Search

En este trabajo presentamos el proyecto de investigación Post Scriptum, que tiene por objeto la búsqueda, edición y estudio históricolingüístico de cartas privadas escritas en España y Portugal durante la Edad Moderna. Post Scriptum reúne una amplia colección epistolar y la ofrece en dos formatos preparados para la búsqueda: el de la edición crítica digital y el del corpus lingüísticamente anotado. En esta presentación se exponen los aspectos fundamentales sobre el diseño y elaboración de Post Scriptum, desde la búsqueda de los manuscritos en archivos históricos hasta la edición digital y anotación semiautomática de los textos y su publicación en línea; también se recogen resultados definitivos y se aportan algunos ejemplos de explotación del corpus en diferentes niveles de análisis., In this paper we present the project Post Scriptum, which aims to build up a campaign of collection, edition and historical-linguistic study of private letters written in Portugal and Spain along the Early Modern Ages. Not only does the Post Scriptum project present a wide collection of private letters, but it also makes it available as a scholarly digital edition and as an annotated corpus. Key aspects about the development of Post Scriptum are explained in this paper, from the finding of manuscripts in historical archives to the digital edition and semi-automatic annotation of texts and their publication online. Final results and some examples that illustrate how the exploitation of this corpus works at different linguistic levels are also included.

We present the design and implementation of an NLP pipeline for historical Austrian German (Nestroy's comedies, 1827-1862) including transcriptions of dialectal data. Lacking suitable training data, we created a meta-model that compares the predictions of existing models trained on Modern Standard Germany-German corpora, and calculates a compromise between them.

東京農工大学, 茨城大学, Tokyo University of Agriculture and Technology, Ibaraki University, 語義タグ付きコーパスを用いた現代日本語の語義曖昧性解消の研究は数多い。しかし，入手可能なタグ付きコーパスが少ないため，日本語の古典語の語義曖昧性解消を高性能に行うことは難しい。そのため，現代日本語文を用いて通時的な領域適応を行うことは，古典語の語義曖昧性解消の性能を高めるひとつの解決方法であると考えられる。本研究では，日本語の古典語の語義曖昧性解消において，領域適応手法のひとつである，分散表現のfine-tuningの効果について調べる。現代文の分散表現であるNWJC2vecの古典語によるfine-tuningや，古典語によって作成した分散表現の現代文によるfine-tuningなど，様々なfine-tuningのシナリオを検証した。さらに，NWJC2vecを古典語でfine-tuningする際には，時代順に段階的に分散表現をfine-tuningする手法についても試した。語義曖昧性解消の対象語の前後二語ずつの単語の分散表現を素性とし，Support Vector Machineの分類器に用いて分類を行った。シナリオは（1）現代文のコーパスの全用例と古典語のコーパスの用例8割を訓練事例とし，残りの2割の古典語の用例をテストとして利用する場合，（2）古典語の用例だけを利用して五分割交差検定を行った場合，（3）現代文のコーパスの全用例を訓練事例とし，古典語全用例をテストする場合の三通りを比較した。最高の精度となったのは，（2）古典語の用例だけを利用したシナリオで，古典語によって作成した分散表現に現代文によるfine-tuningを行った場合であった。, There have been many studies on word sense disambiguation (WSD) in contemporary Japanese. However, it is difficult to achieve high performance of WSD in historical Japanese because of the lack of sense-tagged corpora. Therefore, diachronic adaptation using contemporary Japanese could be a solution. We investigated the effectiveness of the fine-tuning of word embeddings for WSD in historical Japanese. A variety of fine-tuning scenarios are examined, including the case where the word embeddings of contemporary Japanese (NWJC2vec) are fine-tuned with historical Japanese and the case where the word embeddings trained with historical Japanese are fine-tuned with contemporary Japanese. Moreover, when NWJC2vec was fine-tuned with a historical corpus, the case where the word embeddings were gradually fine-tuned in the order of time was also tested. The word embeddings of two words before and after the target word are used as the features for the support vector machine, which is a classifier of WSD. The following three scenarios are compared: (1) all the examples from the contemporary Japanese corpus and 80% examples from the historical corpus are used as the training data for the test of the remaining 20% examples from the historical corpus, (2) 5-fold cross validation of the examples of the historical Japanese corpus, and (3) all the examples from the contemporary corpus are used as the training data for test examples from the historical corpus. The best accuracy was achieved when we used word embeddings trained from a historical corpus and fine-tuned with a contemporary corpus in the 5-fold cross validation scenario., application/pdf

