Biblioteka Cyfrowa KLF UW (Digital Library of the Formal Linguistics Department at the University of Warsaw)

Danielewiczowa, Magdalena

Zdunkiewicz-Jedynak, Dorota

Koniecznie-niekoniecznie. Przypadek językowej asymetrii.

Bilińska, Joanna A.

Przegl¡darka materiaªów leksykograﬁcznych
Maleks.
Podr¦cznik u»ytkownika
Joanna Bili«ska
Katedra Lingwistyki Formalnej UW
maj 2012 r.
Opisywany program i niniejsza dokumentacja zostaªy sﬁnansowane przez
grant Narz¦dzia dygitalizacji tekstów na potrzeby bada« ﬁlologicznych  grant
MNiSzW nr NN519 384036 (https://bitbucket.org/jsbien/ndt) kierowa-
ny przez Janusza S. Bienia.
W dokumentacji (i eksperymentach) wykorzystano próbk¦ okoªo 10 000
skanów ﬁszek kartoteki Sªownika j¦zyka polskiego XVII i 1. poªowy XVIII
wieku (http://sxvii.pl).
1. O programie
Przegl¡darka materiaªów leksykograﬁcznych maleks zostaªa przygotowana w Ka-
tedrze Lingwistyki Formalnej UW przez Tomasza Olejniczaka1 wedªug specyﬁkacji
Janusza S. Bienia. Zaªo»enia zostaªy przedstawione w tek±cie Janusza S. Bienia
pt. Dygitalizacja kartotek sªownikowych (w druku)2.
Program ten sªu»y do przegl¡dania i indeksowania przede wszystkim zeskanowa-
nych ﬁszek, np. sªownikowych. Mógªby by¢ tak»e wykorzystywany do pracy z biblio-
tecznymi kartami katalogowymi.
Maleks wspóªpracuje z bazami danych na zasadzie klientserwer. Kartoteka,
z której korzystaj¡ redaktorzy, musi by¢ zamieszczona lokalnie, serwer natomiast
1 https://bitbucket.org/tomek87/maleks
2 http://bc.klf.uw.edu.pl/256/
1
mo»e by¢ zdalny. Informacje o sposobie tworzenia kartoteki znajduj¡ si¦ w ¹ródªach
programu.
Rysunek 1. Okno programu maleks
Opis podstawowych elementów okna programu (por. rys. 1 na s. 2):
1. pole kwerend,
2. pole hipotez (np. z OCR),
3. pole edycji,
4. pole podpowiedzi (np. z innych sªowników),
5. wykazy (tu m.in. wykaz struktury, wykaz haseª),
6. menu programu,
7. pole komunikatów.
2. Wyszukiwanie
Aby znale¹¢ ﬁszk¦, nale»y w lewym panelu poni»ej pola kwerend wybra¢ wykaz
haseª, a nast¦pnie w polu kwerend wpisa¢ zapytanie (maªymi literami, chyba »e li-
st¦ podpowiedzi mamy z uwzgl¦dnieniem wielkich liter) i zatwierdzi¢ j¡ kombinacj¡
klawiszy Ctrl+Enter. W programie dziaªa tzw. wyszukiwanie przyrostowe (por. rys.
2 na s. 3). Oznacza to, »e program zaczyna szuka¢ sªowa w wykazie haseª ju» w mo-
mencie wpisania pierwszego znaku zapytania, nie czeka na doko«czenie wpisywania
hasªa.
W wyniku wyszukiwania program poka»e pierwsz¡ potencjaln¡ ﬁszk¦, a w polu
podpowiedzi pojawi si¦ potencjalne hasªo (np. z listy haseª w innych sªownikach).
2
Rysunek 2. Wyszukiwanie przyrostowe
3. Indeksowanie
eby zaindeksowa¢ ﬁszk¦ (por. rys. 3 na s. 4), czyli oznaczy¢, jakie hasªo si¦ na
niej znajduje, mo»na w polu edycji (drugi wiersz):
 zaakceptowa¢ podpowied¹ z innych sªowników (pojawia si¦ w polu podpowiedzi
wraz ze wskazaniem, sk¡d pochodzi)  w tym celu wpisujemy Ctrl+H,
 zaakceptowa¢ odpowied¹ z poprzednich indeksowa« (pojawia si¦ w polu podpo-
wiedzi) za pomoc¡ skrótu Ctrl+H,
 wpisa¢ hasªo samodzielnie, a nast¦pnie nacisn¡¢ Enter,
 znale¹¢ hasªo w historii (za pomoc¡ poª¡czenia Ctrl i strzaªki), a nast¦pnie
nacisn¡¢ Enter,
 zaakceptowa¢ hasªo z pola hipotez, przepisuj¡c je do pola edycji i naciskaj¡c
Enter (por. rys. 4 na s. 5).
Je±li u»ytkownik nie ma pewno±ci co do odczytania informacji z ﬁszki albo chce
z innego powodu obejrze¢ s¡siednie ﬁszki, mo»e skorzysta¢ z podgl¡du. Skrót kla-
wiaturowy Ctrl+V powoduje pojawienie si¦ maªego podgl¡du skanu ﬁszki (por. rys.
5 na s. 6), a za pomoc¡ klawiszy strzaªek w gór¦ i w dóª mo»na ogl¡da¢ kolejne
i poprzednie skany.
3
Rysunek 3. Indeksowanie
Kiedy hasªo zostaªo znalezione, za pomoc¡ Ctrl+Enter nale»y wej±¢ w list¦ hipo-
tetycznych ﬁszek. Domy±lnie nie s¡ one zaindeksowane, mimo »e znajduj¡ si¦ w za-
kresie odpowiadaj¡cym naszemu hasªu. Trzeba zaindeksowa¢ je r¦cznie, korzystaj¡c
z klawisza Enter dla ka»dej ﬁszki (z wska¹nikiem pracy, tzw. fokusem, ustawionym
w polu edycji).
4. Klonowanie ﬁszek
Je±li dana ﬁszka mogªaby zosta¢ zaindeksowana w dwojaki sposób (np. w dwóch
wariantach ortograﬁcznych), mo»na j¡ sklonowa¢ za pomoc¡ skrótu Ctrl+K. Nie
dziaªa to jednak w trakcie wyszukiwania binarnego, wi¦c nale»y je wyª¡czy¢ za
pomoc¡ skrótu Ctrl+B (po sklonowaniu trzeba wyszukiwanie wª¡czy¢ ponownie tym
samym skrótem).
Podczas klonowania nale»y okre±li¢ nast¦puj¡ce dane (por. rys. 6 na s. 7):
 hasªo oryginalne,
 hasªo aktualnej ﬁszki oryginalnej,
