Språkbanken under åren Verksamhet och budget. Reviderad version, 16 januari 2004

Transkript

1 Språkbanken under åren Verksamhet och budget. Reviderad version, 16 januari 2004 Här följer ett förslag till treårsbudget för Språkbanken avseende åren Förslaget har författats av Lars Borin, föreståndare för Språkbanken, under medverkan av Jerker Järborg, Torgny Rasmark, Rudolf Rydstedt, Karin Warmenius och Martin Gellerstam. I bilagorna ges en verksamhetsöversikt för budgetperioden fram t.o.m (bilaga 2) samt en verksamhetsplanering för treårsperioden (bilaga 3). Både översikt och planering är strukturerade enligt den principskiss över Språkbankens verksamhet som återges i bilaga 1. Personal enligt förslaget Lars Borin, 50 %, föreståndare, professor i Språkvetenskaplig databehandling: strategisk planering av verksamheten; ledning av forskning om och utveckling av språkteknologiska korpushanteringsverktyg; formulering av avtal; samordning med språkteknologisk forskning och utbildning vid fakulteten, vid universitetet, nationellt och internationellt; presentation av Språkbankens verksamhet; svar på frågor (via e-post) från Språkbankens användare; m.m. Torgny Rasmark, 100 %, systemerare, datalingvist: underhåll av Språkbankens material och söksystem; utveckling av Språkbankens nya söksystem och dess gränssnitt; insamling av nytt korpusmaterial; annotering av korpusar; uppdrag för Språkbankens användare; svar på frågor (via e-post) från Språkbankens användare; egen kompetensutveckling. Karin Warmenius, 100 %, systemerare, datalingvist: underhåll av Språkbankens material och söksystem; utveckling av Språkbankens nya söksystem och dess gränssnitt; service mot fakulteten; uppbyggnad av system för länkade korpusar; elektroniska textutgåvor; egen kompetensutveckling. Systemerare NN, 100 %: utveckling av Språkbankens nya söksystem och dess gränssnitt; utveckling av nya annoteringsverktyg; insamling av populärvetenskapliga texter, undervisningstexter; annotering av korpusar; arbete med läromaterial och läroapplikationer; uppdrag för Språkbankens användare; egen kompetensutveckling. För extra IT-stöd finns också en IT-ansvarig och en IT-samordnare (se nedan).

2 Språkbanksbudget (4) Budgetförslag för treårsperioden Kostnader år 2004 Löner lönekostnad 1. Lars Borin 50 % Torgny Rasmark 100 % Karin Warmenius 100 % systemerare NN 100 % Summa löner: Övrigt 5. Ersättning till upphovsrättsinnehavare Resor Programvara och datalitteratur Övriga datorkostnader Summa övrigt: Summa löner + övrigt Serverkostnader (5,6 % av Summa löner + övrigt ) Inst.-gemensamma kostnader (5 % av Summa löner + övrigt ) Extra IT-stöd Summa kostnader: år % år % Totalt : Kommentarer till kostnaderna Kostnaderna för driften av Språkbanken har rent allmänt stigit av flera skäl, varav det viktigaste är att lönerna för institutionens systemerare har höjts ordentligt under den senaste tvåårsperioden, samt att Karin Warmenius nu är tänkt att arbeta heltid i Språkbanken (mot tidigare 75 %). Den stora skillnaden i förhållande till föregående budget (enligt SPRÅKBANKEN. Kompletterande ansökan för år 2003, ingiven den 2/ ) är dock att medel för ytterligare en systemerarresurs äskas (budgetpost 4). Denna resurs utgör i budgeten i kronor räknat : under 2004 (lönekostnader plus sammanlagt 10,6 % påslag för kringkostnader enligt posterna 9 och 10 samt : i kostnader för extra IT-stöd enligt post 11). Utan budgetpost 4 hamnar de budgeterade kostnaderna för 2004 således på : Det torde framgå av verksamhetsbeskrivningen i bilaga 2 och verksamhetsplanen i bilaga 3 att Språkbanken är underbemannad i förhållande till vad vi förväntas åstadkomma. Vi kan upprätthålla nuvarande verksamhet med de två befintliga systemerarna, inklusive en viss men långsam utveckling av det nya korpussöksystemet. Däremot krävs en utökning i form av ytterligare en systemutvecklare, ifall vi vill uppfylla de

