Linguist Meeting2012-09-07

Til stades: Inga, Maja, Sjur, Thomas

Saker:

• Rutinar kring ny infra
• Referansekorpus-
• twol-testing
• lemma-testing (no i sma, snart i smj)

Ideell arbeidsgang:

1. rediger
2. make check
3. tilbake til 1 til alt er ok
4. sjekk inn

Testdata skal vera direkte i koden (jf twolc-fila) - Sjur lagar tilsvarande rutinar for lexc.

Almenne rutinar

• bugzilla - Inga og Maja har default-andsvaret for kvart sitt språk, men kan senda andsvaret vidare om dei vil (med stutt grunngjeving).

Vi vil ha eit referansekorpus for kvart språk. Det skal brukast til å sjekka at at analysene held seg stabile trass i endringar i koden. Har vi eitt for nordsamisk? Ja, her: $GTBIG/gt/sme/corp/testkorpus.txt.

Innhald i ref-korpuset bør vera:

• heile setningar
• gjerne setnignar med feil
  • ortografiske feil
  • morfosyntaktiske feil
  • syntakiske feil
  • => mål: vi vil sikra oss at feila blir analyserte/ikkje analyserte på ein konsistent måte, slik at vi ikkje får tilfeldig/random/arbitrær variasjon i handteringa av feil
• morfologi:
  • alle bøyingsformer
  • alle stammetypar
  • mykje (produktiv) derivasjon
  • mange ulike typar samansetjingar
  • eksempelord finn de i: $GTHOME/gt/sme/testing/speller-testbed-sme.txt
• syntaks:
  • lange setningar
  • topikaliserte setnignar
  • innskotne leddsetningar
  • andre uvanlege (men grammatiske!) ordstillingar
• fonotaks: all variasjon i ...
  • stadieveksling
  • omlyd
  • vokalreduksjon
  • andre morfofonologiske prosessar
• kommentarar kan leggjast inn med # som fyrste teikn på lina. Kommentaren kjem først, på lina over setninga kommentaren gjeld. Det kan vera fleire liner med kommentarar etter kvarandre.

Mål med data i referansekorpuset: Vi vil ha størst mogleg variasjon og breidde i fonotaks, morfologi og syntaks, slik at vi testar alle delar av dei grammatiske modellane våre.

Data skal liggja her:

$GTHOME/newinfra/langs/$GTLANG/test/data/ref-korpus.txt

Det finst ferdige testpar i twol-filene:

!€# dåeried%>%^DISIMPem
!€0 dåer0ed00em

!$# dåeried%>%^DISIMPem
!$0 dåeried00em

make check vil veldig snart testa desse para, og dermed heile tida gje oss tilbakemelding om alt er ok i twol-reglane.

No i sma, snart i smj - i dag?

• lemma skal vera felles for alle variantar av stammen!
• når ein sorterer, varsku alle fyrst slik at alle kan sjekka inn eigne endringar!

Her er nokre kodingsideal for LexC-koden vår:

• éi lexc-oppføring pr leksem pr stamme
• færrast mogleg fortsettingsleksikon
• i bøyingsleksikona: skriv ut eksempel på korleis paradigmet skal sjå ut
• bruk mellomrom og innrykk i fleng for å gjera koden oversiktleg og lettlesen
• bruk kommentarar så mykje som mogleg for å klargjera kva som skjer i koden
• kommentarane skal skrivast med ein "nybyrjar i LexC" for auge - ein slik person skalu kunna lesa kommentarane og skjøna kva som skjer i koden.

Vi innfører "code reviews" - kodesjekk - av kvarandre, for å auka sjansane for å finna feil, og for å hjelpa kvarandre med å skriva ein meir vedlikehaldsvenleg kode.

Vi definerer kva analysene skal vera fyrst, og jobbar oss fram til at vi får det.