med. Men det får eg spara til eit seinare innlegg.

Fotnotar:

1 Ja, samisk til nynorsk hadde vore endå litt kulare, men me må jo spara noko til seinare :-)

2 Vel, i nytt, men uendra, opplag frå 1977. I forordet står det at namnet på boka blei fastslått i 1922, «da trykningen begynte», og lappisk enno var det mest kjende namnet (det tok fire år å få trykka boka… ting tok tid før).

3 For skuld argumentet kan me lata som om det skortar på litt grunnleggande danning og du ikkje kan lese samisk.

(Vil du heller lesa dette innlegget på bokmål?)

I april 2009 søkte eg på Google Summer of Code, og fekk eit stipend for å jobbe i Apertium-prosjektet saman med åtte andre studentar. Apertium er ei mengd program og språkdata som m.a. blir nytta til automatisk omsetjing, og båe språkdata og programvaren er fritt og ope. Mitt prosjekt var apertium-nn-nb – maskinomsetjing mellom nynorsk og bokmål, og eg har vel jobba omtrent kvart ledige minutt på dette i sommar. Tirilensin og Baldur har vore svært tolmodige…

Eg har no gitt ut versjon 0.6.01 av apertium-nn-nb. Dette er altså eit språkpar for Apertium som gjer at du kan omsetja tekst mellom bokmål og nynorsk. Språkparet har ca. 46000 oppslagsord for kvart språk og ca. 88% dekning på Wikipedia-artiklar (meir statistikk her); det vil seia at litt meir enn kvart tiande ord ikkje blir analysert (dei siste ti prosentpoenga er svært vanskelege, sidan jo nærare du kjem 100% dekning, jo fleire ord treng du per prosentpoeng).

Kvifor Apertium?

Eg studerer datalingvistikk og språkteknologi, så maskinomsetjing er jo ideelt for meg. Og i tillegg til at dei har fantastiske mentorar så har Apertium funne seg ein interessant nisje i maskinomsetjingsmarkedet, dei konsenterer seg om minoritetsspråk og lågressursspråk, t.d. Baskisk, Bretonsk, Galisisk og Katalansk, og då spesielt omsetjing mellom majoritetsspråket og minoritetsspråket innanfor eitt område. Dei har au ein svært pragmatisk haldning til maskinomsetjing – formålet er å få eit godt resultat2. Eit svært godt maskinomsetjingsresultat kan føra til at eit minoritetsspråk får meir tilgjengeleg tekst og dimed høgare status i samfunnet som skriftspråk. Eit middels godt resultat er au eit gode sidan dei som berre les majoritetsspråket mistar eit argument for å krevja at minoriteten er nøydt til å lesa og skriva majoritetsspråket.

Sidan Apertium ofte har å gjera med språk som har lite ferdig omsett og fritt tilgjengeleg tekst (parallellkorpora), er det vanskeleg å nytta slike reint statistiske metodar som Moses, Google eller Asia Online nyttar3, i staden kodar dei inn eksplisitt språkkunnskap. Det du treng av ressursar for å leggja til eit nytt språk er altså berre ein grammatikk og ei ordbok, og litt tid og ork. Nokre av dei involverte er lingvistar som kanskje har eit språk dei vil bidra med ressursar til, andre er heller programmerarar som jobbar meir med sjølve verktøya.

Så kor kan eg prøva dette vedunderet?

Sidan Apertium er fritt og ope, kan du gjerne køyra det på din eigen maskin. Apertium og nn-nb-paret kan installerast på GNU/Linux via t.d. apt (for t.d. Debian eller Ubuntu-brukarar) ved å skriva sudo apt-get install apertium lttoolbox apertium-nn-nb. På Arch Linux installerer du frå Arch User Repositories med yaourt -S apertium-nn-nb. På andre system må ein nok kompilera sjølv (sjå installasjonssidene på wikien).

Men det går au an å prøva nn-nb på http://apertium.org, du kan skriva inn tekst og trykkja «omsett» eller lasta opp filer i ulike format (HTML, ODF, RTF, osb.).

I tillegg går det an å få Apertium-omsetjingar inn i XChat, WordPress, Pidgin, Virtaal, OmegaT og OpenOffice ved hjelp av ulike tilleggsprogram. Nokre av desse kan henta omsetjingar over nettet (vha. eit anna sommarkodeprosjekt) så ein treng ikkje å ha installert Apertium sjølv. Eg har ikkje prøvd alle desse sjølv, så spør andre om hjelp til det ;)

Korleis fungerer apertium-nn-nb då? (Den tekniske biten)

(Dette er basert på ein presentasjon (pdf, manus her) eg heldt for workshopen om føringsgrammatikk i Odense på Nodalida 2009.)