3 Språkbanksbudget (4) utvecklingsmål som anges i verksamhetsplanen. För att vi i längden ska kunna samverka på önskat sätt med institution, fakultet, forskare och allmänhet krävs mer resurser. I dagsläget försummas i praktiken bland annat den kompetensutveckling som behövs för att Språkbanken ska kunna upprätthålla den unika kompetens och stabilitet som nämns i verksamhetsbeskrivningen. Post 5 är ny i förhållande till föregående budget, och föranleds främst av pågående förhandlingar med representanter för författare och översättare av romaner i det parallella materialet. Det har gjorts klart att ersättning för materialets användning i Språkbanken kommer att krävas, men storleksordningen är inte bestämd. Post 5 är således en grov skattning. För tydlighetens skull skall nämnas att post 9 inte avser större investeringar i hårdvara, ex.-vis inköp av servrar, utan enbart gäller löpande underhåll, serviceavtal, smärre nödvändiga uppgraderingar o.dyl. För större inköp söks generellt externa medel. Posterna 9, 10 och 11 som är nya i förhållande till föregående budget innebär inga nytillkomna kostnader, utan enbart ett synliggörande av kostnader som alltid har funnits. I posten extra IT-stöd (post 11) ingår dels allmänt IT-stöd (som köps från Humfaks dataservice; f.n. Gunnar Dahlström, 6 % av heltid), dels IT-samordning för de språkteknologiska verksamheterna inom institutionen (f.n. Rudolf Rydstedt, 15 % av heltid). Posten beräknas som 6 % IT-stöd per heltidsanställd i Språkbanken, med fördelningen 2/7 allmänt IT-stöd (c:a 1,7 % per heltidsanställd) samt 5/7 IT-samordning (c:a 4,3 % per heltidsanställd), och bygger ytterst på en uppskattning av det totala omfånget av språkteknologisk verksamhet vid institutionen (Språkbanken, Språkdata och de språkteknologiska projekten). Denna post avspeglar ett reellt behov dels av förhållandevis mer allmänt IT-stöd i de språkteknologiska projekten än i annan verksamhet, dels mer samordnat utnyttjande av språkteknologiresurser och systemmannaresurser så att systemmannagruppens kompetens används och utvecklas på bästa sätt. För åren 2005 och 2006 sker en uppräkning av budgeten med 4 % årligen, främst för att parera för en förutspådd konjunkturuppgång i IT-branchen, som är konkurrenten om personal med systemerarkompetens. Intäkter Språkbanken har även en intäktssida, men det är inte alltid klart definierat huruvida en viss intäkt ska räknas såsom hörande till Språkbanken eller inte. Därför redovisas intäkter på detta sätt. (1) Institutionen betalar Språkbanken för rådgivning av doktorander vid institutionen i användning av Språkbankens resurser. Omfattningen varierar naturligt nog med antal doktorander och forskningsfrågornas karaktär. På samma sätt ska vi ta betalt för rådgivning åt fakultetens doktorander, vilket åtminstone under 2003 i huvudsak gällt verksamhet inom SALT-projektet (se nästa punkt). Rent allmänt kan man dock säga att vi inte har varit tillräckligt noggranna med att fakturera inom institution och fakultet, utan sannolikt bjudit på en del rådgivning under den gångna budgetperioden.

4 Språkbanksbudget (4) (2) En del av Karin Warmenius anställning har under den gångna budgetperioden täckts av SALT-projektet (25 % under 2002 och 10 % under 2003). Under 2003 har Karin Warmenius hjälpt fem av fakultetens doktorander med deras parallellkorpusbaserade forskningsmaterial. I och med att SALT-projektpengarna nu är slut, finns inte denna möjlighet att finansiera en del av hennes anställning. Målet bör vara att även fortsättningsvis en del av hennes anställning ska kunna finansieras på liknande sätt, genom att ordinarie medel för doktorandrådgivning används för detta, men detta är på intet vis säkerställt i nuläget. (3) F.n. har vi beviljats utvecklingsmedel för grundutbildningen som täcker en månads arbete för Karin Warmenius, där hon i samarbete med lärare ska utarbeta en lärarhandledning för språkbanksanvändning (se bilaga 3, avsnitt 4). (4) Det är rimligt att räkna även våra uppdrag att digitalisera vissa (främst litterära) textmaterial som språkbanksaktiviteter. Under 2003 har den pågående digitaliseringen av Strindbergs samlade verk inbringat drygt kronor och motsvarande arbete med Almqvists samlade verk ungefär :. Med undantag för några få arbetstimmar som Torgny Rasmark har lagt på Strindbergprojektet, har dock arbetet utförts av andra än Språkbankens ordinarie systemmän, nämligen av Dimitrios Kokkinakis (20 % i Strindbergsprojektet 2003) och Daniel Berg, och åtagandena har i princip inte gett något överskott, utan intäkterna har betalat för deras arbete. Under 2004 och 2005 kommer Språkbanken att få c:a 50 % av en systemeraranställning (Daniel Berg) genom ett liknande digitaliseringsprojekt, Litteraturbanken, finansierat av RBJ och samordnat av Svenska Akademien. I alla tre fallen handlar det för Språkbankens del i stort sett uteslutande om att nytt textmaterial kommer till och tillgängliggörs, men inte om (system)utveckling av själva språkbanksmiljön. Ungefär en månad av Torgny Rasmarks tid under 2004 kommer att tas i anspråk för och betalas av NorFA-projektet Färöisk textkorpus. (5) Viss licensiering för kommersiell användning av maskinläsbara material, främst ordlistor av olika slag, har också med oregelbundna mellanrum gett (små) intäkter till Språkbanken. Typiskt handlar det om några tusental kronor per tillfälle. Uppdrag som de under punkt (4) har hamnat hos Språkbanken eftersom projektägarna känner förtroende för vår förmåga att klara av dem. Sådana projekt betyder framför allt att nya material kan göras åtkomliga genom Språkbanken, och är viktiga för vårt allmänna anseende, och också därför att vi tack vare dem kan ha fler systemmän i huset (som i viss mån kan fungera som backuper ifall t.ex. någon av de andra systemerarna skulle falla ifrån) men dessa projekt innebär inte någon egentlig (ny)utveckling av ex.-vis bearbetningsformer och annoteringar enligt vad som förutses i verksamhetsplanens avsnitt 2 (bilaga 3). Sådan utveckling måste göras med särskilda medel. Sammanfattningsvis vet vi således i nuläget att för år 2004 c:a 2 månader systemerartid i kostnadsbudgeten ovan (se posterna 2 4) kommer att kunna täckas av andra medel än språkbanksanslaget.

