Seminarium Zespołu Inżynierii Lingwistycznej w Instytucie Podstaw Informatyki Polskiej Akademii Nauk odbywa się średnio co 2 tygodnie, zwykle w poniedziałki o godz. 10:15 (niekiedy online – prosimy o korzystanie z linku przy tytule wystąpienia) i ma charakter otwarty. Poszczególne referaty ogłaszane są na Polskiej Liście Językoznawczej oraz na stronie Lingwistyka komputerowa na Facebooku. Nagrania wystąpień dostępne są na kanale YouTube.

7 września 2026

Varvara Magomedova (Univerza v Novi Gorici)

Veje – a future treebank of Slovenian dialectal texts  

Slovenian dialect research has produced a lot of literature, but not as many data sources. The lack of available syntactically annotated corpora limits research for those, who do not have access to native speakers. This talk presents the first phase of Veje – to become a Slovenian dialect treebank. The present version of the pipeline is designed to reduce the manual work. The pipeline has two modules – normalization and annotation. In the first stage, dialectal surface forms are normalized towards standard Slovenian through a sequence of corrected lexical replacements, deterministic phonological rules, Sloleks-based morphological validation, and a constrained GaMS residual corrector. The process preserves token order and alignment wherever possible and records substitutions that cannot be morphologically verified for later review. In the second stage, normalized sentences are parsed with the non-standard Slovenian CLASSLA-Stanza model, while SloBERTa identifies whatever could not be normalized and sends it to GaMS for a second check of the annotation. The resulting extended CoNLL-U representation retains the original dialect form alongside its normalized equivalent, Universal Dependencies annotation, dialect metadata, and audit information. The current output is intentionally silver-standard: native speakers and dialectologists will correct selected data into a gold subset, which will subsequently support evaluation and model fine-tuning. I will also show the web-platform developed based on user needs study held with corpora users.

21 września 2026

Mirosław Koziarski (niezależny badacz)

Cyfrowa edycja Słownika warszawskiego  

Słownik języka polskiego pod redakcją Jana Karłowicza, Adama Kryńskiego i Władysława Niedźwiedzkiego, znany jako Słownik warszawski, należy do najważniejszych i najobszerniejszych dzieł polskiej leksykografii. Osiem tomów, opublikowanych w latach 1900–1927 i liczących łącznie niemal 7800 stron, dokumentuje polszczyznę wielu epok, regionów, rejestrów i dziedzin. Choć skany słownika są dostępne w bibliotekach cyfrowych, jego treść pozostawała dotąd w dużej mierze zamknięta w obrazie drukowanych stron.

Podczas wystąpienia przedstawię projekt cyfrowej edycji Słownika warszawskiego, rozwijający metodologię i narzędzia opracowane w ramach mojej rozprawy doktorskiej. Omówię kolejne etapy przetwarzania: wybór i analizę źródła, obróbkę i segmentację obrazów, OCR — obecnie wspomagany także narzędziami opartymi na sztucznej inteligencji — korektę i normalizację tekstu, hierarchiczne parsowanie artykułów hasłowych, walidację, indeksowanie oraz generowanie danych pochodnych. Centralnym elementem procesu jest parser przekształcający liniową transkrypcję w ustrukturyzowaną reprezentację XML. Rozpoznaje on kilkadziesiąt typów segmentów, m.in. wyrazy hasłowe, warianty, informacje gramatyczne, znaczenia i podznaczenia, definicje, kwalifikatory, przykłady użycia, etymologie, odsyłacze i związki frazeologiczne, a także relacje między nimi. Ze względu na złożoność i niekonsekwencje materiału proces ma charakter iteracyjny i łączy metody automatyczne z ręczną kontrolą.

Uruchomiona edycja internetowa stanowi rozwinięcie wcześniejszej makiety badawczej w stopniowo rozbudowywaną platformę. Użytkownik może zestawić sformatowany artykuł z transkrypcją źródłową, surowym XML-em i odpowiednim fragmentem faksymile. Ustrukturyzowanie treści umożliwia ponadto tworzenie nowych ścieżek dostępu do danych: korpusu przykładów, zestawień derywatów, skonsolidowanego indeksu skróceń, statystyk oraz matrycy porównującej siatkę hasłową z innymi słownikami polszczyzny.

Na zakończenie przedstawię aktualny stan projektu, przyjęte mechanizmy kontroli jakości i ograniczenia automatycznego przetwarzania historycznego materiału leksykograficznego, a także planowane kierunki rozwoju.

Zapraszamy także do zapoznania się z archiwum seminariów z lat 2000–2015 oraz listą wystąpień z lat 2015–2026.