 hasªo aktualnej ﬁszki sklonowanej.
4
Rysunek 4. Dane z OCR w polu hipotez
5. Wykaz zadaniowy i zakªadki
Mo»liwy jest te» taki wariant pracy z programem, »e u»ytkownik sprawdza jedy-
nie zakªadki do konkretnych ﬁszek. Przykªadowo redaktor naczelny lub inna osoba
wybiera zestaw ﬁszek, oznacza je zakªadkami, a nast¦pnie zakªadki eksportuje. W ten
sposób przygotowuje wykaz zadaniowy, na którym mog¡ pracowa¢ redaktorzy. Przed
przyst¡pieniem do pracy korzysta si¦ wtedy z opcji zaªaduj wykaz zadaniowy.
Zakªadki do ﬁszek dodaje si¦ za pomoc¡ skrótu Ctrl+D. Wprawdzie program
nie wy±wietla »adnego komunikatu o wykonaniu polecenia u»ytkownika, jednak»e
poni»ej pola kwerend pojawia si¦ lista zakªadek (por. rys. 7 na s. 8). eby j¡ obejrze¢,
trzeba zmieni¢ wy±wietlanie panelu poni»ej pola kwerend z opcji wykaz haseª na
wykaz zakªadek.
6. Przykªadowy scenariusz pracy  indeksowanie
okazjonalne
Otwieramy maleks, a nast¦pnie z menu Plik wybieramy Ostatnio u»ywane,
a tam odpowiedni¡ kartotek¦. W tym momencie program informuje, »e otwiera kar-
5
Rysunek 5. Podgl¡d ﬁszki
totek¦, a po zako«czeniu operacji dostajemy komunikat, »e kartoteka zostaªa otwarta
(por. rys. 8 na s. 9).
Po otwarciu kartoteki przechodzimy do wykazu haseª i zaczynamy szuka¢ kon-
kretnego hasªa, wciskaj¡c po wpisaniu Enter.
Program pokazuje hipotetyczn¡ ﬁszk¦ wraz z podpowiedziami (por. rys. 9 na s.
10).
Najprawdopodobniej nie jest to szukana przez nas ﬁszka, wi¦c j¡ indeksujemy
zgodnie z danymi w niej zawartymi, wpisuj¡c w górnym polu odpowiednie hasªo
i wciskaj¡c Enter (por. rys. 10 na s. 11).
Program podaje komunikat, »e dana ﬁszka zostaªa zaakceptowana z podanym
przez nas hasªem (por. rys. 11 na s. 12.
Po zaindeksowaniu przez u»ytkowania ﬁszki program kontynuuje wyszukiwanie
binarne i wy±wietla kolejn¡ hipotetyczn¡ ﬁszk¦. Zapewne znów nie jest to poszukiwa-
na ﬁszka, wi¦c indeksujemy j¡ zgodnie z jej zawarto±ci¡ (por. rys. 12 na s. 13). Je±li
z jakiego± powodu wyszukiwanie binarne zostanie wyª¡czone, mo»na je przywróci¢
skrótem Ctrl+B.
Program d¡»y do znalezienia pierwszej i ostatniej ﬁszki w poszukiwanym przez
6
Rysunek 6. Klonowanie ﬁszki
nas zakresie. Dlatego te» stara si¦ zlikwidowa¢ tworz¡ce si¦ w toku indeksowania luki
na li±cie haseª. Jednocze±nie wy±wietla informacj¦, ile ﬁszek znajduje si¦ w danej
luce. Podczas indeksowania program celuje wi¦c w to miejsce, w którym zgodnie
z ukªadem alfabetycznym powinna znajdowa¢ si¦ odpowiednio pierwsza i ostatnia
poszukiwana ﬁszka.
Indeksujemy kolejne ﬁszki a» do momentu, w którym program w polu komuni-
katów poinformuje, »e wyszukiwanie zostaªo zako«czone i ile kroków to wymagaªo
(por. rys. 13 na s. 14).
W tym momencie mamy wyekscerpowan¡ grup¦ ﬁszek, z których co najmniej
pierwsza i ostatnia s¡ zaindeksowane jako ﬁszki odpowiadaj¡ce poszukiwanemu
hasªu. Nale»y wi¦c wej±¢ do podgl¡du tego przedziaªu ﬁszek (za pomoc¡ skrótu
Ctrl+Enter), obejrze¢ skany, sprawdzi¢, czy zostaªy dobrze wskazane jako odpo-
wiadaj¡ce kwerendzie i zaindeksowa¢ je r¦cznie (por. rys. 14 na s. 15).
7. Lista skrótów
Ctrl+Enter  rozpoczyna kwerend¦ w polu kwerend
Ctrl+B  wyª¡cza/przywraca wyszukiwanie binarne w polu kwerend
7
Rysunek 7. Zakªadki do ﬁszek
Ctrl+H  akceptuje podpowiedzi z innych sªowników i zapisuje je w polu edycji
Ctrl+strzaªka  wyszukuje w polu edycji hasªa z historii
Enter  akceptuje hasªo z pola edycji
Ctrl+V  wy±wietla podgl¡d ﬁszek
strzaªka góra/dóª  nawigacja w podgl¡dzie ﬁszek
Ctrl+K  klonowanie ﬁszek (nie dziaªa w trybie wyszukiwania binarnego)
Ctrl+D  dodanie zakªadki do ﬁszki
Peªna lista jest dost¦pna w samym programie w cz¦±ci menu o nazwie O programie
(por. rys. 17 na s. 18) oraz w manpage'ach programu.
Literatura
[1] Janusz S. Bie«, Dygitalizacja kartotek sªownikowych (w druku), http://bc.klf.
uw.edu.pl/256/.
[2] Witryna grantu MNiSzW nr NN519 384036, https://bitbucket.org/jsbien/
ndt.
[3] Witryna Sªownika j¦zyka polskiego XVII i 1. poªowy XVIII wieku, http://sxvii.
pl.
8
Rysunek 8. Otwarta baza
[4] Witryna przegl¡darki materiaªów leksykograﬁcznych maleks, https://bitbucket.
org/tomek87/maleks.
9
Rysunek 9. Hipotetyczna ﬁszka
10
Rysunek 10. Indeksowanie
11
Rysunek 11. Komunikat po zaindeksowaniu ﬁszki
12
Rysunek 12. Wyszukiwanie binarne
13
Rysunek 13. Koniec wyszukiwania
14
Rysunek 14. Doindeksowywanie hipotetycznych ﬁszek
15
Rysunek 15. Fiszka z hasªem w polu hipotez
16
Rysunek 16. Hipotetyczne ﬁszki
17
Rysunek 17. Fragment listy skrótów
18