5 Bilaga 1 SPRÅKBANKEN Principskiss över verksamheten 1 Insamling/inläsning/underhåll och lagring (uppdrag) (materialstruktur) (språkform) 1.1 egna uppdrag 1.(a) enspråkiga material 1.(i) nusv. skriftspråk 1.2 beställda uppdrag 1.(b) flerspråkiga material 1.(ii) övrigt 2 Utvecklingsarbete 2.1 system/verktyg 2.2 material metadata ( header etc.) ordklasstaggning länkning övrig annotation 2.3 specialutveckling (enligt beställda uppdrag) 3 Tillhandahållande (användare) (typ) (användning) 3.1 enskilda forskare 3.(a) material 3.(i) inspektion 3.2 institutionen 3.(b) verktyg 3.(ii) bearbetning 3.3 fakulteten 3.(iii) nerladdning 3.4 universiteten m.m. 3.5 allmänheten 4 Samverkan 4.1 med institutionen (inklusive dess forskarstuderande) 4.2 med fakulteten (projekt, forskarstuderande, m.fl.) 4.3 med universiteten (samt myndigheter, skolor m.m.) 4.4 med allmänheten (privatpersoner, företag, etc.) 5 Strategisk planering (nya projekt) 5.1 egna projekt 5.2 externa projekt 6 Organisation 6.1 personal (personer, uppgifter, fortbildning) 6.2 mjukvara 6.3 hårdvara 7 Ekonomi

6

7 Bilaga 2 SPRÅKBANKEN Verksamhet till och med 2003 Bakgrund Språkbanken är formellt knuten till institutionen för svenska språket men har ursprungligen haft ett nationellt uppdrag att samla in, bearbeta och lagra texter samt erbjuda språkliga data till intresserade användare, alltså i första hand språkforskare men med tiden också i allt större utsträckning allmänheten. Genom Språkbankens försorg har dessa användare sedan 1970-talet kunnat få systematisk tillgång till språkliga och i viss mån statistiska data ur svenska texter av olika slag. Utnyttjandet av Språkbankens resurser har varit kostnadsfritt. Språkbanken uppfattas fortfarande i mångt och mycket som en nationell resurs, ex.-vis i betänkandet Mål i mun. Förslag till handlingsprogram för svenska språket (SOU 2002:27). Språkbanken besitter idag en i Sverige unik och svårersättlig kombination av kompetens inom områdena svenska textkorpusar, parallella (tvåspråkiga) textkorpusar, svenska maskinlexikon, samt språkteknologiska verktyg för korpushantering, korpusannotation och korpuspresentation, inom en stabil organisation med resurser att kontinuerligt underhålla och tillhandahålla språkliga material i elektronisk form. 1 Insamling/inläsning/underhåll och lagring I Språkbankens ursprungliga uppdrag ingick att på eget initiativ insamla, lagra och tillhandahålla nusvenskt skriftspråk, i praktiken vanligen tidningsspråk, kompletterat med skönlitteratur m.m. Också andra typer av material insamlades, då på beställning av enskilda forskare eller forskningsprojekt. Denna ordinarie insamling bedrivs kontinuerligt och omfattar nu större sampel av tidningsspråk, c:a 20 miljoner ord per år, hämtat direkt från tidningarna. Vidare är nu det planerade nya romanmaterialet inhämtat. För att inte i onödan hindra dem som är beroende av kontinuerlig tillgång till de nya materialen, lägger vi tills vidare upp dem i det gamla konkordanshanteringssystemet, i väntan på att DUGA-systemet ska vara tillräckligt utprövat och stabilt (se nedan). Även i fortsättningen kan man vänta sig en liknande fördelning på egna och externa insamlingsuppdrag men med mycket större spännvidd i fråga om materialens karaktär och komplexitet, vilket i viss mån framgår av principskissen. Sålunda har Språkbanken ett eget material med medeltidssvenska, kommer att få tillgång till artonhundratalssvenska (i samarbete med projektet ORDAT; Sven-Göran Malmgren) och kommer att omhänderta ett sjuttonhundratalsmaterial (Uppsala universitet) och SUC-korpusen (Stockholm Umeå Corpus, en ordklasstaggad standardkorpus för språkteknologi). De två sistnämnda uppdragen har Språkbanken erhållit på grund av att vi betraktas som en stabil organisation med resurser att kontinuerligt underhålla och tillhandahålla elektroniska material. Genom deltagande i utgivningsverksamhet eller litteraturvetenskapliga forskningsprojekt har Språkbanken tillgång till verk av vissa klassiker (som Strindberg, Almqvist och Bellman).

