Un conjunto de datos de banco de árboles coránicos completo y de múltiples capas con anotaciones sintácticas híbridas...

Área de la Ciencia:

• Lingüística computacional
• Procesamiento del lenguaje natural
• Humanidades digitales

Sus antecedentes:

• El banco de árboles coránico existente tiene limitaciones.
• Necesidad de un recurso lingüístico integral y de múltiples capas para el árabe clásico (CA).

Objetivo del estudio:

• Para describir el banco de árboles extendido del Corán (EQTB).
• Para superar las limitaciones del banco de árboles coránico original.
• Proporcionar un recurso accesible desde el punto de vista computacional para CA.

Principales métodos:

• Aprovechó los datos fundamentales de los recursos digitales coránicos establecidos.
• Representaciones ortográficas ampliadas sistemáticamente a través del procesamiento y la validación algorítmicos.
• Las anotaciones morfológicas refinadas utilizan esquemas expandidos, re-anotación automatizada y curación manual.
• Construyó una nueva capa sintáctica completa utilizando conversión algorítmica, análisis basado en aprendizaje profundo (dependencia híbrida de constituyentes) y validación de expertos.

Principales resultados:

• Desarrollado EQTB que abarca todo el Corán (~ 132,736 tokens).
• Datos estructurados en el formato CoNLL-X adaptado (43 columnas).
• Detallada ortografía múltiple, morfología de grano fino (45 etiquetas) y sintaxis híbrida completa (140 etiquetas / etiquetas).
• Incluidos los léxicos y esquemas auxiliares.

Conclusiones:

• EQTB ofrece un potencial de reutilización significativo para las tareas de PNL de CA (análisis, morfología, diacritización).
• Proporciona datos cruciales de capacitación y evaluación para la PNL.
• Apoya la investigación lingüística y el desarrollo de herramientas pedagógicas y tecnologías lingüísticas.