Designing Corpus-Creation Tools for Language Revitalization
Notice bibliographique
Résumé
ABSTRACT: We have developed a set of corpus-creation tools to support the documentation and revitalization of Isga I?abi (also known as Stoney ), a Siouan language spoken in Alberta. This project has emerged from a collaboration between community language champions and university-based researchers, with the goal of creating a new generation of Stoney speakers. The initial phase of the project has focused on expanding the documentary record of the language by creating a corpus of spoken Isga I?abi, recorded from nearly a dozen fluent speakers. We describe the particular constraints that informed the design of the project and how they led us to create several new tools for elicitation. First was an adaptation of the Summer Institute of Linguistics' Rapid Words Collection method, where, instead of focusing on individual lexemes, we collected thematically organized sentences displaying targeted grammatical properties. Next, we developed a photo prompter tool, which allows speakers to describe what they see in a photo, but also to discuss the photo with other speakers in spontaneous discourse. These simple tools allow the speakers to handle the day-to-day work of language documentation themselves, without needing a linguist to be present during those sessions. The outputs from this process (currently over fifty hours of audio) will find their way into various resources and activities for language teachers and learners. Insights from the Isga I?abi speakers themselves reflect on their use of the tools and their perspectives on the project to date.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».