8 Språkbanksbudget : Bilaga 2 2 (6) Med flerspråkiga material menas här s.k. parallella texter, normalt originaltext plus översättning(ar); eftersom det är fråga om (minst) två texter som måste lagras och bearbetas tillsammans tillkommer en flerdimensionell teknisk struktur. Språkbanken har byggt upp en stomme till ett parallelltextmaterial mellan svenska och vissa stora europeiska språk, huvudsakligen inom SALT-projektet (RBJ; samarbetsprojekt mellan Språkbanken och ett antal av fakultetens institutioner). Vetenskapligt har detta projekt hittills avkastat en handfull artiklar publicerade eller under utgivning av doktorander vid fakultetens institutioner, och så småningom förväntas det naturligtvis även resultera i ett antal doktorsavhandlingar vid fakulteten. Själva arbetsmomenten i rubriken omfattar diverse problem som kanske inte omedelbart framgår. Det stora problemet vid insamling är de upphovsrättsliga frågorna, som ibland fordrar långvariga förhandlingar med inblandade parter (författare och översättare samt deras organisationer, förlag etc.). Insamling av parallelltexter involverar ytterligare parter och blir många gånger mer tidsödande. I förhandlingarna har även framkommit att det i framtiden kan bli fråga om ekonomiskt vederlag till upphovsmän för rätten att vetenskapligt utnyttja deras texter, förhoppningsvis med symboliska summor (något som Språkbanken hittills inte budgeterat). En styrka i sammanhanget är naturligtvis Språkbankens samlade erfarenhet av upphovsrättsliga diskussioner och vår akademiska status. För inläsningen är det typiska problemet att texten föreligger i ett tekniskt format (ibland bristfälligt dokumenterat) som måste konverteras till Språkbankens standardformat. Vad beträffar lagring är det viktigt att vara medveten om att elektroniska textmaterial inte kan lagras som böcker. Elektroniska medier är sårbara och den tekniska utvecklingen framtvingar täta maskin- och systembyten. Dessutom måste materialen anpassas till de internationella standarder som utvecklas inom olika samarbetsorgan. För att stabilitet ska kunna uppnås måste lagringsformaten vara väldokumenterade och varje förändring måste uttestas, så att texter och annotationer innehållsmässigt förblir oförändrade. Det är principiellt fråga om ett fortlöpande underhåll av materialet vilket här och i principskissen har markerats genom skrivningen underhåll och lagring. 2 Utvecklingsarbete Denna punkt har fått en växande betydelse, i och med att införskaffandet av stora mängder råtext numera åtminstone för vissa texttyper, ex.-vis tidningstext och modern skönlitteratur är en tekniskt trivial uppgift. Det nya problemet är att göra jättematerialen hanterbara för (språk)forskning. För Språkbankens forskningsstödjande verksamhet fordras något mer än ett antal miljoner ord text och ett konkordansprogram: texterna måste vara lingvistiskt bearbetade och uppmärkta och göras sökbara i så många intressanta dimensioner som möjligt. På den tekniska sidan behövs dels generella (läs: standardiserade) lagringsformat för texter, språkliga enheter i texter och uppmärkningar, dels ett heltäckande system för sökning i dylika komplexa texter, dels en uppsättning språkteknologiska verktyg för att utföra automatisk uppmärkning av materialen (nödvändigt med tanke på deras storlek) eller åtminstone maximalt rationalisera manuell uppmärkning av material (då med nödvändighet smärre material eller urval). Språkbankens s.k. arkivformat är under utveckling men ännu inte slutgiltigt fastställt, bl.a. eftersom det måste anpassas till standarder som i sig befinner sig under utveckling. Det tekniska arbetet har under senare tid främst koncentrerats på söksystemet, kallat DUGA-systemet, vilket testas i successiva versioner i huvudsak internt inom

9 Språkbanksbudget : Bilaga 2 3 (6) institutionen. För grundläggande annotering föreligger nu en verktygslåda för morfosyntaktisk taggning (ordklass och böjningsform) och lemmatisering, till stora delar uppbyggt i samarbete med lokala projekt eller forskare (bl.a. SAOL/Svensk Morfologisk DataBas och Sofie Johansson Kokkinakis avhandlingsprojekt). För parallelltexterna existerar sedan länge ett enkelt men beprövat verktyg för meningslänkning (mellan en eller flera meningar i originalet och motsvarande mening[ar] i översättningen). Ett nödvändigt verktyg för annotering av autentisk text är en namnigenkännare; här kan Språkbanken stödja sig på samarbete med Dimitrios Kokkinakis och Nomen Nescio-projektet. I vissa fall kan det vara nödvändigt att köpa in specialverktyg, t.ex. för konvertering av inkommande material i udda format; så har gjorts bl.a. för hantering av ett färöiskt tidningsmaterial. Den primära uppgiften för verktygen ovan är att tillföra information till textmaterialen för att öka deras vetenskapliga användbarhet; man talar generellt om annoterade texter (i motsats till obehandlad text). Ett fruktbart sätt att tänka på detta är i termer av förädling; den råa texten förädlas (genom att man tillför den grammatisk kunskap) och blir därmed användbarare för språkvetenskapliga ändamål. Man får möjlighet att söka i texter efter lingvistiskt relevanta enheter såsom t.ex. lemman (alltså lexikonformer) eller ordklasser/böjningsformer, snarare än efter (delar av) ortografiska ordformer. Den aktuella målsättningen för Språkbanken är att enspråkiga (åtminstone nusvenska) texter som standard skall vara morfosyntaktiskt taggade (i engelsk terminologi Part-of speech/pos-taggade), medan parallelltexter skall vara meningslänkade. De sistnämnda länkas och rättas fortlöpande allt efter som de inläses (varvid rättningen utföres av doktorander i SALT-projektet). DUGA-systemet ska redan från början kunna användas för sökning i parallella korpusar. Ett dylikt prototypsökgränssnitt testas för närvarande internt i Språkbanken. Småningom blir det aktuellt att komplettera meningslänkningen med ord- och fraslänkning, som förutskickades ovan. För framtiden diskuteras annoteringar på högre nivå för att komplettera existerande smärre material med högre syntaktisk taggning (från projektet SynTag) och lexikalisk-semantisk taggning (från projektet LBAB) som Språkbanken redan disponerar. Uppgiften för det ovannämnda DUGA-systemet är sedan att lagra och presentera de annoterade texterna på användarvänligt sätt, vilket har fordrat hänsyntagande ej blott till POS-taggar och meningslänkar utan även till förutsebara högre annoteringsnivåer (vilka vid syntaktiska strukturer eller vid ordlänkning kan bli ytterst komplexa). För de stora textmassor som finns i Språkbanken måste man räkna med att all annotering måste utföras med i huvudsak automatiska metoder, och endast undantagsvis och för smärre textpartier manuellt. En viktig aspekt i detta sammanhang är att Språkbanken bör ha ambitionen att försöka utföra bearbetningar som direkt kan användas inom språkteknologisk forskning. Denna forskning tenderar att i stor utsträckning inrikta sig på metodutveckling medan material lämpliga för testning och tillämpning av metoderna inte alltid finns att tillgå, bl.a. av det skälet att de är dyra att producera. Detta gäller i allra högsta grad för den nu dominerande metodiken med s.k. maskininlärning, där datorn själv sluter sig till relevanta generaliseringar om materialet, men där man får de bästa resultaten ifall man kan utgå från ett existerande manuellt annoterat eller korrigerat material. Ett symptom på denna knapphet är att existerande språkteknologiska basmaterial (som i Sverige SUC-korpusen, inom det

