Volgende: 3. Evaluatie Naar boven: De positie van het Vorige: 1. Inleiding en Uitgangspunten

Subsecties

• 2.1 De materiële infrastructuur
  • 2.1.1 Corpora
    • 2.1.1.1 Corpora met ruwe tekst
    • 2.1.1.2 Corpora voorzien van woordsoort
    • 2.1.1.3 Rijker geannoteerde corpora
    • 2.1.1.4 Parallelle corpora
    • 2.1.1.5 Gesproken tekst
  • 2.1.2 Lexicale informatie
    • Algemene woordenboeken
    • Woordenlijsten voor correctie en afbreken
    • Woordenlijsten met taalkundige informatie
    • 2.1.2.1 Meertalige woordenlijsten
    • Gesproken Taal
  • 2.1.3 Overige Hulpmiddelen
    • Morfologische analyse
    • Part-of-speech taggers
    • Syntactische analyse
    • Spraakherkenning
    • Spraaksynthese
    • Standaards
  • 2.1.4 Het internationale perspectief
    • Corpora
    • Lexica
    • 2.1.4.1 Halffabrikaten en overig
• 2.2 Immateriële infrastructuur
  • 2.2.1 Onderzoek
  • 2.2.2 Onderwijs
  • 2.2.3 Industrie
  • 2.2.4 Beleid
  • 2.2.5 Buitenland

2. De huidige situatie

In dit hoofdstuk schetsen we de huidige infrastructuur voor taal- en spraaktechnologie. We geven achtereenvolgens een overzicht van bestaande dataverzamelingen en hulpmiddelen voor het Nederlands, een kort overzicht van vergelijkbare materialen voor het Engels, van onderzoeks- en onderwijsinstellingen, van beleidsinstellingen, en van buitenlandse organisaties voor taal- en spraaktechnologie.

2.1 De materiële infrastructuur

In deze sectie geven we een zo volledig mogelijk overzicht van beschikbare hulpmiddelen voor het Nederlands. We volgen de indeling uit sectie 1.7.

De informatie die hieronder volgt is ten dele ontleend aan:

• ANNO: een geannoteerde publieke gegevensbank voor het geschreven Nederlands.

• ELRA: European Language Resources Association.

• EUROMAP: de Vlaamse en Nederlandse rapporten (Dewallef, 1998; van Staden, 1998).

• Language Engineering Directory.

2.1.1 Corpora

2.1.1.1 Corpora met ruwe tekst

Het samenstellen van een corpus waaraan geen annotatie is toegevoegd is tegenwoordig vrij eenvoudig. Elektronische teksten zijn in overvloed aanwezig op het WWW. Op sommige van deze teksten rust geen auteursrecht (bijvoorbeeld de handelingen van de eerste en tweede kamer in Nederland, of het lijvige rapport van de Nederlandse parlementaire onderzoekscommissie Van Traa). Het verzamelen van een corpus over een bepaald onderwerp, of met een evenwichtige vertegenwoordiging van verschillende tekstsoorten, kan toch nog een tijdrovende bezigheid zijn. Literaire teksten zijn beschikbaar via het Coster-project. Ook de web-pagina's van de Stichting Tekstcorpora en Databestanden in de Humaniora (STDH) geven verwijzingen naar literaire corpora. Daarnaast zijn enkele corpora speciaal voor taalkundig onderzoek beschikbaar gemaakt:

• ECI/MCI CD-Rom.
  Omschrijving: De CD-ROM European Corpus Initiative Multilingual Corpus I bevat een aantal Nederlandse corpora:
  • dut01. ``Newspaper, Dutch, 600K tokens, Articles from the student newspaper Universiteitskrant of the University of Groningen from the academic years 1990/1991 and 1991/1992.''
  • dut02. ``Mixed, Dutch, 5203K tokens, A large Dutch corpus from INL including transcripts of radio programs, newspaper and magazine issues and some technical texts.''
  • dut03. ``Mixed, Dutch, 128K, A continuation of dut02.''
  Beschikbaarheid: Distributie door Elsnet en het Linguistic Data Consortium.
• ELRA-W0006.
  Omschrijving: ``The Polylingual Document Collection (ELRA-W0006), a collection of newspaper articles from financial newspapers in 6 languages (Dutch, English, French, German, Italian and Spanish). It consists of the following sub-corpora: Dutch - Het Financiële Dagblad - 1992-1993. The corpus contains articles from the Dutch financial newspaper Het Financiële Dagblad editions of 2nd January 1992 through to 24th December 1993. It contains around 8.5 million words of text.''
  Beschikbaarheid: Distributie door ELRA.

2.1.1.2 Corpora voorzien van woordsoort

• De INL Corpora.
  Omschrijving: Het Instituut voor Nederlandse Lexicografie bezit verschillende corpora (Kruyt, 1995):
  • 50 Miljoen Woorden Corpus 1994. ``Algemeen Nederlands, 1970-1990, 17 boeken over gevarieerde onderwerpen (30% fictie), niet taalkundig verrijkt.''
  • 15 Miljoen Woorden Corpus. ``Automatisch taalkundig verrijkt (woorsoort en lemma); deel uit 50 Miljoen Woorden Corpus. ''
  • 5 Miljoen Woorden Corpus 1994. ``Algemeen Nederlands, 1989-1994, 17 tekstbronnen, geclassificeerd naar publicatiemedium en onderwerp taalkundig verrijkt met woordsoort en lemma. Er zijn nauwelijks extra correctieslagen uitgevoerd. Dit geldt zowel voor de teksten zelf, als voor de linguïstische gegevens woordsoort en lemma. Woordsoortcodes en lemmavormen zijn automatisch toegekend. Dit corpus heeft een andere samenstelling dan dat op de multilinguale ECI/MCI CD-ROM.''
  • 27 Miljoen Woorden Corpus 1995. ``Taalkundig verrijkt met woordsoort en lemma.''
  • 38 Miljoen Woorden Corpus 1996. ``Gevarieerde samenstelling met 3 hoofdcomponenten: krantenteksten (1992-1995), juridische component (1814-1989), gevarieerd samengestelde component (1970-1995). Teksten geclassificeerd volgens onderwerp en publicatiemedium. Taalkundig verrijkt met lemma en twee woordsoortcategorieënstelsels: een globale en een verfijnde met subcategorisatie. De teksten zijn automatisch taalkundig verrijkt met een lemma (trefwoordvorm) en twee woordsoorttoekenningen: een globale (13 woordsoortcategorieën) en een verfijnde (met subcategorisatie) conform de MECOLB standaard. Er zijn nauwelijks correctieslagen uitgevoerd.''
  Beschikbaarheid: De 50 miljoen en 15 miljoen corpora zijn uitsluitend voor onderzoeksdoeleinden raadpleegbaar op het INL. De 5, 27, en 38 miljoen corpora zijn voor onderzoeksdoeleinden ook raadpleegbaar via internet (telnet) door middel van een retrievalprogramma.
• Het Eindhoven (Uit den Boogaart) corpus (Uit den Boogaart, 1975; de Jong, 1979).
  Omschrijving: ``Herkomst: Werkgroep Frequentie-Onderzoek van het Nederlands, gesubsidieerd door Z.W.O. (het Nederlandse Fonds voor Zuiver Wetenschappelijk Onderzoek, nu het N.W.O.) en de Technische Hogeschool Eindhoven (geschreven taal); Instituut voor Dialectologie, Volks- en Naamkunde van de Koninklijke Nederlandse Academie voor Wetenschappen te Amsterdam (gesproken taal). Inhoud: Geschreven en (getranscribeerd) gesproken Nederlands, respectievelijk uit de periodes 1964-1971 en 1960-1973. Omvang: Geschreven taal: plm. 600.000 woorden; gesproken taal: plm. 120.000 woorden. Codering: voornamelijk morfo-syntactisch (woordsoort en flexievorm).''
  Beschikbaarheid: ``Op verschillende instituten is een versie van het corpus aanwezig; het is onduidelijk of er copyright op het corpus rust. Waarschijnlijk is dit niet het geval voor wetenschappelijk gebruik.''

• ANNO: Omschrijving: Het ANNO-corpus (een publieke, geannoteerde, gegevensbank voor het Nederlands) werd ontwikkeld in het kader van het Vlaams korte termijnprogramma Spraak- en Taaltechnologie voor het Nederlands (STTN). Gezien de aard van dit programma, dat de nadruk legt op spraaktechnologie, is gekozen voor een corpus dat dicht aansluit bij de spreektaal. Het corpus bestaat uit de tekst van BRTN-radio nieuwsuitzendingen en Actueel uitzendingen. De transcripties van interviews binnen die uitzendingen betreft spontane uitingen. Het corpus heeft een omvang van in totaal ruim 640.000 woorden. Het gehele corpus is voorzien van morfosyntactische en fonetische annotaties. Deze annotatie is automatisch aangebracht (m.b.v. de WOTAN-tagger en TREETALK, een door W. Daelemans beschikbaar gesteld programma voor grafeem-naar-foneem conversie), en deels gecorrigeerd.
  Beschikbaarheid: Het corpus zal beschikbaar gesteld worden zodra de auteursrechtelijke kwesties zijn geregeld.