Polish

Przeglądarka materiałów leksykograficznych Maleks. Podręcznik użytkownika

Bień, Janusz S.

DR
AF
T
Changes to the IMPACT project
Polish Ground-Truth texts
Janusz S. Bień
31 March 2012
1 File manipulation
1.1 Redundant ﬁles
The documents 00487409 and 00487410 (scans and XML ﬁles) has been removed
because they represent the pages already encoded (in an equivalent or better way) as re-
spectively 00487411 and 00487408 (pages 64 and 65 of Zbior rytmow …).
The documents 00436273.xml and 00436274.xml has been also removed for
the same reason (duplicated pages 138 and 139 of O cieplicach …).
2 Characters
2.1 Single occurences
⒈ 00433129.xml
Encoding «Boz̄̄ȳm» changed to «Boz̄ym», i.e. the superﬂous character COM-
BINING MACRON (0x000304) removed, cf.
⒉ 00433408.xml
Encoding «Z@ydom» changed to «Żydom», cf.
⒊ 00433461.xml
Encoding «Z$ginⱥwſzy» changed to «Źginⱥwſzy», cf.
⒋ 00436088.xml
Encoding «doſtai+» changed to «doſtaią», cf.
1
DR
AF
T
⒌ 00434014.xml
Removed OBJECT REPLACEMENT CHARACTER (0x00FFFC) occuring before
«LIUM», cf.
⒍ 00434343.xml
Removed RIGHT-TO-LEFT MARK (0x00200F) occuring in «aliàs», cf.
⒎ 00435950.xml
The character LATIN SMALL LETTER D WITH CARON (0x00010F) re-
placed by the sequence of the characters LATIN SMALL LETTER D (0x000064)
and APOSTROPHE (U+0027), cf.
⒏ 00436324.xml
Encoding «mogⱥ»» changed to «mogⱥ», i.e. the character RIGHT-POINTING
DOUBLE ANGLE QUOTATION MARK (0x0000BB) removed, cf.
⒐ 00436368.xml
The Private Use Area character 0x00F510 (LATIN SMALL LETTER R WITH
MACRON ABOVE) replaced by the sequence of the characters LATIN SMALL
LETTER R (0x000072) and COMBINING MACRON (0x000304), cf.
⒑ 00436453.xml
Encoding «zwyczàíú» changed to «zwyczàıú», i.e. LATIN SMALL LETTER
I (0x000069) replaced by LATIN SMALL LETTER DOTLESS I (U+0131),
cf.
⒒ 00436772.xml
The character CYRILLIC SMALL LETTER U WITH MACRON (0x0004EF)
replaced by the sequence of the characters LATIN SMALL LETTER Y (U+0079)
and COMBINING MACRON (0x000304), cf.
2
DR
AF
T
⒓ 00436776.xml
The Private Use Area character 0x00F509 (LATIN SMALL LETTER Q LIG-
ATED WITH FINAL ET WITH OVERLINE) replaced by the sequence of the
characters LATIN SMALL LETTER Q (0x000071), COMBINING MACRON
(0x000304) and the MUFI character LATIN SMALL LETTER ET (A76B),
cf.
The interpretation of the character has been discussed on the mailing list
of Medieval Unicode Font Initiative (http://www.mufi.info/)
on March 30, 20⒓ In particular Sebastian Kempgen explained that
the proper reading of whole word is quoque and Susana Tavares Pedro
conﬁrmed that the proposed encoding is correct and noted:
In fact, the abbreviation marks have both the same meaning:
q+macron reads ”que”; q+latin small letter et also reads ”que”.
There is no such word as ”quoqueue” so I would interpret this
as a unnecessary duplication.
⒔ 00436848.xml
The character LATIN SMALL LETTER Q WITH DIAGONAL STROKE
(0x00A759) replaced by the MUFI character LATIN SMALL LETTER Q
LIGATED WITH FINAL ET (E8BF), cf.
The interpretation of the character has been discussed on the mailing list
of Medieval Unicode Font Initiative (http://www.mufi.info/)
onMarch 30, 20⒓ At ﬁrst both Sebastian Kempgen and Susana Tavares
Pedro suggested that this is a letter q with a tiny e (the whole word being
atque), but later Sysana T. Pedro wrote:
Actually, I looked closer at the ﬁrst image you sent — because
I never saw a small e taking the place of a UE sign — and I
revised my opinion. It is a UE sign, not an e. The ink on
the print is blurred, so the lower half of the sign looks like
a blob instead of a downward curve, clockwise. The full sign
should look like a ⒊ (originally it was a semicolon; cursive
evolution aerwards caused the ligature between the top dot
and the lower comma, hence the 3-shaped sign)
She also answered my question whether encoding it as LATIN SMALL
LETTER Q LIGATED WITH FINAL ET is evidently wrong and/or
misleading:
3
DR
AF
T
No, not really. MUFI guidelines do call it LATIN SMALL
LETTER ET.
The comment adds: “used as suspension marks in a number
of contexts, e.g. for ‘et’ in ‘videlicet’, for ‘us’ in ‘quibus’, ‘om-
nibus’, for ‘ue’ in ‘neque’, ‘cumque’, for ‘m’ in ‘nam’, ‘omnem’,
for ‘est‘ in ‘prodest’, ‘interest’, etc. In the paleographical liter-
ature, it is usually described as “a sign looking like the number
3”. It is diﬃcult to ﬁnd a wholly suitable name; the name
proposed here takes the abbreviation of ‘et’ in ‘videlicet’ to be
prototypical. ”
Because of the blur, I can’t say whether is is ligated or not. A
clean example would help but I understand you have only this
one.
2.2 Multiple occurences
⒈ 2 occurences of the sequence LATIN SMALL LETTER I (0x000069) and
COMBINING GRAVE ACCENT (0x000300) changed to LATIN SMALL
LETTER I WITH GRAVE (U+00EC), namely encoding «koniowi»́ changed to
«koniowì» and «przynıòſł» by «przynìoſł», cf.
,
⒉ 2 occurences of the character LATIN SMALL LETTER SCHWA (0x000259)
changed to LATIN SMALL LETTER TURNED E (U+01DD) representing
printing error, cf.
⒊ 2 occurences of the Private Use Area character 0x00F514 (LATIN SMALL
LETTER W WITH BREVE) replaced by the sequence of the characters LATIN
SMALL LETTER W (U+0077) and COMBINING BREVE (U+0306).
⒋ 4 occurences of the Private Use Area character 0x00F511 (LATIN SMALL
LETTER S WITH MACRON ABOVE) replaced by the sequence of the char-
acters LATIN SMALL LETTER S (0x000073) and COMBINING MACRON
(0x000304).
⒌ 6 occurences of the character SPACE (0x000020) preceding COMBINING LATIN
SMALL LETTER O (0x000366) replaced by NO-BREAK SPACE (00A0) to
facilitate proper text segmentation.
⒍ 10 occurences of the Private Use Area character 0x00F501 (LATIN SMALL
LETTER C WITH MACRON ABOVE) replaced by the sequence of the charac-
ters LATIN SMALL LETTER C (0x000063) and COMBINING MACRON
(0x000304).
4
DR
AF
T
⒎ 10 occurences of the Private Use Area character 0x00F50B (LATIN SMALL
LETTER L WITH APOSTROPHE) replaced by the sequence of the characters
LATIN SMALL LETTER L (0x00006C) and APOSTROPHE (U+0027).
⒏ 11 occurences of the character BULLET (0x002022) replaced by the character
MIDDLE DOT (U+00B7).
⒐ 11 occurences of the character BULLET OPERATOR (0x002219) replaced by
the character MIDDLE DOT (U+00B7).
⒑ 14 occurences of the Private Use Area character 0x00F50A (LATIN SMALL
LETTER D WITH APOSTROPHE) replaced by the sequence of the characters
LATIN SMALL LETTER D (0x000064) and APOSTROPHE (U+0027).
⒒ 22 occurences of the Private Use Area character 0x00F50E (LATIN SMALL
LETTER Q WITH ACUTE ACCENT) replaced by the sequence of the characters
LATIN SMALL LETTER Q (0x000071) and COMBINING ACUTE ACCENT
(U+0301).
⒓ 24 occurences of the Private Use Area character 0x00F50D (LATIN SMALL
LETTER Q LIGATED WITH FINAL ET AND ACUTE ACCENT) replaced
by the sequence of the MUFI characters LATIN SMALL LETTER Q LIGATED
WITH FINAL ET (E8BF) and COMBINING ACUTE ACCENT (U+0301), cf.
e.g
(the word in the example is Actisque).
⒔ 29 occurences of the Private Use Area character 0x00F519 (LATIN SMALL
LETTER M WITH TILDE) replaced by the sequence of LATIN SMALL LET-
TER M (0x00006D) and COMBINING TILDE (U+0303), cf. e.g
⒕ 72 occurences of the Private Use Area character 0x00F516 (LATIN SMALL
LETTER Z WITH TILDE) replaced by the sequence of LATIN SMALL LET-
TER Z (0x00007A) and COMBINING TILDE (U+0303).
⒖ 120 occurences of the Private Use Area character 0x00F504 (LATIN SMALL
LETTER G WITH RING ABOVE) replaced by the sequence of LATIN SMALL
LETTER G (0x000067) and COMBINING LATIN SMALL LETTER O
(U+0366), cf. e.g
⒗ 177 occurences of the Private Use Area character 0x00F50C (LATIN SMALL
LETTER Q WITH ACUTE ACCENT ABOVE AND SEMICOLON ON THE
RIGHT) replaced by the sequence of LATIN SMALL LETTER Q (0x000071),
COMBINING ACUTE ACCENT (0x000301) and the MUFI character LATIN
ABBREVIATION SIGN SEMICOLON (F1AC), cf. e.g
5
DR
AF
T
In the example the ﬁrst occurence of the semicolon is LATIN ABBRE-
VIATION SIGN SEMICOLON (the whole word being aliusque), but
the original encoding as SEMICOLON (0x00003B) is not changed.
Disambiguation of the semicolon glyphs should be done at a later stage
with appropriate tools.
⒘ 664 occurences of the Private Use Area character 0x00F51D (LATIN SMALL
LETTER Z WITH HOOK ABOVE) replaced by the sequence of LATIN SMALL
LETTER Z (0x00007A) and COMBINING HOOK ABOVE (U+0309), cf. e.g
3 License
This note is available both on GNU Free Documentation License and on Creative Com-
mons Attribution ⒊0 License (Unported or Polska version), so it can be distributed to-
gether with the Ground-Truth data.
Acknowledgment
Besides Sebastian Kempgen and Susana Tavares Pedro already mentioned above I would
like to thank also Izabela Wiencek for the veriﬁcation of Latin abbreviations.
6