10 Språkbanksbudget : Bilaga 2 4 (6) engelska språkområden t.ex. Penn Treebank) i hög utsträckning återanvänds, ibland för syften för vilka de ej varit avsedda (och för vilka de kanske är mindre lämpade). Språkbanken (inklusive Språkdatas projektverksamhet) är en av de få organisationer i landet som systematiskt ägnar sig åt produktion av material som kan fungera som språkteknologiska basresurser. Eftersom språkteknologi har utsetts till ett av fakultetens profilområden är det väsentligt att behålla och stärka den dubbla kompetens (både metodutveckling och materialutveckling) som för närvarande föreligger, särskilt vid institutionen för lingvistik och vid Språkdata/Språkbanken. Språkbanken försöker möta behovet av språkteknologiska basresurser på flera sätt: dels genom att planera de ovannämnda högre annoteringsnivåerna med tanke på sådan användning, dels genom att ställa vissa bearbetade material till direkt självständigt förfogande (se nästa punkt), dels genom att arbeta för integrering av de lexikaliska projektens material i Språkbankens utbud. Ett av de material som ligger närmast till hands (och som i princip är klart att överlämnas till Språkbanken) är det semantiskt uppmärkta textmaterial om c:a ord som producerats i projektet Lexikalisk betydelse och användningsbetydelse (Järborg). En del av detta material har redan ställts till förfogande för det internationella projektet SENSEVAL (utvärdering av semantiska disambigueringssystem). En annan typ av annotering som på senare tid diskuteras mycket i litteraturen är den som kallas metadata, ungefär data om data, alltså data om själva texterna och deras författare. Med sådana metadata kan man lätt göra relevanta urval ur en stor mängd texter, t.ex. noveller utgivna mellan 1970 och 1980, författade av kvinnor. Trots att Språkbanken för närvarande saknar resurser för att införa dylika metadata är det nödvändigt att reservera lagringsformat för dem och anpassa DUGA-systemet för att kunna utnyttja dem, men också att utveckla metoder och verktyg för automatisk metadatauppmärkning. Slutligen är det av yttersta vikt att de system och verktyg som utvecklas blir grundligt dokumenterade, så att personalförändringar ej får svårartade konsekvenser (som för några år sedan faktiskt var fallet). För dokumentation, inskolning av ny personal, intern vidareutbildning m.m. fordras resurser som ej är uppbunda till det fortlöpande, produktionsinriktade, arbetet. 3 Tillhandahållande Traditionellt har Språkbankens textmaterial tillhandahållits i konkordansform, på senare år naturligtvis via Internet. Som framgår av principskissen har detta uppdrag, liksom insamlingen, många dimensioner. Tillgängligheten för materialen kan grovt graderas i termer av användarkategori, där de högre kategorierna fordrar någon form av avtal och behörighetskontroll. Tillgänglighetsgrad bestäms vanligen redan vid insamlingen, i de fall där det rör sig om material som insamlats i samarbete med eller på uppdrag av externa intressenter. Enligt praxis brukar sålunda material insamlat för ett avhandlingsprojekt förbli doktorandens exklusiva egendom fram till disputationen, varefter det släpps, åtminstone för vetenskapligt bruk. För Språkbankens egna material är normalfallet att de görs tillgängliga för allmänheten, dock ej för kommersiell användning (för vilken krävs särskilt avtal).