Apertium er eit hovudsakleg regelbasert system, med lite syntaktisk informasjon. Kvart språkpar består av ulike modular, der kvar modul tek inn tekst, gjer noko med denne og spyttar ut igjen meir tekst. For å laga eit språkpar treng du minimum tri ting:

  • ei bøyingsordbok for det eine språket
  • ei bøyingsordbok for det andre språket
  • ei omsetjingsordbok mellom dei to språka
Apertium XML (av ebemenelli)

Apertium XML (av ebemenelli)

Den vanlegaste måten å laga Apertium-ordbøker er ved å skriva dei i XML-formatet til lttoolbox. Desse ordbøkene gir informasjon som at ordet kvalp er eit substantiv, og har eit visst bøyingsparadigme (endinga -en står for bunden form eintal, osb.), og i omsetjingsordbøkene at substantivet kvalp i språk 1 kan omsetjast til substantivet valp i språk 2; XML-en blir kompilert til svært raske endelege tilstandsmaskinar som kan lesa ordet kvalpen og spytta ut teksta

kvalp_substantiv_hankjønn_eintal_bunden

som altså er bøyingsanalysen av ordforma, eller lesa denne analysen og spytta ut

valp_substantiv_hankjønn_eintal_bunden

Ordbøkene kan au nyttast til generering, så

valp_substantiv_hankjønn_eintal_bunden

sendt til bokmålsordboka gir valpen.

Men det kan jo henda at du jobbar med eit språk der lttoolbox-formatet ikkje passar så bra, t.d. Georgisk. Då kan du, om du vil, skriva dei einspråklege ordbøkene i det meir uttrykksfulle, men treigare, HFST-formatet – eller eigentleg kva som helst, så lenge du kan få det formatert slik som døma over.

Det som er kjekt med å basera seg på denne typen data er at det ofte finst slikt tilgjengeleg allereie. Det er nemleg ofte slik informasjon som går inn i stavekontrollar og liknande; i mitt tilfelle konverterte eg fullformsordlistene til Norsk ordbank (med litt hjelp av ordbokprogrammet Ordbanken) til Apertium-formatet. Norsk ordbank har svært mange oppslag og svært god informasjon, og er i tillegg fri programvare så eg kunne nytta den informasjonen med godt samvit. Konverteringa var ein del arbeid; i tillegg måtte eg ha ei omsetjingsordbok. Denne var først lagt automatisk ved å omsetja alle ord som fantest i båe ordbøker. For å utvida desse nytta eg au det statistiske verktøyet Giza++ saman med ReTraTos for å henta ut omsetjingar frå http://noreg.no og bokmåls- og nynorskomsetjingane av KDE4 (her køyrte eg au poterminology og poswap for å henta ut omsetjingar av «terminologi»). Men eg har nok fått mest ut av halvmanuelle metodar når det gjeld denne ordboka (skripting, emacs-makroar, …), sidan statistiske metodar ikkje gir så gode resultat på så små parallellkorpora.

Men du kjem ikkje så langt med ordbøker åleine. Det er (minst) to andre hovudproblem i maskinomsetjing:

  1. ordformer kan ha ulike tydingar
  2. ulike språk har ulik ordfølgje og bøying

For å takla det første problemet treng me i det minste ein taggar. apertium-nn-nb har to, faktisk. Først ein føringsgrammatikk, dette er ei stor mengd reglar av typen «viss ordboka seier at dette kan vera anten partisipp eller fortidsverb, og det kjem rett etter bli, ha eller vera, så er det ikkje eit fortidsverb» (med eit par andre atterhald…). Heldigvis for meg fantest det allereie ein fritt tilgjengeleg føringsgrammatikk i form av Oslo-Bergen-taggaren, denne måtte konverterast ein del for å passa inn i Apertium, men kvaliteten på systemet er svært mykje høgare enn det hadde vore om eg måtte skriva alle reglane sjølv. Eg har i tillegg utvida denne til å takla problem som han ikkje takla frå før av, slik at dei som jobbar med Oslo-Bergen-taggaren au får eit betre produkt. Etter føringsgrammatikken kjem ein statistisk taggar som tek det endelege valet etter at føringsgrammatikken har fjerna det han kan.

Problem nummer to blir løyst i transfer-modulen. Her finst reglane som sørgjer for at adjektiv og substantiv har same kjønn og tal (t.d. om me vil at «en liten jente» på bokmål skal bli «ei lita jente» på nynorsk), og meir kompliserte reglar som sørgjer for at «mannens røde bil» blir til «den raude bilen til mannen», eller at «bøker skrives» blir til «bøker blir skrivne» medan «bøker kan skrives» blir til «bøker kan skrivast». Desse reglane måtte eg skriva heilt for hand (au i XML), og dei er nok enno langt frå ferdige (prøv t.d. «bøker leses ikke»).

Det finst enno store utfordringar, t.d. har me ingen anaforoppløysing og så godt som ingen orddisambiguering (t.d. forskjellen mellom bokmålsordet ville i tydinga ha lyst til versus tydinga forville); i tillegg bør ordbøkene utvidast og det finst jo nok av ting ein kan pussa på i dei andre modulane…

Om det er andre som er interessert i å bidra til prosjektet vil eg rå dei til å sjå på http://wiki.apertium.org/wiki/Norsk, og ta kontakt med meg eller dei andre i Apertium, miljøet der er svært venleg mot nye bidragsytarar :-)

Fotnotar:

1 Dette er visst det tradisjonelle førsteversjonsnummeret i Apertium…

2 Alternativet er å prøva å først oppnå den mest korrekte lingvistiske skildringa, og så sjå kor gode maskinomsetjingsresultat det kan gi.

3 Men, litt statistikk kan involverast likevel, det er ofte lett å få tak i einspråkleg tekst.

Følg

Få alle nye innlegg levert til Innboksen din.