The North-Angolan Bantu language Kisikongo has a present tense (O-Rang- a; R=root) that is morphologically more marked than the future tense (O-R-a). We reconstruct how this typologically uncommon tense-marking feature came about by drawing on both historical and comparative evidence. Our diachronic corpus covers four centuries that can be subdivided in three periods, viz. (1) mid-17th, (2) late-19th/early-20th, and (3) late-20th/ early-21st centuries. The comparative data stem from several present-day languages of the “Kikongo Language Cluster.” We show that mid-17th century Kisikongo had three distinct constructions: O-R-a (with present progressive, habitual and generic meaning), O-R-ang-a (with present habitual meaning), and ku-R-a (with future meaning). By the end of the 19th century the last construction is no longer attested, and both present and future time reference are expressed by a segmentally identical construction, namely O- R-a. We argue that two seemingly independent but possibly interacting diachronic evolutions conspired towards such present-future isomorphism: (1) the semantic extension of an original present-tense construction from present to future leading to polysemy, and (2) the loss of the future prefix ku-, as part of a broader phenomenon of prefix reduction, inducing homonymy. To resolve the ambiguity, the O-R-ang-a construction evolved into the main present-tense construction.

Este trabajo comprende un análisis sociolingüístico histórico sobre un pequeño corpus de la prensa española del siglo XIX en el que se muestra la actitud con la que sus hablantes se comunicaban a través de recursos tipográficos. Tal y como hoy día se hace, el uso de la cursiva para marcar un uso «extraño» (no normativo) sería frecuente. En última instancia, el género gramatical en referencia al sexo de los sujetos designados en el discurso (oral o escrito) sería también motivo de resalte tipográfico cuando la realidad necesitara de una explicación. In this study, we have analyzed from a historical sociolinguistic perspective a small corpus of 19th press texts where speakers showed their attitude on their language through typographical resources. In this sense, as nowadays, the use of italics to point out a “strange” usage (non “standard language”) often occurs. Ultimately, grammatical gender according to sexed agents from reality and into the speech (written as much as spoken) would be marked as well and the same way when reality needed an explanation. Ministerio de Ciencia e Innovación PID2020-115226GB-100

Although historians intuitively know what a corpus is, and exploiting a corpus is recognized as central in historiography, there has been little methodological focus on coming to a unified approach to the design and use of corpora. The massive expanse of digital information and processing capabilities over the past few years has also led to a diversity of approaches. After reviewing the history of the use of corpora in historiography, we examine how historians have taken possession of digital practice, and how it has interacted with the notions and uses of corpora: there are many diverse and somewhat incompatible perspectives. Next, we show how the corpus, as an input into historiography, can not exist anymore as an object and must be seen as a process or a pipeline. Then, its multiple and sometimes opposite perceptions can be unified, at the same time making history more scientific in the sense of Lucien Febvre's definition.

Semantic Web technologies provide a way to structure, to exploit and to enhance historical corpora data such as the Henri Poincaré correspondence corpus. However, RDF data editing is often manual and may seem tedious for the concerned user. This article introduces a suggestion system which uses case-based reasoning to assist manual RDF data editing. This system is available in four versions which are compared to each other through a double evaluation., Les technologies du Web sémantique fournissent des outils pour structurer, exploiter et enrichir des corpus historiques tels que le corpus de la correspondance d’Henri Poincaré. Cependant, le processus d’édition de données RDF est un processus qui est souvent manuel et peut sembler fastidieux pour les contributeurs. Cet article introduit un système de suggestions qui s’appuie sur le raisonnement à partir de cas pour assister l’édition de données RDF. Ce système se décline en quatre versions qui sont comparées au travers d’une double évaluation.

A single abstract from the DHd-2019 Book of Abstracts., Sofern eine editorische Arbeit an dieser Publikation stattgefunden hat, dann bestand diese aus der Eliminierung von Bindestrichen in Überschriften, die aufgrund fehlerhafter Silbentrennung entstanden sind, der Vereinheitlichung von Namen der Autor*innen in das Schema "Nachname, Vorname" und/oder der Trennung von Überschrift und Unterüberschrift durch die Setzung eines Punktes, sofern notwendig., {"references":["https://doi.org/10.5281/zenodo.2600812","https://github.com/DHd-Verband/DHd-Abstracts-2019"]}