11 Språkbanksbudget : Bilaga 2 5 (6) I och med att Språkbankens språkteknologiska verktygslåda blir mer komplett är det aktuellt att diskutera principer för tillhandahållande även av verktyg. Hittills har externa uppdragsgivare kunnat lämna material till Språkbanken för bearbetning här (mot ersättning) men det kan också bli fråga om att ställa verktyg till förfogande för externt bruk. Denna typ av service är delvis en resursfråga, särskilt som den normalt är förknippad med viss tidsåtgång för rådgivning. Den traditionella formen för externt utnyttjande av Språkbankens material är genom vad som i skissen kallas inspektion : användaren söker svar på ett språkligt/ språkvetenskapligt problem genom att konsultera ett (stort) antal textexempel. Genom det nya DUGA-systemet kommer mycket mer komplexa frågor att kunna ställas till materialet, varför redan inspektion får anses ge en tillfredsställande service. Vissa användare kan dock vilja göra egna bearbetningar, av annat slag än den som innehålls i Språkbankens standardannotering. För vetenskapligt bruk bör denna typ av användning regleras som ett utbyte, där brukaren får material från Språkbanken och som motprestation levererar en kopia av materialet med sin tillagda annotering. En ytterligare möjlighet är att Språkbanken ställer ett annoterat material fritt till forskningens förfogande. Under år 2002 har så skett med tre material: ett POS-taggat textmaterial om c.a 20 miljoner löpande ord (PAROLE-materialet), en s.k. trädbank på löpande ord, märkt med syntaktiska relationer på alla nivåer (SynTagmaterialet) samt ett lexikon med bl.a. valensuppgifter på c:a lexikala enheter (Svenska ord från LEXIN-projektet). Detta är en första grundplåt till den samling språkteknologiska basresurser som nämnts i punkt 2. Nyligen (under 2003) har vi i Språkbanken tagit ett policybeslut om att utan ersättningsanspråk eller licenskrav tillhandahålla vissa grafordsfrekvenslistor för nerladdning, detta främst därför att genereringen av sådana listor idag är en trivial process (annorledes förhåller det sig med lemmalistor och annat, mer lexikaliskt material), och i DUGAsystemet ska användare själva i viss mån kunna ta fram sådana listor ur egna korpusurval. Hittills finns ett antal grafordsfrekvenslistor genererade från PAROLE-korpusen tillgängliga på detta sätt i vårt ftp-arkiv. De många användarna av Språkbankens material kan förväntas ha både kommentarer och ändringsförslag att bidraga med vilka på olika sätt bör kunna utnyttjas i den fortsatta verksamheten. Det blir allt nödvändigare att etablera goda rutiner för hur Språkbanken skall kunna uppmuntra till och tillgodogöra sig synpunkter från användarna. Lämpliga feedback -funktioner planeras följaktligen byggas in i de system som tillhandahåller material, främst DUGA-systemet. Språkbankens användarsystem (som DUGA-systemet) är komplexa och arbetar på stora material vid sökningar, varför de kräver mycket maskinutrymme. För att tillgodose utrymmeskravet och samtidigt möjliggöra ett kontinuerligt utvecklingsarbete i ostörd miljö är det nödvändigt att (fysiskt) skilja på publiceringsmaskiner och utvecklingsmaskiner. Genom att planera maskinanskaffning och maskinkonfigurering enligt denna princip kan man också uppfylla kraven på datasäkerhet.

12 Språkbanksbudget : Bilaga 2 6 (6) 4 Samverkan Denna verksamhetsgren ingick också i det ursprungliga uppdraget men har förändrats både kvantitativt och kvalitativt. Även här kan man skilja mellan olika avnämarkategorier, varav de viktigaste torde vara doktorander i språkämnen vid fakulteten samt språkvetenskapliga och andra textundersökande projekt vid humanistiska fakulteten (särskilt under planeringsstadiet). Därtill kommer naturligtvis enklare frågor från allmänheten, ofta av mer eller mindre språkstatistiskt slag. För rent datateknisk rådgivning finns, som bekant, en särskild organisation vid fakulteten (Humfaks dataservice), till vilken Språkbanken naturligtvis hänvisar i alla relevanta fall. Den egna rådgivningen skulle sammanfattande kunna betecknas som språkteknologisk och kan omfatta allt från språkvetenskap (särskilt i makroperspektiv) till exotiska teckenuppsättningar och fri språkteknologisk programvara. Allt eftersom medvetenheten om möjligheten av och fördelarna med datorstödda korpuslingvistiska studier sprider sig ökar också behovet av sådan rådgivning, i viss mån i ett slags självförstärkande process. Det omnämnda SALT-projektet har därvid spelat en viktig roll. Under de senaste åren har Språkbanken haft som princip att ge en timmes fri rådgivning till personer inom fakulteten (huvudsakligen doktorander). Därefter förväntas betalning efter lägsta taxa. I praktiken är det mycket svårt att på förhand veta hur långt en viss fråga leder och ännu svårare att avbryta rådgivningen, kanske just när problemet börjar avgränsas och preciseras. Vidare är det både praktiskt omöjligt och ineffektivt att låta en enda person ansvara för rådgivningen. I gällande budget står föreståndaren upptagen som ansvarig för rådgivning till allmänheten och en systemerare (Warmenius) som ansvarig för språkteknologisk rådgivning, kallad service mot fakulteten. I verkligheten är hela Språkbankens personal involverad i rådgivningen, bl.a. av det enkla skälet att den kan fordra högst varierande typer av specialkunskaper. Vidare ligger det i sakens natur att frågor ofta är angelägna och måste besvaras snabbt, varför rådgivningen tenderar att bryta kontinuiteten i den övriga verksamheten. De uppskattningsvis 25 % tjänst (Warmenius) som avsatts är alltså helt otillräckliga, trots ansträngningar att rationalisera (bl.a. genom utarbetande av särskilda manualer för t.ex. scanning av texter, eller anvisningar om t.ex. lämplig, fritt tillgänglig, programvara). En resursförstärkning förefaller helt nödvändig. I rådgivning i en vidare mening ingår också sådant som anordnande av kurser i praktisk språkteknologi, arbetsseminarier med externa intressenter etc. (jfr ovan om metadata). I detta sammanhang är det intressant att notera att i HSV:s nyligen färdigställda utvärdering av institutionen föreslogs en bättre integrering mellan grundutbildningen och Språkbanken. Denna goda tanke fordrar emellertid också resurser, eftersom Språkbankens personal (med undantag för 25 % av en person) är uppbunden i verksamhet av produktionskaraktär. Naturligtvis har även rådgivningen en viktig feedback-aspekt: genom att användare (presumtiva eller faktiska) ställer frågor och framställer önskemål av olika slag får Språkbankens personal information för det fortsatta arbetet med utveckling och förbättring av system och material. Ett utvecklingsarbete i ständig dialog med användarna är fördelaktigt men givetvis också tidskrävande, vilket åter visar på behovet av viss resursförstärkning.