2.1.1.3 Rijker geannoteerde corpora

Er zijn geen corpora voor het Nederlands voorzien van constituentstructuur of semantische annotatie.

2.1.1.4 Parallelle corpora

• ELRA-W0007.
  Omschrijving: ``A Multilingual Parallel Corpus consisting of translated data in nine European languages: Danish, Dutch, English, French, German, Greek, Italian, Portuguese and Spanish. The parallel data, provided by the European Commission, comprises two sub-corpora from the Official Journal of the European Communities:
  • Official Journal of the European Commission, C Series: Written Questions 1993. This corpus contains written questions asked by members of the European Parliament and corresponding answers from the European Commission in 9 parallel versions. The total size of the corpus is approximately 10.2 million words (ca. 1.1 million words per language).
  • Official Journal of the European Commission, Annex: Debates of the European Parliament 1992-1994. The Parliamentary Debates are a record of what was said by members of the meeting as well as written input provided to the meeting. The original data from which the translations are produced consist of a transcript of the sittings, each member speaking in the language of his choice. The final version consists of nine parallel versions of the material. This sub-corpus contains some 5 to 8 million words per language.''
  Beschikbaarheid: Distributie door ELRA.

2.1.1.5 Gesproken tekst

Binnen de spraaktechnologie spelen corpora reeds langere tijd een belangrijke rol. Er zijn dan ook verschillende corpora voor spraak in omloop, en aan een omvangrijk nieuw corpus wordt gewerkt. We noemen hieronder de voor spraaktechnologie belangrijkste corpora. Bij de hierboven genoemde bronnen zijn verwijzingen naar nog een aantal andere corpora te vinden.

• Eindhoven (Uit den Boogaart) Corpus.
  Omschrijving: Zie boven.
• Polyphone-NL (SPEX).
  Omschrijving: Dit is een geheel van gedirigeerde spraak van 5000 telefoonsprekers. Iedereen kon een vrij antwoord formuleren op 17 vaste vragen: ``The Dutch Polyphone corpus contains telephone speech from 5050 speakers. The corpus comprises 222,075 speech files, which all have been orthographically transcribed. The data were collected directly off an ISDN telephone line interface. The corpus contains both read and extemporaneous items. Items to be read consist of isolated digits, numbers a postal code, guilder amounts, time, date, amounts, application words, sentences with application words, phonetically rich sentences, spelled words, city names. Several questions were asked to get the spontaneous part of the speech.''
  Beschikbaarheid: Distributie door ELRA.
• CHILDES (CHIld Language Data Exchange System).
  Omschrijving: Het Nederlands deel van dit corpus bevat uitsluitend kindertaal.
  Beschikbaarheid: Het corpus is verkrijgbaar op de CHILDES-site in Antwerpen en bij de initiatiefnemers in Pittsburgh, Carnegie Mellon. Voor onderzoeksdoeleinden is het corpus ook toegankelijk op het Nijmeegse Max Planck Instituut.
• GRONINGEN Corpus.
  Omschrijving: Korte gelezen teksten, woorden, zinnen en klanken, meer dan 20 uur:

  ``The Groningen Corpus consists of 4 CD-ROMs containing over 20 hours of speech. It is a corpus of read speech material in Dutch, recorded on PCM tape under fairly good conditions. These 4 CD-ROMs contain speech from 238 speakers who read: 2 short texts, 23 short sentences (containing all possible vowels and all possible consonants and consonant clusters in Dutch), 20 numbers, 16 monosyllabic words (containing all possible vowels in Dutch), and 3 long vowels. The production on CD-ROM was partially supported by ELSNET and the pre-mastering was done at LIMSI-CNRS.''
  Beschikbaarheid: Distributie door ELRA.

• EUROM1 (The multilingual European speech database).
  Omschrijving: ``The first really multilingual speech database produced in Europe. Equivalent corpora for each of the European languages: same number of speakers selected in the same way, and recorded in the same conditions with common file formats. The content consists of Numbers, Passages, Sentences and CVC. More than sixty speakers per language.''
  Beschikbaarheid: Distributie door ELRA.

• COGEN.
  Omschrijving: Het Corpus Gesproken Nederlands COGEN werd ontwikkeld in het kader van het Vlaams korte termijnprogramma Spraak- en Taaltechnologie voor het Nederlands (STTN). Het bevat vier subcorpora:
  • WL-OFF (word list office), een corpus van gespelde woorden, commandowoorden, cijfers, en fonetisch rijke woorden, gelezen door in total 174 sprekers, opgenomen in een knatooromgeving (i.e. een omgeving die niet speciaal voor opnames geprepareerd is en die dus achtergrondgeluiden bevat). Totaal 2.16 uur gespelde woorden, en 5.83 uur voorgelezen woorden.
  • RS-OFF (read speech office, een corpus van voorgelezen tekstfragmenten (5 paragrafen), door 174 sprekers, in kantooromgeving. Totale duur: 7.02 uur.
  • WL-TEL (word list telephone), een corpus van voorgelezen woordenlijsten, opgenomen via een telefoonverbinding, opgenomen voor 185 sprekers. Duur: 5.85 uur.
  • SS-TEL (spontaneous speech telephone), een corpus van spontane uitingen, opgenomen via een telefoonverbinding, opgenomen voor 126 sprekers. Duur: 2 uur.
  Beschikbaarheid: Geen gegevens.

• Corpus Gesproken Nederlands.
  Omschrijving: NWO, IWT, en een aantal andere partners bereiden momenteel een project voor (begroot op 5 miljoen ECU, looptijd 5 jaar) dat tot doel heeft een corpus van plusminus 10 miljoen woorden samen te stellen. Het gehele corpus zal worden voorzien van orthografische transcriptie, woordsoorten, morfologische analyse, en lexicologische koppeling (lemmatisering). Een kerncorpus van plusminus één miljoen woorden zal bovendien worden voorzien van syntactische analyse, en fonetische en fonologische transcripties, gekoppeld aan het akoestische signaal.
  Beschikbaarheid: De Nederlandse Taalunie zal ter zijner tijd verantwoordelijk zijn voor de distributie van de corpora.

2.1.2 Lexicale informatie

Algemene woordenboeken

• van Dale.
  Omschrijving: Van Dale heeft het Van Dale Groot woordenboek hedendaags Nederlands en het Van Dale Groot Synoniemenwoordenboek (niet haar bekendste product, de grote Van Dale (Geerts en Heestermans, 1995)) op CD-ROM beschikbaar gemaakt (in totaal ongeveer 90.000 trefwoorden en 45.000 betekenisverwante woorden). De CD-ROM is bedoeld als elektronisch woordenboek en thesaurus, en als hulpmiddel dat kan worden gebruikt in combinatie met bekende tekstverwerkers als Word en WordPerfect. Merk op dat dit niet betekent dat de woordenboeken bij automatische spellingcorrectie of bij afbreken gebruikt kunnen worden.
  Beschikbaarheid: Distributie door Van Dale.

• WNT.
  Omschrijving: Het Woordenboek der Nederlandsche Taal, dat wordt samengesteld op het INL, is sinds 1995 op CD-ROM beschikbaar. Behalve een zeer uitgebreid woordenboek van het oudere Nederlands, bevat het woordenboek ook een grote hoeveelheid bewijsplaatsen in de vorm van (met name literaire) citaten.
  Beschikbaarheid: Distributie door AND Publishers.

Woordenlijsten voor correctie en afbreken

• SDU/Elektronisch Groene Boekje.
  Omschrijving: Dit is de elektronische versie van het nieuwe Woordenlijst Nederlandse Taal (Woordenlijst, 1996). De functionaliteit is te vergelijken met de Van Dale CD-ROM: het is vooral bedoeld om de juiste spelling van een woord op te zoeken.
  Beschikbaarheid: Distributie door de SDU.

• Sdu/Standaard Spellingschijf.
  Omschrijving: Dit programma is bedoeld voor spellingcorrectie. Het programma is bedoeld voor de tekstverwerker WordPerfect, en zorgt voor een update van de woordenlijst die door WordPerfect wordt geleverd. De regels van de nieuwe spelling worden toegepast en nieuwe woorden uit de Woordelijst Nederlandse taal worden toegevoegd.
  Beschikbaarheid: Distributie door de SDU.
• Words-L.
  Omschrijving: Op de web-pagina van WORDS-L worden een aantal woordenlijsten beschikbaar gesteld die kunnen worden gebruikt voor spellingcorrectie en woorden afbreken in combinatie met een aantal gangbare tekstverwerkers (Word, WordPerfect, Latex) en correctieprogramma's (ispell). Het initiatief is ontstaan uit onvrede over pakketten die door commerciële leveranciers worden aangeboden. Een collectief heeft zich vervolgens tot taak gesteld bestaande woordenlijsten (al dan niet beschikbaar in het publieke domein) te combineren, uit te breiden en te corrigeren. De site bevat ook een nuttig overzicht van bestaande pakketten en, met name, de tekortkomingen van verschillende producten.
  Beschikbaarheid: Distributie via de web-pagina van WORDS-L.