English

Changes to the IMPACT project Polish Ground-Truth texts

SpIS treścI
Dlaczego wyrażenia przysłówkowe? Wprowadzenie do tematu   .  .  .  .  .  .  .  .  .  .  .  .  .  . 9
I . Kwestie metodologiczne   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 22
1 . Rekonstrukcja znaczenia w ramach semantyki strukturalnej  .  .  .  .  .  .  .  .  .  .  . 22
1 . 1 . Strukturalizm, ale jaki?  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 22
1 . 2 . Semantyka, ale jaka?  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 29
2 . Quasi-przysłówki w opisie semantycznym – katalog zaniedbań 
i zaniechań  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 40
2 . 1 . Charakterystyki pozorowane   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 42
2 . 2 . Ujęcia niekompletne, nieadekwatne, niepoddane falsyfikacji   .  .  .  .  .  . 49
II . Metapredykaty przysłówkowe jako kategoria semantyczno-składniowa   .  .  .  . 60
1 . Rozwarstwienie wyrażeń przysłówkopodobnych  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 60
1 . 1 . Różnorodność wyrażeń quasi-przysłówkowych – rozpoznanie 
problemu   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 60
1 . 2 . Podziały quasi-przysłówków w literaturze przedmiotu  .  .  .  .  .  .  .  .  .  .  .  . 63
2 . Metapredykaty przysłówkowe wśród innych wyrażeń adwerbialnych   .  .  . 79
2 . 1 . Przysłówki metapredykatywne a zwykłe adwerbia   .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 79
2 .1 .1 . Przykłady użyć   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 79
2 .1 .2 . Cechy odróżniające   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 81
2 .1 .3 . Różne znaczenia czy różne sfery odniesienia? Polisemia, 
homonimia czy wielojednostkowość?   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 92
2 .1 .4 . Adwerbium i metapredykat – wyrażenia z różnych poziomów  
języka   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 98
2 .1 .5 . Metapredykatywność przysłówka a jego  
epistemiczny charakter  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 102
2 .1 .6 . Metapredykat przysłówkowy a operacja 
w sposób _ / w _ sposób  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  104
2 . 2 . Metapredykaty przysłówkowe a odpowiadające  
im przymiotniki   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 109
2 . 3 . Przysłówki metapredykatywne a wyrażenia metatekstowe   .  .  .  .  .  .  .  . 115
2 .3 .1 . Metapredykaty przysłówkowe a partykuły  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 115
2 .3 .1 .1 . Przypadek pierwszy: stanowczo   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 125
2 .3 .1 .2 . Przypadek drugi: koniecznie – niekoniecznie  .  .  .  .  .  .  .  .  .  .  .  .  . 132
2 .3 .2 . Metapredykatywność a parenteza   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 142
2 .3 .3 . Metapredykaty przysłówkowe i partykuły a inne rodzaje 
metakomentarzy   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 147
2 . 4 . Wyrażenia o formie przysłówka w strukturze informacyjnej 
wypowiedzeń  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 150
III . W kręgu znaczeń przysłówkowych metapredykatów atestacyjnych  .  .  .  .  .  .  .  . 163
1 . Ogólna charakterystyka klasy   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 163
1 . 1 . Kwestie merytoryczne   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 163
1 . 2 . Kwestie formalno-porządkowe  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 166
2 . Ostentacyjne jawnie   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 168
2 . 1 . Jawnie metapredykatywne i jawnie przysłówkowe w strukturze 
zdania   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 169
2 . 2 . Charakterystyki jawnie w słownikach języka polskiego   .  .  .  .  .  .  .  .  .  .  . 172
2 . 3 . Hipotezy semantyczne  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 176
2 . 4 . Reprezentacja znaczenia i jej uzasadnienie  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 184
3 . Upewniające spokojnie   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 185
3 . 1 . Spokojnie z przedmiotowego poziomu języka  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 186
3 . 2 . Metapredykat spokojnie – konteksty użycia, ujęcia 
leksykograficzne   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 188
3 . 3 . Hipotezy semantyczne  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 191
3 . 4 . Reprezentacja znaczenia i jej omówienie   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 193
4 . Banalizujące zwyczajnie   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 195
4 . 1 . Metapredykat zwyczajnie wobec swego adwerbialnego 
kontrpartnera  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 195
4 . 2 . Przysłówek, partykuła czy metapredykat?  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 197
4 . 3 . Rekonstrukcja znaczenia  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 199
4 . 4 . Reprezentacja semantyczna i jej objaśnienie   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 204
5 . Niedosłowne dosłownie   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 207
5 . 1 . Metapredykat vs . przysłówek   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 207
5 . 2 . Typowe konteksty użycia  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 208
5 . 3 . Ograniczenia selekcyjne  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 209
5 . 4 . Hipotezy semantyczne  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 213
5 . 5 . Reprezentacja znaczenia   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 219
6 . Idealizujące iście  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 220
6 . 1 . Dane historyczne   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 220
6 . 2 . Łączliwość metapredykatu iście. Hipotezy semantyczne   .  .  .  .  .  .  .  .  .  . 222
6 . 3 . Reprezentacja znaczenia i jej omówienie   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 225
7 . Antykontaminacyjne czysto  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 230
7 . 1 . Dane korpusowe i słownikowe   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 231
7 . 2 . Czysto vs . czysty. Ograniczenia łączliwości   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 234
7 . 3 . Reprezentacja semantyczna i jej uzasadnienie   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 236
8 . Domykające kompletnie   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 238
8 . 1 . Typowe konteksty użycia  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 239
8 . 2 . Łączliwość . Własności semantyczne   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 241
8 . 3 . Reprezentacja znaczenia   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 248
Słowo podsumowania   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 250
Zestawienie reprezentacji   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 252
Bibliografia   .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 254
Indeks wyrażeń wzmiankowanych, skomentowanych bądź opisanych  
w pracy  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 270
Indeks osób  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 280
Summary  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 283