13 Bilaga 3 SPRÅKBANKEN Verksamhetsplan Planerad verksamhet Den övergripande visionen för Språkbankens arbete under den kommande treårsperioden kunde uttryckas som att göra språket surfbart. Denna enkla formulering rymmer i själva verket djup komplexitet och kan innebära många intressanta forskningsoch utvecklingsfrågor. Praktiskt skulle den innebära att användaren-språkvetaren till sitt förfogande får ett datorgränssnitt som möjliggör att han/hon rör sig obehindrat mellan språkliga nivåer, mellan text och lexikon och både synkront och diakront i sina sökningar i ett språkligt material, som han/hon lätt ska kunna göra relevanta urval ur, och även kunna lägga till egna, privata annotationer till materialet. I visionen ingår även att användningsområdena kan bli mer varierade som en direkt följd av att annotationerna blir mer sofistikerade. Framför allt vill vi satsa på (språk)lärande som ett nytt användningsområde (se nedan). Under den kommande treårsperioden kommer Språkbanken naturligtvis att fortsätta att bedriva samma slag av verksamhet som hittills, som har beskrivits i bilaga 2. Arbetet med DUGA-systemet och tillhörande standardisering av lagringsformat och bearbetningskedjor intar här en helt central position. Utöver detta anser vi dock rent allmänt att Språkbankens framtid ligger i en breddad verksamhet, med avseende på (1) de texttyper och språkformer som Språkbanken ska lagra, bearbeta och tillhandahålla (1 Insamling/inläsning/underhåll och lagring), (2) de bearbetningsformer och annotationsslag som Språkbanken rutinmässigt ska erbjuda (2 Utvecklingsarbete), (3) de användningssätt och användarkategorier som Språkbanken ska stödja (3 Tillhandahållande), samt (4) Språkbankens samverkan med användarna (4 Samverkan). 1 Insamling/inläsning/underhåll och lagring När det gäller texttyperna, kommer vi i tillägg till den fortsatta insamlingen av färsk tidningstext och skönlitteratur också att samla in språktyper och genrer där Språkbanken f.n. har otillfredsställande täckning, såsom lärobokstexter, vetenskapliga och populärvetenskapliga texter och annat fackspråk, inlärarspråk (här pågår redan ett samarbete med Institutet för svenska som andraspråk samt med CrossCheck-projektet vid Nada/KTH) och multimodala material, i typfallet inspelat tal (och eventuellt video) parallellställt (länkat) med åtföljande transkriptioner (ett sådant material kommer just nu till vid Institutet för svenska som andraspråk). Ifråga om språkformerna, kommer vi att i allt större utsträckning hantera och tillhandahålla icke-svenskt material (vilket antyder att den hittills använda engelska beteckningen för Språkbanken Bank of Swedish eventuellt behöver bytas ut). Språkbanken borde kunna hantera material åtminstone på alla språk som har någon form av officiell status i Sverige (svenska, finska, jiddisch, meänkieli, romani och samiska; teckenspråk

