Ossetic-COT: Designing a morphologically annotated corpus and morphological analyzer for Ossetic

Resumo Técnico: Ossetic-COT

Definição do Problema
O osseto, uma língua iraniana falada principalmente no Cáucaso do Norte, carece de um corpus morfologicamente desambiguado que siga o esquema Universal Dependencies (UD). Embora existam dois corpora existentes — o Ossetic National Corpus (ONC) e o Corpus of Oral Texts (COT) — nenhum atende aos requisitos para uma análise morfológica de alta qualidade. O ONC baseia-se na anotação automática livre de contexto (Uniparser-Morph), resultando em etiquetas ambíguas com múltiplas possibilidades por palavra. O COT, composto por textos orais, contém glosas interlineares manuais, mas oferece apenas uma anotação incompleta e de granularidade grossa, sendo difícil de converter para formatos padrão UD. Esta ausência de um recurso padronizado e desambiguado dificulta o desenvolvimento de ferramentas de PLN e limita a utilidade do corpus para pesquisa linguística e educacional.

Metodologia
Os autores abordam esta lacuna construindo um corpus morfologicamente anotado para o dialeto Iron do osseto e treinando um analisador morfológico baseado em BERT.

1. Construção e Anotação do Corpus:

   • Fonte: O estudo utiliza o COT (60.000 tokens), filtrando o conteúdo em russo e retendo 5454 sentenças (73.042 tokens).
   • Fluxo de Conversão: O processo envolveu cinco estágios: filtragem de conteúdo de língua não-alvo; segmentação de sentenças e tokenização manuais; mapeamento das etiquetas originais para o inventário UD v2 (enriquecendo entradas pronominais subespecificadas e adicionando valores de características ausentes); refinamento manual por especialistas em morfologia osseta; e conversão automatizada para o formato CoNLL-U.
   • Diretrizes de Anotação: Para acomodar as idiossincrasias linguísticas específicas do osseto, os autores estenderam as diretrizes padrão do UD:
     • Desambiguação de POS (Classe Gramatical): Implementação de regras dependentes de contexto para distinguir entre NOUN, ADJ, ADV e ADP para substantivos que carecem de fronteiras morfológicas claras (ex: distinguindo adjetivos de advérbios com base em estruturas dependentes).
     • Auxiliares: Introdução de uma etiqueta AUX distinta para verbos leves em predicados complexos, copulas e construções analíticas, distinguindo-os de verbos lexicais.
     • Pronomes: Adoção de uma abordagem baseada em contexto onde determinantes que funcionam como argumentos verbais são etiquetados como PRON.
     • Sistema de Casos: Adição dos casos Dir (diretivo) e Rcs (recessivo). Crucialmente, os autores introduziram Num (numerativo) como um valor para a característica Case para distinguir do genitivo, particularmente para objetos contados inanimados, aplicando princípios de Marcação de Objeto Diferencial (DOM).
     • Formas Não-finitas: Extensão da característica VerbForm para incluir Inf2, Part2, Dest e Red (Reduplicado) para cobrir o extenso repertório de formas não-finitas do osseto.
     • Prefixos: Introdução das características Preverb=Yes e Prenoun=Yes para lidar com prefixos aspectuais e prefixos nominais (ӕнӕ, ӕд), respectivamente.

2. Treinamento do Modelo:

   • Pré-treinamento: Dois modelos baseados em BERT foram pré-treinados no ONC não rotulado (aprox. 1 milhão de sentenças): um mBERT (multilíngue BERT) padrão e um "Ossetic BERT" com uma camada de embedding customizada e um tokenizador WordPiece treinado em dados ossetos.
   • Ajuste Fino (Fine-tuning): Ambos os modelos foram ajustados no novo dataset anotado do COT para a tarefa de rotulagem morfológica. Os modelos foram avaliados usando uma divisão de treino/validação/teste (8:1:1).

Principais Contribuições

• Corpus Ossetic-COT: A criação do primeiro corpus morfologicamente anotado para o osseto Iron conforme o esquema UD v2, contendo 5454 sentenças desambiguadas manualmente.
• Estrutura de Anotação: Um conjunto de diretrizes de anotação específicas da língua que resolvem ambiguidades inerentes à morfologia osseta (ex: a fronteira fluida entre classes gramaticais, o caso numerativo e as formas verbais não-finitas).
• Analisador Morfológico de Base (Baseline): Um analisador morfológico baseado em BERT treinado que serve como um benchmark para a língua.

Resultos

• Desempenho: O analisador baseado no mBERT alcançou uma precisão de etiqueta ao nível da palavra de 95,60% e uma precisão de sentença de 61,54%. O "Ossetic BERT" customizado teve um desempenho ligeiramente inferior (95,47% de precisão), levando os autores a selecionar o modelo mBERT como o baseline final.
• Análise de Erros: O modelo teve um bom desempenho na maioria das categorias de classe gramatical, mas teve dificuldades com homonímias específicas, particularmente entre Noun/Adp, GEN/NUM, e várias combinações de pessoa/número. Os autores atribuem esses erros à escassez de dados, limitações lexicais do corpus oral e ambiguidades inerentes onde o contexto é insuficiente para uma desambiguação definitiva.
• Extração de Características: O modelo resolveu com sucesso a maioria das características morfológicas, embora tenham persistido erros na identificação de formas verbais não-finitas específicas e na distinção entre usos de auxiliares e verbos lexicais.

Significância e Alegações
O artigo afirma que o corpus Ossetic-COT e o analisador que o acompanha representam um passo fundamental para o PLN do osseto. O corpus é apresentado como um recurso adequado para o treinamento de taggers morfológicos neurais, condução de pesquisa linguística e aplicações educacionais, uma vez que sua anotação captura a maioria das características morfológicas da língua. Os autores posicionam modestamente o modelo fornecido como um "tagger morfológico neural inicial" e um benchmark para avaliar a complexidade do dataset. Eles explicitam que o desempenho do modelo pode degradar em dados fora do domínio ou registros literários complexos devido à natureza oral e à limitada diversidade lexical dos dados de treinamento (COT), identificando a integração de dados literários do ONC como a principal direção para trabalhos futuros.