W głąb specjalizacji znaczeń. Przysłówkowe metapredykaty atestacyjne

DjVu i dygitalizacja słowników
.
.. ..
.
.
DjVu i dygitalizacja słowników
Prezentacja problematyki i tematów prac magisterskich
Janusz S. Bień
Katedra Lingwistyki Formalnej (od 1.10.2003)
Wydział Neofilologii (od 1.10.1998)
Uniwersytet Warszawski (od 1.10.1969
4 grudnia 2012 r.
Instytut Informatyki UW
http://bc.klf.uw.edu.pl/323/ 1/31
DjVu i dygitalizacja słowników
Wprowadzenie
Przykładowe prace magisterskie
.
Rozbudowa pakietu oprogramowania DjVuLibre
..
.. ..
.
.
Jakub Wilk, 2008
http://bc.klf.uw.edu.pl/28/
http://jwilk.net/software/
.
Obsługa formatu PDF/A na potrzeby dygitalizacji tekstów
..
.. ..
.
.
Tomasz Olejniczak, 2012
http://bc.klf.uw.edu.pl/223/
https://bitbucket.org/tomek87/pdfautils
http://bc.klf.uw.edu.pl/323/ 2/31
DjVu i dygitalizacja słowników
Wprowadzenie
Projekty
.
Narzędzia dygitalizacji tekstów na potrzeby badań filologicznych
..
.. ..
.
.
Grant MNiSzW, 13.05.2009 - 12.05.2012
https://bitbucket.org/jsbien/ndt
Janusz S. Bień (kierownik projektu),
Joanna Bilińska, Krzysztof Szafran, Jakub Wilk,
Grzegorz Chimosz, Tomasz Olejniczak,
Michał Rudolf, Piotr Sikora.
.
IMPACT — IMproving ACcess to Text
..
.. ..
.
.
7. PR, (1.01.2008) 1.02.2010 — 31.12.2011 (30.06.2012)
http://www.digitisation.eu/tools/language-resources/historical-lexicon-polish/
http://bc.klf.uw.edu.pl/323/ 3/31
DjVu i dygitalizacja słowników
Grant MNiSzW
DjVu
.
Proponowana definicja
..
.. ..
.
.
Format i techniki
do reprezentacji dokumentów
przy pomocy warstwy graficznej i tekstowej
z metadanymi i adnotacjami
oraz do efektywnego udostępniania
tak reprezentowanych dokumentów w Internecie.
[JSB]
Warstwa tekstowa — czysty tekst w Unicode
Warstwa graficzna — wyrafinowane metody kompresji
tło (background)
zadruk (foreground) — słowniki kształtów
http://bc.klf.uw.edu.pl/323/ 4/31
DjVu i dygitalizacja słowników
Grant MNiSzW
DjVu
.
Proponowana definicja
..
.. ..
.
.
Format i techniki
do reprezentacji dokumentów
przy pomocy warstwy graficznej i tekstowej
z metadanymi i adnotacjami
oraz do efektywnego udostępniania
tak reprezentowanych dokumentów w Internecie.
[JSB]
Warstwa tekstowa — czysty tekst w Unicode
Warstwa graficzna — wyrafinowane metody kompresji
tło (background)
zadruk (foreground) — słowniki kształtów
http://bc.klf.uw.edu.pl/323/ 4/31
DjVu i dygitalizacja słowników
Grant MNiSzW
The Library 2.012 worldwide virtual conference
.
Referat — slajdy i nagranie (1 godzina)
..
.. ..
.
.
October 4, 2012, 12-13 CET
Janusz S. Bień
Scanned publications in digital libraries:
new Open Source DjVu tools
http://bc.klf.uw.edu.pl/298/
http://www.library20.com/forum/topics/
scanned-publications-in-digital-libraries-new-open-source-djvu
http://bc.klf.uw.edu.pl/323/ 5/31
DjVu i dygitalizacja słowników
Grant MNiSzW
Tworzenie dokumentów DjVu — Jakub Wilk
.
Debian i Ubuntu popularity contest (listopad 2012)
..
.. ..
.
.
pdf2djvu
Debian+Ubuntu popcon installed/votes:  35 000/1100
didjvu (minidjvu)
Debian+Ubuntu popcon installed/votes:  60/10
ocrodjvu
Debian+Ubuntu popcon installed/votes:  1 600/100
djvusmooth
Debian+Ubuntu popcon installed/votes:  1 100/110
.
Inne dystrybucje
..
.. ..
.
.openSUSE, freeBSD, MS Windows
http://bc.klf.uw.edu.pl/323/ 6/31
DjVu i dygitalizacja słowników
Grant MNiSzW
Poliqarp (for DjVu
.
Poliqarp
(Polyinterpretation Indexing Query and Retrieval Procesor)
..
.. ..
.
.
Adam Przepiórkowski (2004):
Korpus IPI PAN. Wersja wstępna
http://nlp.ipipan.waw.pl/~adamp/Papers/2004-corpus/
Adam Przepiórkowski, Aleksander Buczyński, Jakub Wilk
(2010): Ściągawka do Narodowego Korpusu Języka Polskiego
http://eprints.wbl.klf.uw.edu.pl/56/
.
Korpusy DjVu (tekstów skanowanych)
..
.. ..
.
.
Poliqarp for DjVu — serwer
marasca — klient WWW (używany obecnie także przez NKJP)
Djview for Poliqarp — klient zdalny
http://bc.klf.uw.edu.pl/323/ 7/31
DjVu i dygitalizacja słowników
Grant MNiSzW
Przykłady korpusów DjVu
http://poliqarp.wbl.klf.uw.edu.pl
.
Słownik polszczyzny XVI wieku (wychodzi od 1966 r.)
..
.. ..
.
.Ukazało sie 35 tomów (A do ROWNY), razem około 19 000 stron
.
Korpus tekstów wzorcowych projektu IMPACT
..
.. ..
.
.Prawie 5 000 stron tekstów z lat 1570–1756
.
Słownik Lindego
..
.. ..
.
.
Pierwsze wydanie 1807–1814, drugie wydanie 1854-1861,
reprinty drugiego wydania w 1951 i 1994-1995,
razem około 4 500 stron.
http://bc.klf.uw.edu.pl/323/ 8/31
DjVu i dygitalizacja słowników
Grant MNiSzW
Przykład kwerendy — korpus IMPACT
http://bc.klf.uw.edu.pl/323/ 9/31
DjVu i dygitalizacja słowników
Grant MNiSzW
Korpusy DjVu i Unicode
http://bc.klf.uw.edu.pl/323/ 10/31
DjVu i dygitalizacja słowników
Grant MNiSzW
Przeglądarka fiszek słownikowych
http://bc.klf.uw.edu.pl/323/ 11/31
DjVu i dygitalizacja słowników
Grant MNiSzW
Repozytorium Cyfrowe Instytutów Naukowych
http://bc.klf.uw.edu.pl/323/ 12/31
DjVu i dygitalizacja słowników
Grant MNiSzW
Analiza kształtów zadruku
.
Eksperymentalne narzędzia (system GNU/Linux)
..
.. ..
.
.
Lokalna przeglądarka kształtów wspólnych
Narzędzia typu klient-serwer
eksporter
etykieciarka
.
Potencjalne zastosowania
..
.. ..
.
.
Odczytywanie niewyraźnych fragmentów tekstów
Transkrypcja tekstów (tworzenie tekstów wzorcowych)
Trenowanie programów optycznego rozpoznawania znaków
http://bc.klf.uw.edu.pl/323/ 13/31
DjVu i dygitalizacja słowników
Grant MNiSzW