Woordenlijsten met taalkundige informatie

• CELEX. Omschrijving: CELEX (Centre for Lexical Information) heeft elektronische databases ontwikkeld die verschillende types van lexicale informatie over het hedendaagse Nederlands, Engels en Duits bevatten. De Nederlandse database bevat ongeveer 400.000 woordvormen uit het hedendaagse Nederlands. Het Nederlandse deel is voornamelijk afgeleid uit het INL 50 miljoen woorden corpus. Er is nu gedetailleerde informatie beschikbaar over de orthografie (spelling), fonologie (uitspraak), morfologie (woordstructuur: flexie en derivatie), syntaxis (grammatica) en woordfrequentie. Het belangrijke aan de CELEX databases is dat alle informatie gerepresenteerd is om tegemoet te komen aan de formele en strikte voorwaarden voor computationele toepassingen. Beschikbaarheid: ``The CELEX database is open to all academic researchers and people associated with other not-for-profit research institutes free of charge (at least until 1998). For prospective customers from abroad, we recommend the stand-alone CD-ROM version distributed by the Linguistic Data Consortium.''
• EuroWordNet.
  Omschrijving: Dit project heeft als doel de ontwikkeling van een multilinguale lexicale database in de stijl van WordNet (Miller et al., 1990). De voorziene omvang van de database is 50.000 trefwoorden per taal. ``The project aims at developing a multilingual database with basic semantic relations between words for several European languages (Dutch, Italian and Spanish). The wordnets will be linked to the American wordnet for English and a shared top-ontology will be derived, while language specific properties are maintained in the individual wordnets. The database can be used for multilingual information retrieval which will be demonstrated by Novell Linguistic Development.''
  Beschikbaarheid: De resultaten van het project zullen ter zijner tijd onder licentie beschikbaar worden gesteld aan derden.
• RBN.
  Omschrijving: Het Referentiebestand Nederlands, een multifunctionele lexicale databank met informatie met betrekking tot morfologie, syntaxis, combinatoriek, semantiek en pragmatiek, op een expliciete, formele wijze weergegeven in de vorm van feature-value paren (45.000 lemmata).
  Beschikbaarheid: Het RBN zal ter zijner tijd beschikbaar worden gemaakt voor wetenschappelijk onderzoek.

2.1.2.1 Meertalige woordenlijsten

• Van Dale.
  Omschrijving: De vertaalwoordenboeken Engels-Nederlands/Nederlands-Engels, Frans-Nederlands/ Nederlands-Frans, en Duits-Nederlands/ Nederlands-Duits zijn op CD-ROM beschikbaar.
  Beschikbaarheid: Distributie door Van Dale.
• ECHO Eurodicautom.
  Omschrijving: ``The EURODICAUTOM database is an multilingual source for all aspects of European institutions terminology, contextual phrases and abbreviations in all official languages of the European Union. Whilst the database is produced by the Translation service of the European Commission (EC), the content is an accumulation of terminology collected from outside sources such as international organisations, dictionaries and glossaries. Eurodicautom currently contains definitions for more than 4.500.000 terms and 180.000 abbreviations. The number of translated terms and abbreviations are distributed throughout the languages. EURODICAUTOM is a multilingual data bank. The languages available are : Danish, Dutch, English, French, German, Greek, Italian, Portuguese, Spanish, Finnish and Swedish. The database is updated monthly and the data are collected from 1976 onwards.''
  Beschikbaarheid: De database kan on-line geraadplegd worden via de Eurodicautom web-pagina .
• Euterpe (Trados).
  Omschrijving: ``This dictionary was created by the European Parliament. It now contains over 150,000 entries in the 12 official languages of the European Community.''
  Beschikbaarheid: Distributie via Trados.

Gesproken Taal

• Multi-language pronunciation dictionary (Onomastica).
  Omschrijving: ``This resource is from the ONOMASTICA LRE-61004 project related to the Multi-language pronunciation dictionaries of proper names. The project ONOMASTICA, funded by the LRE programme, has built pronunciation dictionaries for the names of the European Union. These are city and town names, street names, family names, first names, product names, for 11 languages - Danish, Dutch, English, French, German, Greek, Italian, Norwegian, Portuguese, Spanish and Swedish. An extension to Eastern European languages is ongoing. ELRA and the Dutch PTT are negotiating the terms, conditions and modalities of distribution of the complete Dutch Onomastica dictionary.''
  Beschikbaarheid: Distributie door ELRA.
• Speri-Data AG Basic dictionaries (colloquial language).
  Omschrijving: ``These dictionaries contain a daily-life vocabulary. They include phonetic transcription with related phoneme lists. The following languages are available: Dutch 12,000 entries.''
  Beschikbaarheid: Distributie door ELRA.
• FONILEX.
  Omschrijving: Fonilex is een uitspraaklexicon voor het Nederlands in Vlaanderen. Het werd ontwikkeld in het kader van het Vlaams korte termijnprogramma Spraak- en taaltechnologie voor het Nederlands. Fonilex bevat de uitspraak van ruim 200.000 woorden, ontleend aan de CELEX database. Voor elke woordvorm vermeldt de databank de spelling, de fonologische vorm, en minstens één en ten hoogste drie (regelmatige) fonetische uitspraakvormen. Elke ingang bevat tevens een identificatienummer dat het verband legt met de CELEX database, zodat daar vermelde gegevens eveneens toegankelijk zijn.
  Beschikbaarheid: Sinds kort is het programma voor wetenschappelijk onderzoek beschikbaar gesteld voor derden.

2.1.3 Overige Hulpmiddelen

In deze sectie beschrijven we een aantal hulpmiddelen voor TST die een algoritmisch aspect bevatten en die speciaal gericht zijn op het Nederlands. Daarnaast noemen we een aantal standaards. We gaan in deze sectie niet in op algemene software voor het exploreren van corpora en woordenboeken, het maken van morfologische software, of het ontwikkelen van grammatica's.

Morfologische analyse

• Xerox.
  Omschrijving: Xerox Research Centre Europe heeft programma's ontwikkeld voor de morfologische analyse van diverse Europese talen, gebaseerd op het gebruik van finite state technologie. De on-line demo geeft bijvoorbeeld het resultaat in figuur 2.1. De technologie wordt ingezet bij toepassingen waarin verschillende talen een rol spelen (automatisch vertalen, multilinguale IR).
  Beschikbaarheid: Er is een on-line demo versie. Voor commerciële licenties en toepassingen is de Xerox-dochter Inxight verantwoordelijk.

  Afbeelding 2.1: Uitvoer van de on-line demo van Xerox' morfologische analyse-programma.

• Uplift.
  Omschrijving: Het Uplift project onderzoekt de mogelijkheden van taaltechnologie voor IR. Als onderdeel van een project is een stemmer gemaakt (een programma dat de stam van verbogen woorden bepaalt). Merk op dat een stemmer geen informatie geeft over de categorie of morfologische kenmerken van een woord, maar zich beperkt tot het bepalen van de stem. Daarnaast wordt de (taalkundige) accuratesse van het systeem beperkt doordat geen woordenboek wordt gebruikt. (Analyse van klapschaatsen geeft klapschaats, van gemiddelde geeft middel, van varken (en varkens) geeft vark, van kinderen geeft kind, van verzekeren geeft verzekeer.)
  Beschikbaarheid: Een on-line demo is beschikbaar, en ook de code van het programma is publiek gemaakt.

Part-of-speech taggers

• Xerox.
  Omschrijving: De gebruikte technieken worden niet beschreven, maar het is waarschijnlijk dat de Xerox tagger ontwikkeld is volgens de statistische benadering die wordt beschreven in Chanod en Tapanainen (1995) en Cutting et al. (1992). Deze methode maakt gebruik van een morfologisch analyseprogramma, in combinatie met een guesser die de mogelijke categorieën van onbekende woorden bepaald, en een statistisch model dat gebruik maakt van frequentieinformatie (woord $W$ is met $n$% kans een zelfstandig naamwoord) en van informatie over de waarschijnlijkheid van woordklasse-combinaties (de kans dat een adjectief vooraf wordt gegaan door een lidwoord is $n$%). De gebruikte tagset bevat 49 elementen. Een voorbeeld van de werking van de on-line demo-versie is te vinden in figuur 2.2.
  Beschikbaarheid: Er is een on-line demo versie. Voor commerciële licenties en toepassingen is de Xerox-dochter Inxight verantwoordelijk.

  Afbeelding 2.2: Voorbeeld uitvoer van de Xerox tagger.

