Den LRE Kort ( Sprog Resources og Evaluering ) er en frit tilgængelig database, dedikeret til ressourcer til Automatisk Sprog Processing (NLP). Det originale træk ved LRE Map er, at optagelserne indsamles under indsendelse til videnskabelige konferencer. Optegnelserne renses derefter og samles i en database med navnet LRE Map.
LRE-kortet er beregnet til at være et instrument til at indsamle information om sproglige ressourcer og bliver samtidig et fællesskab for brugerne, et sted til deling og opdagelse af ressourcer, diskussion, feedback om brug, opdagelse af nye tendenser osv. Det er et instrument til at opdage, undersøge og dokumentere sproglige ressourcer i bred forstand inklusive både data og værktøjer.
Den store mængde information kan analyseres på forskellige måder. Nogle analyser er tilgængelige på internettet. For eksempel er det muligt at kende de mest anvendte ressourcer, de mest repræsenterede sprog, de applikationer, der bruges eller under udvikling, andelen af nye ressourcer sammenlignet med gamle eller den måde, hvorpå ressourcerne distribueres i samfundet.
En række institutioner vedligeholder kataloger over sproglige ressourcer: ELRA, Linguistic Data Consortium, NICT Universal Catalog, Association for Computational Linguistics (ACL) Data and Code Repository, OLAC, LT World osv.). Men det er blevet anslået, at kun 10% af ressourcerne kendes, enten gennem distributionskataloger eller gennem direkte leverandørreklame. Resten er relativt skjult, den eneste gang ressourcen opstår, er når den præsenteres i sammenhæng med videnskabskommunikation. Alligevel kan ressourcen blive efterladt i mørket, når forskningsemnet ikke er selve ressourcen.
LRE Map blev tidligere kaldt “LREC Map” under forberedelsen af LREC- konferencen 2010. Mere præcist blev ideen diskuteret inden for FlaReNet-projektet, og i samarbejde med ELRA blev ”kortet” oprettet til LREC-2010. Arrangørerne af LREC bad forfatterne om at give ligetil information om eventuelle ressourcer (i bred forstand, dvs. inklusive NLP-værktøjer, standarder og vurderingssæt), der er oprettet eller brugt som sådan. Som beskrevet i videnskabelig kommunikation. Alle disse beskrivelser blev derefter samlet i en global matrix kaldet LREC Map.
Den samme metode er blevet anvendt og udvidet til andre konferencer, herunder COLING-2010, EMNLP-2010, RANLP-2011 og LREC-2012.
Efter denne generalisering til andre konferencer blev LREC Map omdøbt til LRE Map.
Størrelsen på databasen øges over tid. De data, der blev indsamlet under LREC-2010, omfattede 1889 poster.
Hver ressource er beskrevet i henhold til følgende attributter:
LRE-kortet er et meget vigtigt redskab til at forstå NLP-aktivitet. Sammenlignet med andre undersøgelser, der er baseret på subjektiviserede vurderinger, er LRE-kortet baseret på reelle fakta.
LRE-kortet har også et stort potentiale ud over at være et informationsindsamlingsværktøj:
Dataene blev renset og sorteret af Joseph Mariani (CNRS-LIMSI IMMI) og Gil Francopoulo (CNRS-LIMSI IMMI + Tagmatica ) for at beregne de forskellige matricer i den endelige FLaReNet-rapport. Så for eksempel en af dem, matrixen for skriftlige data fra LREC-2010 giver følgende:
| Corpus | Leksikon | Ontologi | Grammatik / sprogmodel |
Terminologi | |
|---|---|---|---|---|---|
| Bulgarsk | 7 | 6 | 1 | 1 | 1 |
| Tjekkisk | 12 | 7 | 2 | 1 | 1 |
| dansk | 6 | 2 | 0 | 2 | 0 |
| hollandsk | 17 | 8 | 2 | 1 | 2 |
| engelsk | 206 | 77 | 18 | 11 | 10 |
| Estisk | 3 | 1 | 0 | 0 | 1 |
| Finsk | 3 | 2 | 0 | 1 | 0 |
| fransk | 44 | 24 | 3 | 4 | 5 |
| tysk | 43 | 15 | 4 | 2 | 3 |
| Græsk | 10 | 3 | 2 | 0 | 0 |
| Ungarsk | 8 | 4 | 0 | 1 | 1 |
| Irsk | 1 | 0 | 0 | 0 | 0 |
| Italiensk | 32 | 16 | 4 | 2 | 0 |
| Lettisk | 9 | 0 | 0 | 0 | 1 |
| Litauisk | 4 | 0 | 2 | 0 | 1 |
| Maltesisk | 1 | 0 | 0 | 1 | 0 |
| Polere | 7 | 2 | 1 | 2 | 1 |
| Portugisisk | 19 | 6 | 1 | 1 | 0 |
| Rumænsk | 12 | 7 | 1 | 1 | 0 |
| Slovakisk | 2 | 0 | 0 | 1 | 0 |
| Slovensk | 5 | 1 | 0 | 0 | 0 |
| spansk | 29 | 19 | 4 | 5 | 2 |
| Svensk | 19 | 4 | 0 | 1 | 0 |
| Andet Europa | 19 | 11 | 3 | 3 | 2 |
| Regionalt Europa | 18 | 8 | 0 | 1 | 3 |
| Flersproget | 5 | 3 | 1 | 0 | 1 |
| Sproguafhængig | 9 | 3 | 16 | 2 | 1 |
| Ikke anvendelig | 2 | 0 | 2 | 1 | 0 |
| Total | 552 | 229 | 67 | 45 | 36 |
Det skal bemærkes, at engelsk ikke overraskende er det mest studerede sprog. For det andet kommer fransk og tysk, derefter italiensk og spansk.
LRE-kortet udvides til at omfatte LRE-journalen og andre konferencer.