W Pracowni Historii Języka Polskiego XVII i XVIII w. Instytutu Języka Polskiego Polskiej Akademii Nauk powstają obecnie dwie obszerne bazy danych: Elektroniczny słownik języka polskiego XVII i XVIII w. oraz Elektroniczny korpus tekstów polskich z XVII i XVIII w. (do roku 1772) - ten ostatni we współpracy z Instytutem Podstaw Informatyki PAN. Połączenie tych dwóch zasobów może pomóc zrealizować cele obu projektów. Niniejszy artykuł przedstawia korzyści, jakie mogą odnieść twórcy korpusu, używając danych słownika, m.in. poprzez wykorzystanie informacji gramatycznej z haseł słownika do budowy narzędzi do automatycznej anotacji tekstu. The History of the 17th and 18th c. Polish Language Laboratory, Institute of Polish Language, Polish Academy of Sciences, is in the process of creating two large databases: The Electronic Dictionary of the 17th-18th c. Polish and The Electronic Corpus of the 17th and 18th c. Polish Texts (up to 1772), the latter in cooperation with the Institute of Computer Science, Polish Academy of Sciences. It is expected that combining these two sets of data will help to achieve the objectives established for both database projects. The present article shows the benefits that the Corpus creators can get from the data gathered in the dictionary, with special emphasis put on the use of grammatical information included in the dictionary entries to design tools for automatic text annotation in the Corpus.

The purpose of this paper is two-fold. On the one hand, some constraints on the computerized diachronic corpora currently available for Spanish research are explained. On the other hand, the Post Scriptum Project is presented, which aims to publish a collection of private letters written in Spanish and Portuguese along the Early Modern period. Post Scriptum can provide solutions to the shortcomings of other similar tools, making it a suitable resource for research in Historical Linguistics and an ideal complement to the existing large corpora., Este trabajo tiene un doble objetivo. Por un lado, se exponen algunas limitaciones de los corpus diacrónicos informatizados que están actualmente disponibles para la investigación del español. Por otro lado, se da a conocer el proyecto de investigación Post Scriptum, que pretende publicar un conjunto de cartas privadas escritas en español y portugués durante la Edad Moderna. Post Scriptum puede aportar soluciones a las carencias de otros corpus similares, convirtiéndose en un recurso adecuado para la investigación en lingüística histórica y en un complemento idóneo de los grandes corpus existentes.

La lengua guaraní dependiente en tiempos de Independencia en Paraguay. Desde el siglo xvii, pero sobre todo en el siglo xviii, la lengua guaraní desarrolló una abundante literatura dentro de los pueblos o reducciones guaraní-jesuíticas del Paraguay. Algunos escritos en lengua guaraní fueron publicados en esa época, pero una gran parte de ellos son manuscritos que se conservan hasta hoy en archivos y bibliotecas. Esa literatura no trata sólo de temas religiosos – catecismos, sermones, libros de piedad –, sino que son expresión de la vida política, social y cultural de los guaraníes. Son en realidad escritos no sólo en guaraní sino de guaraníes. Este tipo de documentación va más allá del tiempo de presencia de los jesuitas en los pueblos, de los que se les hizo salir en 1768, de manera que se puede hablar de guaraní jesuítico sin jesuitas. Por extraña paradoja la documentación en guaraní se interrumpe después de proclamarse la independencia del Paraguay en 1811, a pesar de que el uso del guaraní siguió siendo el medio de expresión de todo el pueblo paraguayo, como lo atestiguan diversos viajeros que visitaron el Paraguay a lo largo del siglo xix. La dépendance de la langue guarani à l’époque de l’Indépendance au Paraguay. Dès le xviie siècle, mais surtout au cours du xviiie siècle, une importante littérature guarani a vu le jour dans les villages – ou réductions – guarani-jésuites du Paraguay. Quelques écrits en guarani furent alors publiés, mais beaucoup d’entre eux sont demeurés sous la forme de manuscrits aujourd’hui conservés dans des archives et des bibliothèques. Cette littérature ne traite pas seulement de sujets religieux (catéchismes, sermons, livres de piété); elle témoigne aussi de la vie publique, sociale et culturelle des Guarani. Ces textes ne sont pas seulement en guarani, mais de Guarani. Cette documentation déborde de l’époque où les jésuites résidaient dans les villages dont ils furent expulsés en 1768 : on peut donc parler d’un guarani jésuite sans jésuites. Paradoxe étonnant, cette documentation en guarani se tarit après la proclamation de l’Indépendance du Paraguay en 1811 alors même que le guarani demeure la langue relationnelle de tout le peuple paraguayen, comme l’attestent plusieurs voyageurs qui visitèrent le pays au xixe siècle. The submission of the Guaraní language in the aftermath of Paraguayan independence. From the 17th century on, with a peak in the 18th century, vast amounts of literature written in Guaraní language were produced in the Jesuit-Guaraní settlements or Reductions of Paraguay. Some of the texts were published back then, but many remain in manuscript form in archives or libraries. This literature does not only deal with religious matters (catechisms, sermons, or devotional books). It also reflects the political, social and cultural life of the Guaraní people. In fact, these documents are not only written in Guaraní, but also written by Guaraní, and they continued to surface even after the Jesuits had been expelled from the settlements in 1768. Jesuitic Guaraní therefore seems to have outlived the Jesuits’ actual presence. By some strange paradox, after the proclamation of Paraguayan independence in 1811, Guaraní texts were no longer found, even though Paraguayans went on communicating in Guaraní language on a daily basis, as reported by numerous travellers who visited the country in the 19th century.