  

• Wotan.
  Omschrijving: ``De WOTAN tagger is ontwikkeld door Johan Berghmans (Berghmans, 1994). De WOTAN tagger maakt gebruik van softwarecomponenten die door de TOSCA-groep zijn ontwikkeld voor het Engels, maar die voor het grootste gedeelte taalonafhankelijk zijn. De trainingsdata, die natuurlijk wel taalafhankelijk zijn, bestonden uit 1,5 miljoen woorden die in eerdere projecten getagd en gecontroleerd waren. De tagger bestaat uit vier componenten. Een eerste component is de tokenizer. Die maakt de onbewerkte tekst in ASCII-formaat klaar voor verwerking. Een tweede component is een woordvormenlexicon. Dit is met behulp van speciale software geëxtraheerd uit het trainingscorpus. Omdat er in de tagger geen morfologische regelcomponent is opgenomen, waaruit stamvormen zouden kunnen worden afgeleid, bevat het lexicon geen woordstammen, maar gehele woordvormen. Een derde component is het suffixenlexicon. Aangezien het mogelijk is dat een woord uit de te analyseren tekst niet in het woordvormenlexicon voorkomt (omdat het niet in het trainingsmateriaal aanwezig was), is er een suffixenlexicon voorzien. Dit moet voorkomen dat onbekende woorden niet van een tag zouden worden voorzien. Een vierde component tenslotte is van probabilistische aard. Deze component bepaalt op basis van de context welke tag aan een woord moet worden toegekend.''^2.1 Figuur 2.3 geeft een voorbeeld van de analyse van een tekstfragment met de WOTAN-tagger.
  Beschikbaarheid: Geen gegevens.

  Afbeelding: Voorbeeld van de uitvoer van WOTAN. Het $^$ -teken geeft hier een zinsgrens aan.

  

• MBT (KUB).
  Omschrijving: Aan de KUB werd een memory-based part-of-speech tagger-generator ontwikkeld (Daelemans et al., 1996a; Daelemans et al., 1996b). Met behulp hiervan is o.a. een tagger voor het Nederlands ontwikkeld, die gebruik maakt van de vereenvoudigde WOTAN tag-set (alleen woordsoorten, 13 tags). Het foutenpercentage voor deze tagger, die werd getraind op het Eindhoven-corpus is 4% (3% voor bekende woorden, 28% voor onbekende woorden).^2.2 Een voorbeeld van de uitvoer is te vinden in figuur  2.4. Er bestaat ook een versie van MBT met de volledige WOTAN tag set.
  Beschikbaarheid: Er is een on-line demo-versie van de MBT tagger beschikbaar. Specifieke taggers zijn onder voorwaarden beschikbaar voor onderzoekdoeleinden.

  Afbeelding 2.4: Uitvoer van de MBT tagger.

  

• DutchTale (INL).
  Omschrijving: ``Om de teksten voor zijn Taaldatabank van het Hedendaagse Nederlands te taggen en lemmatiseren, gebruikt het INL o.a. de POS tagger Dutchtale. De tagger (voor het Nederlands) is volautomatisch, maar biedt wel de mogelijkheid om achteraf, met behulp van een intelligente tekstverwerker die daarvoor ontwikkeld is, de output manueel te controleren. Het systeem bestaat uit drie modules: In de eerste module (lexicale opzoek- en morfologische analysemodule) vindt lemmatisering en woordsoorttoekenning plaats. Als een woord niet in een tokenlexicon gevonden, dan vindt er morfologische analyse plaats. Het gaat hier om zowel samenstellings- als afleidingsanalyse. De tweede module desambigueert op basis van een beperkte regelcomponent. In een apart regelbestand staan enkele honderden desambigueringsregels opgesteld in een formele taal. De derde module is statistisch van aard en werkt met n-grammen. De meest waarschijnlijke desambiguering wordt gekozen op basis van de directe linker en rechter context van een ambigu token. Een woordsoorttag wordt toegevoegd indien er in de voorgaande modules geen lemma was toegekend.''^2.3
  Beschikbaarheid: Geen gegevens.

• D-Tale (VU).
  Omschrijving: De dutch tagger lemmatizer voor het Nederlands is een programma dat werd ontwikkeld door de afdeling lexicologie aan de VU, voor Van Dale. De output is een tekst voorzien van tags die woordklasse (zelfst. naamw, werkwoord) en eventuele aanvullende kenmerken aangeven (enkelvoud/ meervoud) en ook het lemma. Tijdens de analyse raadpleegt het programma het woordenboek (140.000 woordvormen), worden morfologische regels toegepast, worden mogelijke woordsoorten van onbekende woorden voorgesteld, en worden tenslotte met behulp van statistische technieken ambiguiteiten opgelost. Het foutenpercentage is 7%.^2.4
  Beschikbaarheid: Geen gegevens.

Syntactische analyse

• Corrie.
  Omschrijving: Theo Vosse ontwikkelde de spelling- en grammaticacorrector CORRIE voor het Nederlands (Vosse, 1994). Onderdeel van het programma is een (Tomita-) parser voor het Nederlands. De grammatica is een augmented context-free grammar (een CFG waaraan attributen zijn toegevoegd om zaken als persoon en getal te kunnen beschrijven) met plusminus 500 regels en 14 regels die speciaal voor het doen van correctie zijn toegevoegd. Het systeem is getest op verschillende documenten (o.a. juridische teksten, wetenschappelijke boeken en scripties, en (6 megabyte) nieuwsberichten).
  Beschikbaarheid: Geen gegevens.
• Amazon.
  Omschrijving: Amazon is een grammatica ontwikkeld door Peter-Arno Coppen (KUN). Het is een grammatica die het Nederlands redelijk breed afdekt: ongeveer 95% van de ingevoerde tekst kan door het systeem ontleed worden. Een on-line versie van het systeem is te vinden op de AGFL (affix grammars over finite lattices) web-pagina. Deze versie werd gemaakt door Erik Oltmans (Oltmans, 1994), en maakt gebruik van een woordenboek van ongeveer 300.000 woorden dat uit CELEX werd afgeleid. Voorbeeld uitvoer van het systeem is te vinden in figuur 2.5.
  Beschikbaarheid: Geen gegevens.

  Afbeelding 2.5: Syntactische analyse in AMAZON.

  

Spraakherkenning

Er zijn geen producten voor spraakherkenning die zich speciaal op het Nederlands richten.

Spraaksynthese

• Fluent Dutch. Fluent Speech Technology ontwikkelt Fluent Dutch, een programma voor spraaksynthese. Men maakt gebruik van de MBROLA (public domain) difoon spraaksynthesizer. Er is een difoon-model voor het Nederlands beschikbaar (ook via MBROLA). Aan een programma voor grafeem-naar-foneem conversie wordt nog gewerkt:

  `` Fluent Dutch is a speech synthesis system for Dutch, which runs under Windows 3.1 or higher. It is not (yet) a full-fledged text-to-speech synthesizer, but generates synthetic speech of a superior quality from a phonetic transcription. The system can be used in multimedia applications such as "talking" dictionaries and educational CD-ROMS, as well as in dialogue systems of various kinds. At present, the system uses a male voice. A female voice is in preparation.''
  Beschikbaarheid: Een deel van het materiaal is vrij beschikbaar via Mbrola.

• TreeTalk.
  Omschrijving: TreeTalk is een programma voor grafeem-naar-foneem conversie dat is ontwikkeld binnen het inductive language learning project aan de KUB (Daelemans en van den Bosch, 1996; van den Bosch, 1997). Het programma zet een reeks woorden om in reeksen fonemen in DISC notatie (de notatie die door CELEX wordt gebruikt). Het programma werkt op woordbasis en houdt dus geen rekening met prosodische effecten op zinsniveau.
  Beschikbaarheid: Er is een on-line demo-versie van het programma beschikbaar.

Standaards

• Fonetische Alfabetten.
  Het meest gebruikte fonetische alfabet is IPA (international phonetic association. Voor codering van corpora en elektronische lexica is dit alfabet echter minder geschikt, omdat het gebruikt maakt van symbolen die geen deel uitmaken van het ASCII alfabet. Om dit probleem te omzeilen zijn verschillende ASCII fonetische alfabetten ontwikkeld. Een algemeen aanvaard alfabet is SAMPA (Wells, 1987). In de CELEX database wordt bijvoorbeeld gebruik gemaakt van SAMPA. Daarnaast zijn binnen CELEX nog drie andere notaties beschikbaar (CELEX, CPA, en DISC), waarvan er één (DISC) zo is ontworpen dat ieder fonetisch symbool met precies één teken correspondeert (met name nuttig voor computationele toepassingen). Merk overigens op dat het hier steeds slechts notationele varianten van SAMPA en IPA betreft, zodat de verschillende notaties eenvoudig naar elkaar omgezet kunnen worden. Voor het FONILEX uitspraakwoordenboek werd gebruik gemaakt van YAPA (yet another phonetic alphabet). Dit alfabet wijkt op onderdelen af van de notatie die in CELEX primair is (DISC), o.a. doordat het rekening houdt met de uitspraak van (Franse) leenwoorden.
• Woordsoorten.
  Corpora die zijn voorzien van informatie over woordsoort en part of speech taggers die automatisch woordsoorten toekennen maken gebruik van een vooraf gedefinieerde verzameling woordsoorten, de tagset. In de WOTAN tagger wordt gebruik gemaakt van een tagset die is ontwikkeld door de TOSCA groep in Nijmegen. Deze tagset bestaat uit 243 verschillende tags (zie ook figuur 2.3). Uitgangspunt was de verdeling in hoofdwoordsoorten en hun onderverdelingen zoals die is te vinden in de ANS. Een sterk vereenvoudigde versie van deze tagset maakt alleen een onderscheid in woordsoorten, en bevat slechts 12 elementen (ADJ, ADV, ART, CONJ, INT, MISC, N, NUM, PREP, PRON, PUNC, V). Deze wordt bijvoorbeeld gebruikt in de (online) MBT tagger. De Xerox tagger maakt gebruik van een verzameling van 49 tags (zie ook figuur 2.2). De INL corpora maken gebruik van een kleine tagset (dertien elementen: a(djectief), b(ijwoord), c(onjunctie), e(igennaam), l(idwoord), o(ngespecificeerd), p(ronomen), t(elwoord), v(oorzetsel), z(elfstandig naamwoord)), en soms van een grotere tagset, die werd ontwikkeld door de TOSCA groep (KUN) in het kader van het MECOLB-project. Deze tagset is waarschijnlijk identiek aan de WOTAN tagset.
  Binnen het reeds vaker genoemde EAGLES-project is een aanzet gegeven voor een standaard voor morfosyntactische annotatie van corpora. Er worden vier typen tags onderscheiden:

  Verplichte tags.

