Constructing and analysing an error-tagged learner corpus of Persian
Izrada i analiza anotiranog korpusa persijskog jezika kao stranog ; Формирование и анализ аннотированного корпуса персидскогo языка
Doktorand
Safari, SaeedMentor
Miličević-Petrović, MajaČlanovi komisije
Marković, LjiljanaFilipović, Jelena
Shraei, Reza Morad
Metapodaci
Prikaz svih podataka o disertacijiSažetak
Linguistic corpora constitute reliable sources and empirical means for analyzing
linguistic data. They are also widely used in the fields of Second/Foreign Language
Acquisition and Foreign Language Teaching research, where the most commonly used type
are Learner Corpora.
The present thesis, based on a methodological approach for building a learner
corpus, is generally in line with the domain of error analysis and the field of Learner
Corpus Research. The thesis describes the process of constructing and developing an errortagged
Persian learner corpus, called the Salam Farsi Learner Corpus (SFLC), as well as
an analysis of linguistic errors based on a collection of written texts produced by Serbian
learners of the Persian language. Three major stages, namely, constructing the corpus,
proposing a system of error annotation and developing tools and software, were followed,
and the practical phases such as the systematic collection of data and metadata, defining the
corpus design criteria,... creating the error tagsets and developing the corpus interface,
software and specific tools are described. The SFLC software is equipped with four main
tools in order to function as an error-tagged learner corpus and provide the statistical
reports. These tools include a tool for submitting data and metadata into the corpus
database, a computer-aided error editor to facilitate error tagging, filters and search, and
data statistics tools which show various statistical data related to the corpus.
Based on the SFLC statistical reports, the frequency and error distribution in the
whole corpus and the comparison of error distributions across different proficiency levels
are discussed. The corpus statistics show that the most frequent errors made by the Serbian
learners of the Persian language are initially to be found in the domain of orthography,
while later on the most frequent errors lie in the domains of lexis and syntax. Word Order is
marked as the most frequent error type in the corpus as a whole. As for the distribution of
errors across specific proficiency levels, the results show that the total number of errors
drops from level A2 to level C1, while errors in syntax increase, due to the use of more
vii
complex syntactic structures at higher proficiency levels. The SFLC not only provides
authentic data gathered from learners at different proficiency levels, but also statistics
regarding error tags and metadata. Research into Persian as a second/foreign language thus
can clearly benefit from the SFLC as a resource.
Lingvistički korpusi predstavljaju značajan izvor i sredstvo analize empirijskih
jezičkih podataka. Njihova upotreba vrlo je raširena, između ostalog, u oblasti istraživanja
usvajanja drugog/stranog jezika i nastavi jezika, gde posebno treba naglasiti značaj
učeničkih korpusa. U ovoj disertaciji opisuje se izrada jednog takvog korpusa – učeničkog
korpusa persijskog jezika, pod nazivom Salam Farsi Learner Corpus (SFLC). Ovaj korpus
je izrađen na osnovu tekstova koje su tokom pohađanja kurseva persijskog jezika pisali
učenici čiji maternji jezik je srpski. Pored toga što su tekstovi prebačeni u digitalni format,
u korpusu su označene greške koje su učenici pravili prilikom pisanja.
Tri glavne faze u izradi korpusa bile su njegovo koncipiranje i digitalizovanje,
predlaganje sistema anotacije grešaka i razvijanje alata za izradu i pretragu korpusa. Sve tri
faze detaljno su opisane u disertaciji. Konkretno, pažnja je posvećena opisu praktičnih
koraka poput prikupljanja podataka i metapodata...ka, kao i konceptualnih zadataka kakvi su
definisanje kriterijuma za izradu korpusa, sastavljanje oznaka za greške i idejno
osmišljavanje korpusnog interfejsa, softvera i alata. SFLC se softverski oslanja na četiri
glavna alata koji omogućuju unos podataka i metapodataka u korpusnu bazu, označavanje
grešaka, preuzimanje i pretragu dokumenata (prema površinskim oblicima reči ili prema
greškama) i generisanje statističkih izveštaja o greškama.
Na osnovu statističkih izveštaja koje SFLC daje, u disertaciji se sprovodi i analiza
grešaka – proučavaju se učestalost i raspodela grešaka u korpusu kao celini i na različitim
pojedinačnim nivoima znanja persijskog jezika. Rezultati ove korpusno zasnovane analize
pokazuju da učenici kojima je maternji jezik srpski na nižim nivoima znanja persijskog
jezika najčešće prave greške u domenu ortografije, dok se kasnije greške češće nalaze u
domenima leksike i sintakse. Greške vezane za red reči označene su kao ukupno gledano
najčešći tip greške u čitavom korpusu. Ukupni broj grešaka smanjuje se kako se učenici
kreću od nivoa A2 ka nivou C1. Međutim, kada je reč o sintaksi, broj grešaka raste, usled
korišćenja složenijih sintaksičkih struktura na višim nivoima.
ix
SFLC ne samo da obezbeđuje autentične podatke prikupljene od učenika na različitim nivoima znanja, već pruža i statističke podatke o označenim greškama i drugim korpusnim parametrima. Stoga se zaključuje da korpus može biti od velike koristi za istraživanje i nastavu persijskog jezika kao drugog/stranog.