14 Språkbanksbudget : Bilaga 3 2 (3) innebär alldeles speciella problem, men i princip borde Språkbanken sträva efter att kunna hantera också sådant material) samt på alla språk som finns representerade inom Humanistiska fakultetens grundutbildning (till en del åstadkoms detta redan som ett resultat av SALT-projektet). Slutligen måste Språkbanken i framtiden i större utsträckning kunna producera och tillhandahålla basresurser för språkteknologi, framför allt på svenska, men även på de andra nämnda språken. En principiellt viktig fråga gäller om Språkbanken, som hittills, skall begränsa sig till (huvudsakligen) textmaterial eller om den skall utsträcka sitt ansvarsområde till att också omfatta lexikaliska material, och då i första hand de lexikaliska databaser som utvecklats vid Språkdata (tidigare en institution, numera en informell avdelning vid institutionen för svenska språket). I nuläget finns ingen permanent organisation som förvaltar och utvecklar dessa databaser (dock utgår vissa medel för mer eller mindre ordboksinriktade uppdateringar från Svenska Akademien). Med tanke på att de lexikaliska databaserna fordrar en tekniskt stabil miljö och representerar ett ansenligt värde, räknat i årsverk, vore det kanske naturligt att de på längre sikt komme att läggas inom Språkbankens ansvarsområde, och vi räknar med att denna fråga ska avgöras under den kommande treårsperioden, även om ett antal kniviga upphovsrättsliga nötter måste knäckas i samband med det, vilket kan innebära t.ex. att en viss lexikalisk resurs blir tillgänglig som komponent i någon tjänst, men inte i sin helhet. 2 Utvecklingsarbete När det gäller bearbetningsformer och annotationer är strävan att gå betydligt längre än hittills i lingvistisk förädlingsgrad, eftersom det är ett sätt på vilket Språkbanken i framtiden kommer att kunna erbjuda mervärde till sina användare (som redan nämnts är hopsamlandet av stora textmassor idag en trivial uppgift, liksom också skapandet av grafordslistor och -konkordanser). Dessutom ska metoder att automatiskt skapa vissa sorters metadata utforskas (gäller sådant som texttyp och ämnesområde, där informationssökningsmetoder i viss mån kan användas). För att vi ska kunna åstadkomma detta, är det dock nödvändigt att vi kan utöka vår systemutvecklingskapacitet, enligt budgetförslaget med en systemutvecklare på heltid. I och med att ribban höjs för vilka resurser och tjänster vi förväntas tillhandahålla, blir det allt viktigare att vi som ska tillhanda dem håller oss à jour med utvecklingen inom de relevanta forskningsområdena (språkteknologi i vid bemärkelse, lingvistiska resurser, korpuslingvistik, programmeringsspråk, standarder och metadata, speciellt det som händer inom området semantic web ). Därför måste alla medarbetarnas anställningar innehålla tid för kompetensutveckling. 3 Tillhandahållande Vad användningssätt och användarkategorier anbelangar, så ser vi ett nytt stort angeläget användningsområde, nämligen språkinlärning med hjälp av den typ av elektroniska resurser och verktyg som Språkbanken tillhandahåller och utvecklar. Därav följer förstås användarkategorierna språkinlärare/språkstuderande och språklärare. Detta

15 Språkbanksbudget : Bilaga 3 3 (3) område är särskilt viktigt för små språk (såväl små undervisningsspråk som nationella minoritetsspråk). 4 Samverkan Samverkan, slutligen, är en verksamhetsgren som kan bli hur stor som helst. Här nämner vi några typer av samverkan som vi avser satsa särskilt på under kommande treårsperiod. Inom institution och fakultet Det är essentiellt för Språkbankens roll inom fakulteten att de potentiella avnämarna får upp ögonen för vad Språkbanken kan tillföra forskning och utbildning (främst i språk). Det förutsätter att mer tid avsätts för rådgivning till doktorander, forskare och lärare, men också att Språkbanksresurser och -verktyg blir naturliga inslag i utbildningen, ex.-vis i fakultetsgemensamma forskarutbildningskurser, i språkämnenas grundutbildning och i högre grad än idag på datalingvistikprogrammet och inom den nationella forskarskolan i språkteknologi GSLT. Fakulteten har beviljat en ansökan om projektmedel för utveckling av grundutbildningen för ändamålet att utarbeta en lärarhandledning för användningen av språkbanksresurser och -verktyg i fakultetens grundutbildning, och en månads systemerartid kan således läggas på detta under Med enskilda forskare och med andra universitet Här är vårt mål att kunna erbjuda en säker slutförvaring för elektroniska språkliga resurser tillkomna främst i Sverige. För institutioner utom landet planerar vi att ta fram ett Språkbankspaket, bestående av programvara och dokumentation, och eventuellt viss rådgivning, så att man lättare ska komma igång med att bygga en egen liknande inrättning. Slutförvaringen är en nationell angelägenhet, och rimligt är därför att den skulle finansieras åtminstone till en del med externa medel. Sådana kommer att sökas. Med allmänheten Det är viktigt för Språkbankens image att allmänheten får snabba och korrekta svar på de frågor de ställer till Språkbanken. Den frågebesvarande verksamheten liksom rådgivning i allmänhet har visat sig ta mer tid i anspråk än vad vi ursprungligen beräknade (vilket säkerligen har att göra bl.a. med webbens snabba tillväxt), men vi tycker att det vore olyckligt att inte kunna upprätthålla denna service till allmänheten. Det är givetvis rimligt att många frågor slussas vidare till ex.-vis Svenska språknämnden, men det blir ändå ett betydande antal förfrågningar om Språkbankens material och hur de används. Med samhället I betänkandet Mål i mun. Förslag till handlingsprogram för svenska språket (SOU 2002:27) föreslås på sid att Språkbanken skulle utgöra basen för den nya språkbanksverksamhet man skisserar i betänkandet. Även om det organisatoriska förslag som läggs fram där är oacceptabelt (nämligen att Språkbanken skulle föras in under det föreslagna språkrådet), så är vi fullt införstådda med grundtanken och är beredda att ta ansvaret för att förverkliga betänkandets förslag ifall detta skulle bli aktuellt under treårsperioden (givetvis under förutsättning att detta förverkligande åtföljs av särskilda därtill avsedda medel). Under budgetperioden väntas beslut om detta.