  Hiertoe behoren de hoofdwoordsoorten (Zelfstandig Naamwoord, Werkwoord, Voegwoord, ...

  Aanbevolen tags.

  Hiertoe behoren de tags die algemeen gebruikte eigenschappen aanduiden als Geslacht, Getal, Persoon, ...

  Optionele tags.

  Voor bepaalde doeleinden kan het nodig zijn meer specifieke woordsoorten, eigenschappen etc. te onderscheiden. Dit wordt gedaan met optionele tags.

  Taalspecifieke tags.

  Bepaalde woordsoorten en eigenschappen komen slechts in enkele (Europese) talen voor. Hiervoor zijn aparte tags nodig. Voor het Nederlands zijn er bijvoorbeeld extra tags voorgesteld voor de waarden De, respectievelijk Het-woord bij Geslacht, en de waarden Vol, respectievelijk Gereduceerd bij Persoonlijk Voornaamwoord.

  De volledige tagset is op bovengenoemde webpagina terug te vinden.
• Syntactische en semantische annotatie.
  Binnen het hiervoor genoemde EAGLES-project is ook een voorstel gedaan voor een standaard voor syntactische annotatie. Ook hier zijn er een aantal typen tags voorgesteld:

  Verplichte tags.

  Er zijn vele redenen om een corpus syntactisch te annoteren. Er (b)lijkt geen type annotatie te zijn die voor alle doeleinden voldoet.

  Aanbevolen tags:

  de bekende categorieën Zin, Niet-finiete Zin, Nominale Constituent, Verbale Constituent, Adjectivische Constituent, Adverbiale Constituent en Voorzetsel Constituent

  Optionele tags.

  Er worden verschillende typen optionele tags onderscheiden waaronder:

  Syntactische tags.

  Hieronder vallen tags voor bijvoorbeeld het nader benoemen van Niet-finiete Zinnen: afhankelijke zin, beknopte bijzin, enz. Of voor het aanduiden van de grammatische functie: Onderwerp, Meewerkend Voorwerp, enz. De keuze van de tags is in al deze gevallen voor een deel taalspecifiek.

  Semantische tags.

  Voor nadere tags bij een NC valt hier te denken aan Definiet en Indefiniet, bij een AdvC aan een nadere precisering als Tijd, Plaats, Hoedanigheid, etc.

  Het zal duidelijk zijn dat deze EAGLES-standaard nog niet de status heeft van bijvoorbeeld die met betrekking tot morfosyntactische annotatie.
  Er zijn niet of nauwelijks voorbeelden van syntactisch geannoteerde corpora voor het Nederlands. Binnen het ANNO project is hiertoe wel een aanzet gegeven (zie figuur 2.6 voor een voorbeeld). Binnen het OVIS project is een deel van het corpus voorzien van syntactische en semantische annotatie (zie figuur 2.7).

Afbeelding 2.6: Syntactische annotatie in ANNO.

Afbeelding 2.7: Syntactisch/semantische annotatie in OVIS.

2.1.4 Het internationale perspectief

In deze sectie noemen we een aantal hulpmiddelen die voor andere talen beschikbaar zijn, die van groot belang lijken voor onderzoek op TST-gebied, en die door onze interviewpartners genoemd werden als voorbeelden en als hulpmiddelen waarvan men graag een Nederlandstalige tegenhanger zou zien. Binnen het kader van dit onderzoek bleek het niet mogelijk een uitputtend onderzoek te doen naar hulpmiddelen voor talen anders dan het Nederlands, en ook onze gesprekspartners gaven meermalen aan niet over zo'n overzicht te beschikken. Wel lijkt men het eens te zijn over een aantal van de belangrijkste producten. Het onderstaande overzicht is gebaseerd op voorbeelden die in de interviews werden genoemd. Het is zeer onvolledig, en beperkt zich tot het Engels. Bij instanties als ELRA, LDC, het DFKI software registry is nog een veelvoud aan vergelijkbaar materiaal te vinden.

Corpora

• British National Corpus.
  Omschrijving: Dit is een groot (100 miljoen) corpus van gesproken en geschreven Engels. Het corpus is samengesteld uit kortere teksten (maximaal 45.000 woorden) en fragmenten (van maximaal 45.000) woorden uit langere teksten. Ongeveer 10 miljoen woorden van het corpus zijn transcripties van gesproken Engels.
  Beschikbaarheid: Het corpus is beschikbaar op CD-ROM en via het WWW. De teksten uit het corpus mogen zelf niet verder gedistribueerd of openbaar gemaakt worden, maar alle resultaten die gebaseerd zijn op corpusonderzoek mogen gebruikt worden voor onderzoeksdoeleinden en daarop gebaseerde producten.

• Brown Corpus, LOB Corpus.
  Omschrijving: Het ICAME (International Computer Archive of Modern and Medieval English) distribueert verschillende corpora, waaronder het Brown-corpus (1 miljoen woorden) en het Londen-Oslo-Bergen-corpus (1 miljoen woorden). Beide corpora zijn beschikbaar in verschillende formaten, waaronder versies die voorzien zijn van woordsoort.
  Beschikbaarheid: Distributie door ICAME.

• Penn Treebank.
  Omschrijving: De Penn Treebank bestaat uit een aantal corpora (o.a. 1,6 miljoen woorden uit de Dow Jones nieuwsdienst, 1 miljoen woorden uit de Wall Street Journal, materiaal ontleend aan ATIS, MUC, en IBM handleidingen) die handmatig van constituentstructuur zijn voorzien.
  Beschikbaarheid: Het corpus wordt gedistribueerd door het Linguistic Data Consortium. Het corpus is beschikbaar op CD-ROM, en kan ook gedeeltelijk via het Web geraadpleegd worden.
• UN Corpus.
  Omschrijving: Het UN-corpus bestaat uit parallele teksten voor het Engels, Frans, en Spaans met een omvang van 2,5 gigabyte tekst.
  Beschikbaarheid: Het corpus wordt gedistribueerd door het Linguistic Data Consortium.
• Crater.
  Omschrijving: Het CRATER-corpus is een 1 miljoen parallell (aligned) corpus voor het Engels, Frans, en Spaans. Het corpus is voorzien van annotatie (lemma en woordsoort, gecorrigeerd), en wordt geleverd met hulpmiddelen voor extractie en alignment.
  Beschikbaarheid: Distributie door ELRA.
• ATIS.
  Omschrijving: Het ATIS (air travel information system) corpus, verkrijgbaar bij LDC, bevat verschillende opnames van interactie tussen gebruikers en een (echt of gesimuleerd) systeem dat informatie geeft over verbindingen van luchtvaartmaatschappijen. De corpora zijn aangemaakt en gebruikt in het DARPA spoken language systems programma.
  Beschikbaarheid: Distributie door het Linguistic Data Consortium.

• CSR.
  Omschrijving: De CSR (continuous speech recognition corpora, verkrijgbaar bij LDC, bevatten gelezen fragmenten ontleend aan het Wall Street Journal corpus (zie Penn Treebank). De fragmenten zijn zo gekozen dat ze gebruik maken van een vocabulaire van 5.000 of 20.000 woorden. De corpora zijn gebruikt in het DARPA Spoken Language Program.
  Beschikbaarheid: Distributie door het Linguistic Data Consortium.

• Overige LDC Corpora. Naast bovengenoemde corpora zijn via het Linguistic Data Consortium nog een groot aantal andere spraakcorpora, zoals CALLFRIEND, CALLHOME, en SWITSCHBOARD en tekstcorpora, zoals de BROADCAST NEWS TRANSCRIPTS, het NORTH AMERICAN NEWS TEXT CORPUS, en TIPSTER, beschikbaar.

