Morphologically and syntactically annotated corpus SIMAS

<jats:p>Tekstyno sandara. SIMAS priskirtinas bendriesiems anotuotiems rašomosios kalbos tekstynams. Tekstyną sudaro tekstai, parašyti ir publikuoti 2000–2025 m. laikotarpiu, reprezentuojama originalioji dabartinė bendrinė rašytinė lietuvių kalba. Tekstynas susideda iš keturių skirtingus stilius atspindinčių dalių: grožinės, mokslinės, administracinės literatūros ir periodikos (tai Lietuvos nacionalinio transliuotojo LRT.lt portale publikuoti tekstai). Proporcijos: periodika (įvairiatemiai ir įvairiažanriai straipsniai iš LRT.lt) – 4 852 633 žodžiai (apie 50 proc. tekstyno). Administracinės literatūros tekstai sudaro 2 085 581 žodžius, mokslinės literatūros tekstai (įvairių mokslo sričių knygos ir straipsniai) sudaro 2 108 574 žodžius (po 20 proc. tekstyno), o grožinės literatūros tekstai – 963 632 žodžių (apie 10 proc. tekstyno). Tekstyne sukaupti tik lietuvių autorių sukurti originalūs grožinio ir mokslinio stiliaus tekstai, vertimų neįtraukta. Visose tekstyno dalyse yra pilni tekstai, o ne tekstų fragmentai. Anotavimo įrankiai. Tekstynas automatiškai anotuotas morfologiškai ir sintaksiškai, lingvistų peržiūrėtas. Automatiniam morfologiniam anotavimui naudotas įrankis „Morfuoklis“ (https://sitti.vdu.lt/morfuoklis/lt). Automatinei sintaksinei analizei naudotas tarptautinis įrankis UDPipe (https://lindat.mff.cuni.cz/services/udpipe/), pritaikytas lietuvių kalbai. Anotavimo standartai. Tekstynas anotuotas tarptautiniu Universaliųjų priklausomybių standartu (angl. Universal Dependencies, santrumpa – UD, žr. https://universaldependencies.org/lt/). Morfologinei analizei taip pat naudoti šie standartai: „Jablonskis“ (Rimkutė E., Bielinskienė, A., Boizou, L., Utka, A., ir Dadurkevičius, V. (2024). Morfologinio anotavimo standartas „Jablonskis“, https://sitti.vdu.lt/jablonskis-lt/); MULTEXT-East (http://corpus.vdu.lt/lt/morph). Sintaksinei analizei naudotas Universaliųjų priklausomybių standartas: lietuvių kalbos sintaksinio anotavimo gairės (Rimkutė, E., Bielinskienė, A., Boizou, L., Kamandulytė-Merfeldienė, L., Brokaitė, K., Jancaitė-Skarbalė, L., Stepšys, J., Žemrietė, M. (2026) (https://sitti.vdu.lt/wp-content/uploads/2026/05/UD_standarto_gaires.pdf). Tekstynas pateikiamas vienu failu CoNLL-U formatu. CoNLL-U yra tekstinis duomenų formatas, skirtas natūraliosios kalbos tekstams anotuoti pagal UD standartą. Kiekviena failo eilutė atitinka vieną žodį (tekstyno vienetą), o stulpeliuose (atskirti tabuliacija) pateikta informaciją apie jo lemą (antraštinę / žodyninę formą), kalbos dalį, morfologinius požymius ir sintaksinius ryšius su kitais žodžiais sakinyje.</jats:p>