Lokalna przeglądarka kształtów
.
Wykaz wystąpień kształtów podobnych do litery C
..
.. ..
.
.
http://bc.klf.uw.edu.pl/323/ 14/31
DjVu i dygitalizacja słowników
Grant MNiSzW
Analiza kształtów
.
Hierarchia kształtów litery c z „zabłąkaną” literą e
..
.. ..
.
.
http://bc.klf.uw.edu.pl/323/ 15/31
DjVu i dygitalizacja słowników
Grant MNiSzW
Analiza kształtów
.
Eliminacja „zabłąkanej” litery e
..
.. ..
.
.
http://bc.klf.uw.edu.pl/323/ 16/31
DjVu i dygitalizacja słowników
Grant MNiSzW
Edycja hOCR
.
The hOCR Embedded OCR Workflow and Output Format (HTML)
..
.. ..
.
.
http://bc.klf.uw.edu.pl/323/ 17/31
DjVu i dygitalizacja słowników
Słownik Lindego
Słownik Lindego (1807-1814 [2. wyd. 1854-1861])
http://bc.klf.uw.edu.pl/323/ 18/31
DjVu i dygitalizacja słowników
Słownik Lindego
Indeks a tergo do słownika Lindego
http://bc.klf.uw.edu.pl/323/ 19/31
DjVu i dygitalizacja słowników
Słownik Lindego
Dotychczasowe wyniki
.
Dygitalizacje
..
.. ..
.
.
http://poliqarp.wbl.klf.uw.edu.pl/slownik-lindego/
http://eprints.wbl.klf.uw.edu.pl/view/creators/Linde=3ASamuel_Bogumi==0142=3A=3A.html
http://eprints.wbl.klf.uw.edu.pl/61/
.
Publikacje
..
.
. ..
.
.
Joanna Bilińska, Describing Linde’s Dictionary of Polish for
Digitalisation Purposes. In: Electronic lexicography in the 21st
century: new applications for new users (eLEX2011),
10-12.11.2011, Bled, Slovenia, http://bc.klf.uw.edu.pl/216/
Joanna Bilińska, Составление перечня сокращенных названий
языко в в рамках проекта дигитализации «Словаря польского
языка» С.Б.Линде Информационные технологии и письменное
наследие, El’Manuscript-12, Petrozawodsk (Rosja), 3-8 września
2012 r., http://bc.klf.uw.edu.pl/301/
http://bc.klf.uw.edu.pl/323/ 20/31
DjVu i dygitalizacja słowników
Otwarte problemy
Półautomatyczna analiza układu stron słownikowych
http://citeseerx.ist.psu.edu/viewdoc/summary?
doi=10.1.1.1.9099
Stochastic Language Models for Style-Directed Layout Analysis of
Document Images (2003)
by Tapas Kanungo , Song Mao
We demonstrate the segmentation algorithm on images of bilingual
dictionaries.
http://bc.klf.uw.edu.pl/323/ 21/31
DjVu i dygitalizacja słowników
Otwarte problemy
Półautomatyczna analiza układu stron słownikowych
ParaDIIT: Pattern Redundancy Analysis
for Document Image Indexation and Transcription
http://bc.klf.uw.edu.pl/323/ 22/31
DjVu i dygitalizacja słowników
Otwarte problemy
Półautomatyczna analiza układu stron słownikowych
Jakub Wilk:
Gamera (http://gamera.informatik.hsnr.de/)
gamera.core.init_gamera()
def descr(image):
return '%d,%d+%d,%d' % (image.offset_x, image.offset_y, image.ncols, image.nrows)
for filename in sys.argv[1:]:
try:
root, _ = os.path.splitext(filename)
orig_image = gamera.core.load_image(filename)
image = orig_image.otsu_threshold()
cutting = image.projection_cutting(0, 0, 10)
[image] = [i for i in cutting if i.nrows > 500]
cutting = image.projection_cutting(10, 1500, 30)
[l, r] = [i for i in cutting if i.ncols > 500]
except Exception, ex:
print filename, ex
else:
l = gamera.core.SubImage(orig_image, l.ul, l.lr)
r = gamera.core.SubImage(orig_image, r.ul, r.lr)
print filename, descr(l), descr(r)
l.save_PNG(root + 'l.png')
r.save_PNG(root + 'r.png')
sys.stdout.flush()
Ocropus (http://code.google.com/p/ocropus/)
http://bc.klf.uw.edu.pl/323/ 23/31
DjVu i dygitalizacja słowników
Otwarte problemy
Półautomatyczna analiza układu stron słownikowych
pdfminer (http://www.unixuser.org/~euske/python/pdfminer)
T. Olejniczak (https://bitbucket.org/tomek87/pdfautils)
http://bc.klf.uw.edu.pl/323/ 24/31
DjVu i dygitalizacja słowników
Otwarte problemy
Półautomatyczna analiza układu stron słownikowych
Przykład praktycznego wykorzystania:
http://doroszewski.pwn.pl/haslo/tam-tam/
http://bc.klf.uw.edu.pl/323/ 25/31
DjVu i dygitalizacja słowników
Otwarte problemy
Wykorzystanie Wikiźródeł do transkrypcji
i trenowania programów OCR
http://bc.klf.uw.edu.pl/323/ 26/31
DjVu i dygitalizacja słowników
Otwarte problemy
Wykorzystanie Wikiźródeł do transkrypcji
i trenowania programów OCR
http://bc.klf.uw.edu.pl/323/ 27/31
DjVu i dygitalizacja słowników
Otwarte problemy
Trenowania i wykorzystanie programów OCR
dla tekstów wielojęzycznych
http://bc.klf.uw.edu.pl/323/ 28/31
DjVu i dygitalizacja słowników
Otwarte problemy
Trenowania i wykorzystanie programów OCR
dla tekstów wielojęzycznych
http://bc.klf.uw.edu.pl/323/ 29/31
DjVu i dygitalizacja słowników
Otwarte problemy
Zajęcia w semestrze letnim
Podstawowe jednostki tekstów elektronicznych
1000-2M12PJT, wykład z ćwiczeniami, wtorki 8.30-12.00
Banacha 2
Narzędzia dygitalizacji tekstów
3322-NDT-OG, konwersatorium, czwartki 8.00-9.30, Dobra 55
Grafemika i paleologia cyfrowa
3322-TUG-OG, konwersatorium, czwartki 9.45-11.15, Dobra 55
LaTEX jako przykład komputerowych narzędzi autora
3322-LTX-OG, konwersatorium, środa 8.00-9.30, Dobra 55
Zaawansowane wykorzystanie dokumentów elektronicznych
PDF i DjVu
3322-PDF-OG, konwersatorium, środa 9.45-11.15, Dobra 55
Korpusy dawnych tekstów polskich
3322-KORP-OG, konwersatorium, środa 9.45-11.15, Dobra 55
http://bc.klf.uw.edu.pl/323/ 30/31
DjVu i dygitalizacja słowników
Otwarte problemy
Kontakt
jsbien@uw.edu.pl
jsbien@mimuw.edu.pl
nmpt-ann@mimuw.edu.pl
http://lists.mimuw.edu.pl/listinfo/nmpt-ann
nmpt-l@mimuw.edu.pl
http://lists.mimuw.edu.pl/listinfo/nmpt-l
http://bc.klf.uw.edu.pl/323/ 31/31