Lexica

• COBUILD.
  Omschrijving: Het Collins' Cobuild (learners) woordenboek is gebaseerd op intensief gebruik van corpusgegevens (waarvoor een Bank of English is samengesteld met een omvang van meer dan 320 miljoen woorden).
  Beschikbaarheid: Distributie door Colbuild. Het corpus zelf is deels on-line te raadplegen, en wordt deels meegeleverd op de Cobuild CD-ROM, die het woordenboek, een grammatica, en verwijzingen naar het corpus bevat.

• WordNet.
  Omschrijving: WordNet is een semantische lexicale database voor het Engels (Miller et al., 1990), met een omvang van meer dan 100.000 woorden, waarin voor zelfstandige naamwoorden, adjectieven, en werkwoorden informatie over synoniemen (plank, board), antoniemen (rise, fall), hyponiemen (maple, tree, ISA-relatie), en meroniemen (tree, root) (HASA-relatie).
  Beschikbaarheid: De database is vrij beschikbaar via de Wordnet web-pagina.

• Comlex.
  Omschrijving: Comlex is een woordenboek met ongeveer 38.000 trefwoorden dat gedetailleerde informatie bevat over de syntactische eigenschappen van ieder woord, met name valentie.
  Beschikbaarheid: Distributie door het Linguistic Data Consortium.

2.1.4.1 Halffabrikaten en overig

• Brill-tagger.
  Omschrijving: De POS-tagger van Eric Brill (Brill, 1995) maakt gebruik van transformation-based error-driven learning om uit een corpus voorzien van woordsoorten een tagger af te leiden.
  Beschikbaarheid: De tagger is vrij beschikbaar via Brill's web-pagina.
• EngCG-2.
  Omschrijving: EngCG-2 van het Finse bedrijf Conexor is een snelle POS-tagger voor het Engels, die gebruik maakt van constraint grammar, een regelformalisme gebaseerd op finite state technologie (Samuelson en Voutilainen, 1997).
  Beschikbaarheid: Commerciële en academische licenties zijn verkrijgbaar via Conexor.
• XPOST.
  Omschrijving: De Xerox Part-of-Speech Tagger XPOST (Cutting et al., 1992) is een tagger geïmplementeerd in LISP, getraind op het Brown-corpus.
  Beschikbaarheid: De tagger is beschikbaar voor onderzoeksdoeleinden.
• XTAG.
  Omschrijving: XTAG is een wide-coverage grammatica en voor het Engels, gebaseerd op Tree Adjoining Grammar ontwikkeld voor onderzoeksdoeleinden. Het systeem bevat een tagger getraind op het Wall Street Journal corpus, een woordenboek met meer dat 300.000 woordvormen, en meer dan 300 grammaticale regels (lexicalized trees).
  Beschikbaarheid: De grammatica, documentatie, en bijbehorende software is vrij beschikbaar.

• CLE.
  Omschrijving: De Core Language Engine (Alshawi, 1992) is een computationele grammatica, ontwikkeld door SRI Cambridge, die is bedoeld als general purpose natural language processing system. De CLE is gebruikt voor natuurlijke taal interfaces (ook voor gesproken taal), vertaalsystemen voor gesproken taal, toepassingen waarbij controlled language een rol speelt.
  Beschikbaarheid: Licenties voor de CLE zijn mogelijk voor onderzoeksdoeleinden en voor commerciële toepassingen.
• EngLite en FDG.
  Omschrijving: De ENGLITE en FDG parsers van het Finse bedrijf Conexor zijn wide-coverage parsers die een light (shallow) syntactic parse c.q. een full dependency parse toe kennen aan zinnen.
  Beschikbaarheid: Commerciële en academische licenties zijn verkrijgbaar via Conexor.
• TSNLP.
  Omschrijving: De TSNLP testsuite bevat geannoteerde data voor het Engels, Duits, en Frans, bedoeld om te worden gebruikt bij het testen en evalueren van taalverwerkende systemen. Per taal zijn meer dan 4000 items opgenomen.
  Beschikbaarheid: Distributie via ELRA.

2.2 Immateriële infrastructuur

In deze sectie zal een overzicht worden gegeven van de instellingen (onderzoek, onderwijs, beleid) die actief zijn op het gebied van de Taal- en Spraaktechnologie. Hierbij wordt in een aparte sectie aandacht besteed aan de rol van de industrie. Tenslotte zullen een aantal initiatieven in het buitenland op een rijtje worden gezet.

2.2.1 Onderzoek

In Nederland wordt aan de meeste universiteiten onderzoek verricht op het gebied van TST voor het Nederlands. Bijvoorbeeld in:^2.5

• Amsterdam, UvA: Alfa-informatica (t), Instituut voor Fonetische Wetenschappen (s)
• Amsterdam, VU: Lexicologie (t), Terminologie (t)
• Delft, TUD: Kennisgestuurde Systemen (s)
• Eindhoven, TUE: Instituut voor Onderzoek naar Mens-Systeem Interactie (s)
• Groningen, RUG: Alfa-informatica (t)
• Leiden, RUL: Algemene Taalwetenschap (t)(s), Functieleer(t)
• Nijmegen, KUN: Taal- en Spraaktechnologie (t)(s)
• Tilburg, KUB: Taal en Informatica (t)
• Twente, UT: CTIT (Centrum voor Telematica en Informatietechnologie) (t) (s)
• Utrecht, RUU: UIL/OTS (Utrecht Institute of Linguistics/ Onderzoeksinstituut voor Taal en Spraak) (t)(s)

In Vlaanderen vindt er bijvoorbeeld onderzoek plaats aan de universiteiten in:

• Antwerpen, UIA: Centrum voor Nederlandse Taal en Spraak (CNTS) (t)
• Brussel, VUB: ETRO (s)
• Gent, UG: ELIS (s)
• Leuven, KUL: Centrum voor computerlinguïstiek (CCL) (t), ESAT (s)

en eveneens aan de Katholieke Vlaamse Hogeschool (Departement Tolken en Vertalers) in Antwerpen.

Daarnaast zijn er in beide landen nog een aantal universitaire onderzoekscentra binnen andere faculteiten, die zich vooral op bijvoorbeeld het juridisch of het medisch taalgebruik richten, bijvoorbeeld ICRI (Interdisciplinair Centrum voor Recht en Informatica, KUL) en Medische Informatica (Gent, Geneeskunde).

In Nederland zijn er een aantal onderzoekscholen opgericht, zelfstandige organisatorische eenheden met een eigen budgetverantwoordelijkheid. In zo'n onderzoekschool wordt onderzoek van een of meer universiteiten op een bepaald terrein gebundeld met het doel de kwaliteit van het onderzoek te verbeteren en tot een samenhangend onderzoeksprogramma te komen. De scholen kunnen interuniversitair zijn. Enkele voor TST relevante onderzoekscholen zijn:

• Onderzoekschool LOGICA,
• IPA (Instituut voor Programmatuurkunde en Algoritmiek),
• BCN (Behavioural and Cognitive Neurosciences),
• J.F. Schouten Institute for User-System Interaction Research (opvolger van de onderzoekschool Perception and Technology),
• SIKS (School voor Informatie- en KennisSystemen),
• LOT (Landelijke Onderzoekschool Taalwetenschap),
• CLS (Centre for Language Studies),
• HIL (Holland Institute of Generative Linguistics),
• IFOTT (Instituut voor Functioneel Onderzoek van Taal en Taalgebruik) ^2.6

In Vlaanderen werken de universiteiten van Antwerpen, Gent, Brussel (VUB) en Leuven samen in CLIF (Computational Linguistics and Language Technology), een FWO-onderzoeksgemeenschap. CLIF heeft zich tot taak gesteld de Vlaamse taaltechnologie te coördineren en internationaal te verankeren. Daarnaast worden er hulpbronnen bijeen gebracht.

In Nederland zijn ook nog een aantal niet-universitaire onderzoekscentra werkzaam, veelal gefinancierd door overheid, bedrijfsleven en/of universiteiten samen:

• Telematica Instituut in Enschede
• TNO, Nederlandse Organisatie voor Toegepast Wetenschappelijk Onderzoek

Het TELEMATICA INSTITUUT is een consortium van bedrijven en kennisinstellingen, met financiële steun van de overheid. Er wordt vooral contractonderzoek uitgevoerd. De deelnemers zijn IBM, KPN, Lucent Technologies, ING en Rabofacet. Daarnaast contribueren ABP/USZO, Cap Gemini, Ericsson, Océ en Syllogic. De bedrijven ECT, Heidemij, NS, NOB, Origin en VNU zijn geassocieerd lid. Het Telematica Consortium is nog in onderhandeling met andere bedrijven over hun deelname. De Universiteit Twente, de Universiteit Delft, CWI, TNO, Multimedia en Telecommunicatie (TNO MET) nemen deel als kennisinstellingen. Het vroegere Telematica Research Centre (TRC) is in het Telematica Instituut opgegaan.