El proyecto de investigación Post Scriptum: Archivo Digital de Escritura Cotidiana (P.S.) tiene por objeto la recuperación y publicación de cartas privadas escritas en España y Portugal durante la Época Moderna. Estas epístolas, en su mayoría inéditas, fueron producidas por autores muy diversos y de diferente condición social. Así, podemos encontrar hombres o mujeres, adultos o niños, amos o criados, ladrones, soldados, artesanos, curas, políticos, y otro tipo de categorías sociales. Sus misivas sobrevivieron excepcionalmente, al cruzarse sus vidas con los medios de persecución tanto de la Inquisición como de distintos tribunales civiles y eclesiásticos, instituciones que solían hacer uso de la corres- pondencia privada como prueba de los delitos que estaban siendo juzgados. Estas fuentes escritas suelen presentar una retórica (casi) oral, tematizando asuntos cotidianos que hasta ahora no se habían estudiado más que a partir de casos aislados. En este trabajo, se explicará la metodología utilizada en la edición digital de los documentos para su disponibilidad en línea; además, se dará a conocer el proceso de modernización de los textos y su posterior etiquetación morfológica y sintáctica. El objetivo final es elaborar un corpus diacrónico anotado que sirva como recurso electrónico para el estudio lingüístico e histórico del español y el portugués., Post Scriptum: A Digital Archive of Ordinary Writings (P.S.) is a project that aims to collect and publish Portuguese and Spanish private letters written along the Modern Ages. These documents are unpublished epistolary writings, written by authors from different social backgrounds. They could be either masters or servants, adults or children, men or women, thieves, soldiers, artisans, priests, political activists, among other kinds of social agents. Their epistolarity survived by chance, when their paths met the persecution means used by the Inquisition and the civil courts, two institutions that used private cor- respondence as criminal evidence. These textual resources often present an (almost) oral rhetoric, treating everyday issues of past centuries in a register that hasn’t been easy to study, apart from brief examples. In the proposed paper, discussion over the methodological options that lead to the digital edition available online will be raised. Further, the modernization of texts the POS and syntactic annotation will be explained. The aim is to develop a diachronic and annotated corpus that could be used as an electronical resource for linguistic and historical research of Spanish and Portuguese.

Traditionally, exploiting historical manuscripts is tedious and non-reusable. A paleographer-historian transcribes a corpus, analyses it and writes an article that becomes the ultimate form of the work; the transcriptions being seldom provided in appendix. In the context of my work on the role and power of women in the 16th century in Western France, I have chosen to reconstruct personal life itineraries which reveal a deeper meaning once they are aggregated; even when, for some itineraries, I had very few data. By using a computer supported method, I have been able to link the transcribed source and its interpretations, offering a simplified tracking of inferences at the cost of a more austere analysis that can be improved by using visualization. This rigorous method relies on the XML/TEI (Text Encoding Initiative) file format, a XML document description grammar. It requires a long and tedious preparatory work but it ends-up being rewarding: it results in an increase of analysis capabilities. This method is an effective support for historians, helping them to establish interpretations of sources that can be checked easily and directly.; Traditionnellement, le travail de dépouillement historique de manuscrits est fastidieux et non réutilisable : un historien paléographe transcrit son corpus, l'analyse et produit une étude qui est la forme finale du travail. Rarement, les transcriptions sont jointes en annexe à l'analyse. Dans le cadre de mes travaux universitaires sur les rôles et les pouvoirs des femmes au XVIe siècle dans la France de l'Ouest, j'ai choisi de reconstituer des itinéraires personnels dont le sens profond n'apparaît que lorsqu'on les ajoute les uns aux autres, même si, pour certains, j'avais peu de données. Grâce à l'informatique, j'ai utilisé une méthode qui crée des liens entre les sources et leurs interprétations : l'avantage est la traçabilité et son inconvénient majeur une certaine austérité à l'analyse qui peut être compensé par le recours à la visualisation. Cette méthode, rigoureuse, repose sur XML/TEI (Text Encoding Initiative), une grammaire de description des fichiers XML. Le travail préparatoire est long et fastidieux, mais payant : le résultat augmente le pouvoir d'analyse. Pour l'historien, cette méthode est une véritable aide à établir des interprétations qui se vérifient par les textes de sources primaires.