DjVu i dygitalizacja słowników. Prezentacja problematyki i tematów prac magisterskich

Dziedzictwo Ferdynanda de Saussure’a w jednym z nurtów polskiej semantyki

  
 
 
 
 
Technical deliverable documentation 
D-EE3.13 Proof of Concept Historical Lexicon for Polish | EE3  
 
 
Document history 
Revisions 
Version Status Author Date Changes 
0.1 Draft Janusz Bien 11 December 2011 Initial version 
1.0 Final “ 20 January 2012 Final approved version delivered 
Approvals 
Version Date of approval Name Role in project Signature 
0.1 19 January 2012 Katrien Depuydt WP EE3 leader OK 
1.0 23 March 2012 Max Kaiser SP EE leader OK 
1.0 23 March 2012 Hildelies Balk Project Director OK 
Distribution 
Version Date of sending Name Role in project 
0.1 12 December 2011 Katrien Depuydt WP EE3 leader 
1.0 23 January 2012 Max Kaiser, Hildelies Balk SP EE leader, Project Director 
1.0 6 April 2012 Liina Munari EC Project Officer 
 
IMPACT is supported by the European Community under the FP7 ICT Work Programme. The project is coordinated by the National Library of the Netherlands 
 D-EE3.13 Proof of Concept Historical Lexicon for Polish, version 1.0, 20 January 2012 page 2/4 
IMPACT – Technical deliverable documentation 
D-EE3.13 Proof of Concept Historical Lexicon for Polish 
 
1. Partner 
UWAR 
 
2. Deliverable 
D-EE3.13 (Polish part) 
 
3. Background 
The electronic resources concerning Polish historical texts are, with a one notable exception, practically nonexistent, 
as the researches still concentrate on printed transcribed critical editions. The exception is so called Late Middle 
Polish Dictionary, the official name being "the dictionary of Polish language of 17th and the first half of 18th century". 
This is a work in progress being prepared in the Institute of Polish Language of Polish Academy of Sciences, since 
2004 developed in the electronic form, maintained as a Postgress database and published in the form of 
continuously updated web site (http://sxvii.pl/). A snapshot of the database has been kindly provided by the Institute 
for the use in the IMPACT project. The snapshot contained in particular 13 556 entries in various stages of 
elaboration (only 214 considered finished), 30 193 inflexional forms and 44 861 quotations from 761 sources. 
Inflexional forms are in modern spelling, assigned to the appropriate lemmata and tagged with the grammatical 
categories. Some of the sources of quotation are late editions with modernized spelling and some are the original 
works; in consequence some quotations are in modern spelling and some in the spelling close to the original one (for 
technical reasons ligatures has been replaced by appropriate letters etc.). The quotations has been processed using 
INL Attestation Tool. 
 
As Polish language, like other Slavonic language, has rich inflexion, there has been several approaches to the 
problem of automatic morphological analysis of contemporary Polish texts. For the IMPACT project two of such 
resources has been used. The first one is the SAM morphological analyser by Krzysztof Szafran which is based on 
the so called "Schematic index a tergo of Polish wordforms" (cf. e.g. http://bc.klf.uw.edu.pl/87/). Optionally the 
analyser can consult the entry list of so called Early Modern Polish dictionary (official title just "Dictionary of Polish 
language", edited by W. Doroszewski) which covers the period since the second half of 18th century to the first half of 
20th century. The second resource used is the relatively recent Morfeusz SGJP morphological analyser, which 
provides in particular 5 086 141 inflexional forms with grammatical information. 
 
A very important source of information about historical Polish language is the monumental dictionary of Samuel 
Linde, published in 1807-1814, as it was the first Polish dictionary aiming at documenting the language actually used 
in texts. Using the dictionary directly was not possible for technical and economical reasons (the dictionary is 
extremely difficult to OCR), so we focused on an index a tergo published in 1965. Digitalizing it seemed an easy task 
but it was not. Nevertheless after semi-automatic validation and manual proof-reading a quite reliable list of about 80 
000 of entries has been obtained, which was supplemented by grammatical information using the analysers 
mentioned above. 
 
 
IMPACT is supported by the European Community under the FP7 ICT Work Programme. The project is coordinated by the National Library of the Netherlands 
 D-EE3.13 Proof of Concept Historical Lexicon for Polish, version 1.0, 20 January 2012 page 3/4 
We have been using also a resource specific to the IMPACT project, namely the ground-truth texts, which 
unfortunately became available quite late. The first part of GT consists of 4094 pages from 8 volumes (including a 
famous and important 18th century encyclopedia in 4 parts) published in years 1617-1756. The second part consists 
of 599 pages coming from 25 news pamphlets with the size ranging from 6 to 32 pages published in years 1570 to 
1728. For IR evaluation purposes a subset of the text has been processed with INL Lexicon Tool. 
 
It should be noted that many texts are printed in Fracture fonts (extended of course with additional letters needed for 
Polish) while using Roman font for Latin quotations. 
 
Using for historical data the morphological analysers designed for modern texts required taking into account the 
spelling variations and getting rid of ligatures. A simple formalism based on regular expressions has been designed 
and a set of over hundred rules has been prepared. Many of them are quite obvious, e.g. replacing the old form of 
letters like long s by modern ones. Some of them required good insight into the history of Polish language, they have 
been written by the historical linguist being a member of the team. The rules took into account the scarce literature 
on the subject and has been tested on the GT data. 
 
4. Outline of functionality 
The OCR lexicon consists of about 112.000  words from the quotations in the Late Middle Polish dictionary and over 
200 000 words from all the GT texts. 
 