De vele TNO-onderzoeksinstituten voeren vooral contractonderzoek (zowel meer fundamenteel als toegepast) voor de overheid en het bedrijfsleven uit. TNO is een semi-overheidsinstelling (het is opgericht door de overheid, maar kan tot op grote hoogte een eigen beleid voeren). Voor TST zijn vooral belangrijk het TNO Institute for Applied Physics (TPD, Delft), het TNO Fysisch en Elektronisch Laboratorium (Den Haag), het TNO Human Factors Research Institute (Soesterberg) en, op beleidsniveau, TNO Strategie, Technologie en Beleid (STB, Apeldoorn). Het CWI (Centrum voor Wiskunde en Informatica) Amsterdam is meer zijdelings bij het TST-onderzoek voor het Nederlands betrokken.

Verder zijn er nog belangrijke instituten die vooral toegepast onderzoek verrichten, of resources en tools ter beschikking stellen:

• CELEX (Centrum voor Lexicale Informatie), Nijmegen (Max Planck Instituut). In 1986 gesticht door 5 Nederlandse onderzoekscentra, waaronder het Max Planck Instituut en de Universiteit van Nijmegen (Taal en Spraak). Sinds 1989 is CELEX erkend als nationaal kenniscentrum. CELEX beschikt over een grote database met informatie met betrekking tot fonologie, morfologie, syntaxis en frequentie voor Nederlandse, Duitse en Engelse lemmata.
• SPEX, (Speech Processing EXpertise Centre), Nijmegen (KUN). Opgericht in 1987, deelnemende universiteiten: Amsterdam, Utrecht, Nijmegen, Leiden en Eindhoven. SPEX is een organisatie die zich bezighoudt met het ontwikkelen en beschikbaar stellen van software, tools en databases op het gebied van spraaktechnologie. Validatie (spraak) is momenteel een van de belangrijkste activiteiten (bijvoorbeeld voor ELRA).
• STDH (Stichting Tekstcorpora en Databestanden in de Humaniora). Opgericht in 1990. De STDH is opgericht met als doel het onderzoek op het gebied van de tekstcorpora en databestanden in de humaniora te bevorderen en de kennis op dit gebied te verbreiden. Het is de intentie om de website van het STDH uit te bouwen tot een centraal informatiepunt op het gebied van het corpusonderzoek in Nederland en Vlaanderen. Ook wil de STDH de activitieiten op het gebied van corpusonderzoek bundelen en coördineren.

Het gaat in alle drie de gevallen om kleine organisaties (0.5 - 3 fte). Vaak worden ook de subsidies slechts voor een korte termijn toegezegd (zoals in geval van CELEX).

Hoewel de meeste onderzoekscentra puur Nederlands, dan wel Vlaams zijn, is er toch een gezamenlijk NEDERLANDS-VLAAMS initiatief, namelijk het INL (Instituut voor Nederlandse Lexicologie), te Leiden. Het INL is in 1969 opgericht. Relevant voor TST is de INL-Taalbank. Ook participeert het INL in Europese TST projecten, zoals PAROLE.

De belangrijkste onderzoeksprojecten op het gebied van de TST waren in Nederland het NWO prioriteitsprogramma voor Taal- en Spraaktechnologie (1995-2000) en in Vlaanderen het Korte termijn programma voor Taal- en Spraaktechnologie (1994-1997). Er zijn tot dusverre ook een paar gezamenlijke onderzoeksinitiatieven geweest op het gebied van TST, namelijk EUROTRA (1982-1993) en het Corpus Gesproken Nederlands (1998-2003).

In Nederland houdt het NIWI (Nederlands Instituut voor Wetenschappelijke Informatiediensten) een databank bij met informatie over wetenschappelijk onderzoek in Nederland. In Vlaanderen wordt dat gedaan in de IWETO-databank (Inventaris van het Wetenschappelijk en Technologisch Onderzoek in Vlaanderen) door het Ministerie van de Vlaamse Gemeenschap, afdeling Wetenschap en Innovatie (AWI).

2.2.2 Onderwijs

In Nederland en in Vlaanderen kan aan alle universiteiten die in de vorige sectie werden genoemd als onderzoekscentra ook in een of andere vorm TST worden gestudeerd.

In Vlaanderen maken de taaltechnologische richtingen deel uit van de Letterenfaculteiten, terwijl de spraaktechnologische richtingen zijn ondergebracht bij Toegepaste Wetenschappen. In Nederland is er niet zo'n verdeling te maken. Daar zijn de meeste taal- èn spraaktechnologische richtingen ontstaan binnen de Letterenfaculteiten. In Delft, Eindhoven en Twente, de drie technische universiteiten, is TST ondergebracht bij de Faculteit (Technische) Informatica.

In Nederland kan men aan elk van de onderstaande universiteiten een studie in een TST-richting volgen. Men moet in de meeste gevallen eerst een propedeuse hebben afgelegd voor men kan overstappen.

• Amsterdam, UvA: Alfa-informatica (t), Fonetische Wetenschappen (s)
• Delft, TUD: Kennisgestuurde Systemen (KGS) (s)
• Eindhoven, TUE: Mens-Systeem Interactie (postdoctoraal) (s)
• Groningen, RUG: Alfa-informatica (t), Technische Cognitie Wetenschap (TCW) (t)
• Nijmegen, KUN: Taal, Spraak en Informatica (t)(s)
• Tilburg, KUB: Taal en Kunstmatige Intelligentie (t)
• Twente, UT: Linguistic Engineering (t) (s)
• Utrecht, RUU: Documentaire Informatiekunde (t), Taal- en Spraakautomatisering (t)(s), Cognitieve Kunstmatige Intelligentie (CKI) (t)

De Nederlandse onderzoekscholen (zie vorige sectie) verzorgen ook opleidingsprogramma's van AIO's, OIO's (Assistent in Opleiding, respectievelijk Onderzoeker in Opleiding: afgestudeerden die aan een proefschrift schrijven.), en bursalen. Dergelijke opleidingsprogramma's kunnen de vorm hebben van cursussen waaraan promovendi uit de aangesloten universiteiten deelnemen. Een onderzoekschool kan zowel binnen een universiteit worden opgericht als tussen meer universiteiten, soms ook samen met andere onderzoeksinstellingen, bijvoorbeeld TNO.

In Vlaanderen kan men Taal- en Spraaktechnologie studeren als postgraduaatstudie, zoals de Master of Artificial Intelligence opleiding in Leuven. Aspecten van taal- en spraaktechnologie komen ook aan bod in de GGS Taalwetenschap (interuniversitair) en de GAS (Toegepaste) Informatica, oriëntatie Computerlinguïstiek. Geen van de hier vermelde opleidingen is vergelijkbaar met de opleidingen in Nederland. Daarnaast is het soms mogelijk zich door middel van TST-keuzevakken gedurende de ingenieurs- of licentiaatstudie iets te specialiseren in spraak- of taaltechnologie (bijvoorbeeld zwaartepunt Taaltechnologie, Germaanse UIA of de module Taaltheorie en Computerlinguïstiek, Germaanse Leuven). In al die gevallen gaat het om een relatief beperkt aanbod van vakken.

Naast de universitaire opleiding is er dit jaar ook een specialisatiejaar Taal en Informatica (deeltijd-opleiding, 1 jaar) gestart door de Katholieke Hogeschool Zuid-West-Vlaanderen (KATHO), in samenwerking met Flanders Language Valley. Het onderdeel Computerlinguïstiek wordt door CLIF verzorgd.

2.2.3 Industrie

De industrie vervult een rol zowel met betrekking tot het onderwijs als met betrekking tot het onderzoek. Wat het onderwijs betreft gaat het vooral om het aanbieden van stageplaatsen. Daarnaast kan de industrie ook een grote rol vervullen met betrekking tot het aanbieden van het onderwijs zelf. Een treffend voorbeeld is de opleiding die sinds vorig jaar wordt aangeboden door de Katholieke Hogeschool Zuid-West-Vlaanderen (KATHO), in samenwerking met Flanders Language Valley.^2.7 Daarnaast speelt de industrie idealiter een rol bij het invullen van de grote lijnen van de TST-opleidingen.
Ook met betrekking tot het onderzoek speelt de industrie een rol, als vragende partij ten opzichte van de universiteiten of, met hun eigen onderzoeksafdeling, als partner van die universiteiten in (nationale of Europese) onderzoeksprojecten.

Hieronder volgen een aantal van de bedrijven die in dit opzicht een rol spelen in Nederland en Vlaanderen:

• CAP GEMINI
• COMSYS
• GETRONICS
• FLUENCY Speech Communications
• LANGUAGE AND COMPUTING
• LANT Machine Translation Systems
• LERNOUT & HAUSPIE

• KPN Research
• MEDIALAB
• OCE Technologies

• PHILIPS Dictation Systems
• POLDERLAND
• POLYDOC
• SENTIENT MACHINE RESEARCH
• SYLLOGIC
• TELECATS

2.2.4 Beleid

In Nederland wordt het beleid op het gebied van TST voornamelijk bepaald door

• Ministerie van Onderwijs, Cultuur en Wetenschappen, afdeling OWB (Onderzoek en Wetenschapsbeleid)
• Ministerie van Economische Zaken
• NWO, Nederlandse Organisatie voor Wetenschappelijk Onderzoek

Onder NWO hebben een aantal onderdelen^2.8 te maken met TST:

• TAAL, SPRAAK EN LOGICA, een van de clusters uit het gebied Geesteswetenschappen
• WSA (Wetenschappelijk Statistisch Agentschap), een agentschap onder het Gebiedsbestuur voor de Maatschappij- en Gedragswetenschappen
• STW ( Stichting voor de Technische Wetenschappen), een zelfstandig onderdeel van NWO.^2.9 Het STW vormt de divisie Technische Wetenschappen.