File Description 
OCRLexicon/IMPACT_PSNC_GT_final_freqlist_ligs.txt Frequency list of IMPACT ground truth material for Polish 
OCRLexicon/PolishOcrLexicon.evaluationVersion.txt Polish OCR lexicon, version used in the evaluation 
quotations_17v.tf Frequency list of words in quotation text in the dictionary 
of Polish language of 17th and the first half of 18th 
century 
 
The main IR lexicon based on the dictionary of the XVII century, converted to impact database structure and also as 
an XML export from that database. 
 
File Description 
IRLexicon/polishAttestationLexicon.tei.xml.gz XML (TEI p5) version of the polish IR lexicon 
IRLexicon/polishAttestationLexicon.sql.gz SQL dump of the IR lexicon database 
 
The IR evaluation sets are databases in impact Lexicon consisting of a full lemmatization of about 10.000 tokens 
chosen by a random selection from the evaluation part of the IMPACT polish ground truth set. 
 
File Description 
PolishIRSet1.sql Random choice of pages from GT set (emphasizing material before 1700) 
PolishIRSet2.sql Random choice of pages from GT set (material  from Nowe Ateny, 18th century) 
PolishIRSet1.tei.xml XML version of PolishIRSet1.sql 
PolishIRSet2.tei.xml XML version of PolishIRSet2.sql 
 
IMPACT is supported by the European Community under the FP7 ICT Work Programme. The project is coordinated by the National Library of the Netherlands 
  
IMPACT is supported by the European Community under the FP7 ICT Work Programme. The project is coordinated by the National Library of the Netherlands 
D-EE3.13 Proof of Concept Historical Lexicon for Polish, version 1.0, 20 January 2012 page 4/4 
The spelling variation rules (subdirectory Spelling) consist of the rules proper in the file podstawienia2.csv and the 
exceptions in the file stoplisty1.txt. The syntax is described briefly in the file rules_syntax.txt. For testing purposes a 
Python script is provided in the file normalize.py. It should be used in the following way: 
 
Usage: normalize.py [OPTIONS] RULES_FILE INPUT_FILE OUTPUT_FILE 
 
Options: 
  --version             show program's version number and exit 
  -h, --help            show this help message and exit 
  -f, --frequency-list  input file is frequency list 
  -v, --verbose         print information about normalized words 
  -e EXCEPTIONS, --exceptions=EXCEPTIONS 
                        exception file 
  -s SEPARATOR, --separator=SEPARATOR 
                        CSV separator 
 
Material pertaining to the index of the Linde dictionary  
 
The main file containing the digitized form of the index a tergo of Linde dictionary entries is Linde/iLinde_f2.txt. The 
file format is documented in Documentation/ iLinde_format.txt. 
The Linde's dictionary entries, with the part of speech information and other grammatical information added 
automatically. The file Linde/iLinde_Morfeusz.txt contains 40 997 entries recognized by Morfeusz analyzer; although 
oriented towards the modern vocabulary, this analyser has a very good coverage of proper names.  The file 
Linde/Linde_SAManal.txt contains 36 554 entries recognized by the SAM analyser working in so called exact mode, 
i.e. accepting only the lemma attested by the Late Modern Polish dictionary (the dictionary does not contain proper 
names). The grammatical information is in a compact format used in the printed version of "Schematic index a tergo 
of Polish wordforms". The file Linde/iLinde_SAMguesses.txt contains hypothetical grammatical information based on 
the rules of the schematic index provide for almost 40 000 entries. 
Information about the part of speech encoding in the SAM output can be found in the report Documentation/ 
tr226.pdf. 
 
5. Evaluation 
The technical evaluation of the lexicon has been done by INL. The scientific evaluation is to be found in Use of 
computational lexica for OCR and IR on historical documents - a cross-language perspective (D-EE 2.8).  
 
6. License and IPR protection 
The intention is to make all data freely available, but for distributing the resources derived from the Late Middle 
Polish dictionary the explicit permission of the Institute of Polish Language of Polish Academy of Sciences should be 
obtained, as the current agreement covers only their use in the IMPACT project. Distribution of resources derived 
from Morfeusz and SAM analyser should adhere respectively to their licenses. 
The spelling variation rules resources should be considered as copyrighted by the University of Warsaw and 
released on the GNU General Public License. 


Proof of Concept Historical Lexicon for Polish

Słownik Lindego był niezależnie dygitalizowany i udostępniany przez

różne instytucje na różne sposoby, m.in przez Kujawsko-Pomorską

Bibliotekę Cyfrową, Polską Bibliotekę Internetową i Google. Z reguły

do tekstu słownika stosowano automatyczne rozpoznawanie znaków, ale

nie przeprowadzano korekty wyników - jest to tzw. brudny OCR (Optical

Character Recognition). Dygitalizacja drugiego wydania słownika

wykonana w Katedrze Lingwistyki Formalnej UW i udostępniona pod

adresem http://poliqarp.klf.uw.edu.pl/slownik-lindego wprawdzie się

pod tym względem nie różni, jednakże dostępna tam wyszukiwarka

leksykograficzna ma pewne pożyteczne funkcje niedostępne gdzie

indziej, które zostaną przedstawione w referacie

Słownik Lindego jako korpus
GUTENBERG-PRINT 1994-1995 — reprint drugiego wydania 1854-1861
(optyczne rozpoznawanie znaków tylko dla języka polskiego, bez korekty)
Katedra Lingwistyki Formalnej Uniwersytetu Warszawskiego:
http://poliqarp.wbl.klf.uw.edu.pl/slownik-lindego/
Wymagana przeglądarka WWW z wtyczką DjVu i/lub program djview4poliqarp:
http://djvu.pl/download.php,
https://bitbucket.org/mrudolf/djview-poliqarp/downloads
W ustawieniach należy wybrać eksperymentalne konkordancje graficzne:
Klikając na numer trafienia, uzyskujemy dodatkowe informacje i możliwość przejścia do widoku trafienia
w kontekście całej strony.
Wyniki tej samej kwerendy uzyskane za pomocą djview4poliqarp:
Postać kwerend:
dwupoziomowe wyrażenia regularne (jak w Narodowym Korpusie Języka Polskiego).
Ważniejsze modyfikatory wyrażeń regularnych:
i (nieodróżnianie małych i dużych liter), x (fragment słowa).
Możliwe wartości parametru within:
vol1, vol2,vol3, vol4, vol5, vol6, vol6part1, vol6part2 (poszczególne tomy i woluminy),
body (hasła i poprawki do nich), errata (poprawki do haseł), intro (informacje wstępne), info
(inne teksty informacyjne), varia (dedykacje, listy subskrybentów), front (tytularia i inne materiały
wstępne), back (teksty następujące po części hasłowej).
Przykłady kwerend:
broda/x broda/i Broda BRODA Dan "\." within body
"[Bb]roda" broda.* .*broda Dan | Dun po/i (.*cku|.*sku)
Więcej informacji m.in. w http://bc.klf.uw.edu.pl/201/ i http://bc.klf.uw.edu.pl/301/.
J. S. Bień, J. Bilińska, 19-20.11.2012 (konferencja Bibliotheca Lindiana, BUW, Warszawa)


University of Warsaw

Not a member yet