In Vlaanderen zijn bij TST de volgende instanties betrokken:

• Ministerie van de Vlaamse Gemeenschap/Wetenschappelijk onderwijs
• Ministerie van de Vlaamse Gemeenschap/Admistratie Wetenschap en Innovatie (AWI)
• Kabinet van minister-president Van den Brande (Wetenschapsbeleid en Technologie)
• FWO-Vlaanderen (Fonds voor Wetenschappelijk Onderzoek-Vlaanderen)
• IWT (Vlaams Instituut voor de Bevordering van het Wetenschappelijk-Technologisch Onderzoek in de Industrie)

Het FWO stimuleert en financiert het fundamenteel wetenschappelijk onderzoek aan de universiteiten in de Vlaamse Gemeenschap en aan de instellingen voor wetenschappelijk onderzoek. Het stelt zich in dit opzicht strikter op dan de Nederlandse zuster-organisatie, die bijvoorbeeld het PRIORITEIT- programma Taal- en Spraaktechnologie heeft gefinancierd. Het Vlaamse Korte termijn programma ter zake is op ad hoc basis door het IWT begeleid.

Op Vlaams-Nederlands gebied zijn dan nog actief:

• NTU (Nederlandse Taalunie)
• CLVV, de Commissie Lexicale Vertaalvoorzieningen
• COTERM (terminologie)
• VNC, het Vlaams-Nederlands Comité voor Nederlandse Taal en Cultuur.

De hier genoemde instanties laten ieder onderzoek op hun specifieke gebied uitvoeren door derden.

Op Europees vlak zijn de programma's met betrekking tot TST (MLIS, LE, ESPRIT) ondergebracht bij het directoraat DG XIII van de Europese Commissie. Daarnaast is er nog het EUREKA-initiatief dat 'market-driven' onderzoek en ontwikkeling stimuleert. De fondsen komen van de nationale overheden, niet van de EG.

2.2.5 Buitenland

In een aantal landen levert de overheid grote inspanningen ten behoeve van een goede infrastructuur voor Taal- en Spraaktechnologie.
In Duitsland loopt al sinds 1993 (tot 2000) het megaproject VERBMOBIL. In Denemarken en Griekenland zijn nationale centra voor Taal- en Spraaktechnologie opgericht, het Center for Sprogteknologi (CST) in Kopenhagen en het Institute for Language and Speech Processing (ILSP) in Athene. Zij krijgen een ruime betoelaging van de nationale overheid, althans gedurende de eerste jaren. Naast het CST is er in Denemarken ook nog de DSN (Dansk Sprognævn). Deze instantie houdt zich bezig met taalplanning, terwijl het CST zich bezighoudt met taaltechnologie.
Ook in Spanje is er een instituut opgericht, het Observatorio Español de Industrias de la Lengua (OEIL) door het Ministerio de Industria y Energía. Dit instituut in Madrid is onderdeel van het Instituto Cervantes en moet zorgen dat alle noodzakelijk basisvoorzieningen aanwezig zijn, het publiek voorlichten, TST-producten promoten, en contact houden met allerlei Europese initiatieven. Dit instituut verschilt van de beide hiervoor genoemde doordat het zelf geen onderzoeksprojecten uitvoert. Een instituut van weer een iets ander type is het Research Institute for the Languages of Finland (RILF). Het is opgericht in 1976 om het beheer van een aantal reeds bestaande instituten te coördineren en te centraliseren. Het houdt zich momenteel bezig met onderzoek naar alle talen die in Finland worden gesproken, met de financiering van dergelijk onderzoek door derden, met het beheer van archieven/databestanden (al dan niet in elektronisch formaat) en met taaladviezen. Het RILF maakt deel uit van het Ministerie van Onderwijs. Voor de Franstalige landen zijn een aantal instanties^2.10 actief, waaronder AUPELF UREF (Association des universités partiellement ou entièrement de langue française - Université des réseaux d'expression française) en RIOFIL (Réseau International des Observatoires Francophones de l'Inforoute et du Traitement Informatique des Langues).^2.11 Meer op de Romaanse talen in het algemeen gericht is er de UNION LATINE.

In het buitenland zijn er een aantal grote organisaties die zich bezig houden met het verspreiden van (linguïstische) hulpbronnen, waaronder:

• BAS (Bavarian Archive for Speech Signals), München. Het BAS heeft tot taak databases gesproken Duits op optimale (gestandaardiseerde) wijze beschikbaar te maken voor zowel wetenschap als industrie.
• CSLU (Center for Spoken Language Understanding), Oregon. Het CSLU verzamelt en verspreidt spraakcorpora voor alle geïnteresseerden. Voor universiteiten zijn de corpora gratis beschikbaar.
• DEUTSCHE SPRACHARCHIV (DSAv), Mannheim. Er worden 32 Duitstalige corpora beheerd, slechts een deel daarvan is voor externe onderzoeksdoeleinden beschikbaar (onder meer op juridische gronden).
• ELRA (European Language Resources Association), Parijs. Naast het verzamelen en verspreiden van resources (zowel taal, spraak als terminologie) beschouwt ELRA vooral ook het valideren van resources als een belangrijke taak.
• LDC (Linguistic Data Consortium), Pennsylvania. Anders dan ELRA produceert het LDC ook zelf corpora, databanken, lexica en andere hulpbronnen voor zowel onderzoek als ontwikkeling van producten.
• SPRÅKBANKEN (Bank of Swedish) , Göteborg. De Språkbanken stelt zich tot taak linguistische data in machinaal leesbare vorm te verzamelen.
• ICAME Corpus Collectie. Een verzameling corpora, vooral Engelstalige.

Instanties als ELRA, LDC, BAS zijn voor een groot deel afhankelijk van financiering door de overheid (ministeries, onderzoeksfondsen, Europese fondsen).

Naast instellingen die het verspreiden van hulpbronnen tot doel hebben, zijn er ook een aantal die vooral de eigen hulpbronnen ter beschikking stellen. Een belangrijke is:

• BRITISH NATIONAL CORPUS (BNC). Een collectie van 100 miljoen woorden hedendaags Engels, zowel gesproken als geschreven

Wat de TST-opleidingen betreft, zijn er momenteel een aantal interessante ontwikkelingen, waaronder, binnen het SOCRATES programma, die voor een European Masters in Language and Speech, i.e. voor een opleiding die èn Taaltechnologie èn Spraaktechnologie omvat. Het gaat hier om een opleiding die in vele landen gevolgd kan worden, en die door gezaghebbende, internationale organisaties als ESCA en EACL zou moeten worden erkend.

Belangrijke netwerken voor TST zijn

• ELSNET (Network of Excellence in Language and Speech)
• COMPULOGnet (Network of Excellence in Computational Logic)
• I3NET (European Network for Intelligent Information Interfaces)
• THEMATIC NETWORK IN SPEECH COMMUNICATION SCIENCES
• ACO*HUM (Thematic Network in Advanced Computing in the Humanities)
• THEMATIC NETWORK IN THE AREA OF LANGUAGES

De drie eerste zijn ESPRIT netwerken, de andere SOCRATES netwerken. Er worden initiatieven ontplooit die op termijn mogelijk gevolgen hebben voor de TST-infrastructuur in het Nederlandse taalgebied. Ook zouden deze netwerken kunnen optreden als partners bij het aanvragen van projecten, bijvoorbeeld voor een basiscollectie taaltechnologische hulpmiddelen. Het BLARK (Basic LAnguage Resource Kit) initiatief van ELSNET en ELRA is hiervan een voorbeeld. Het idee hier is dat er onder het Vijfde Framework Programma voor gezorgd zou moeten worden dat men in alle Europese (EG en CEE) landen kan beschikken over een een minimale set hulpmiddelen, voorlopig gedefinieerd als een algemeen tekstcorpus om alle soorten precompetatief onderzoek te kunnen verrichten, met een omvang van ongeveer 10 miljoen woorden, geannoteerd volgens een algemeen geaccepteerde standaard, iets soortgelijks voor een spraakcorpus, en een collectie tools om met deze corpora om te kunnen gaan.

Andere internationale organisaties waarin mensen die werkzaam zijn in de taal- en spraaktechnologie zich hebben verenigd:

• ACL (Association for Computational Linguistics)
• EACL (European Chapter of the Association for Computational Linguistics)
• EAMT (The European Association for Machine Translation)
• ESCA (European Speech Communication Association)
• EURALEX (European Association for Lexicography)
• FOLLI (European Association for Logic, Language and Information)

Binnen ACL zijn er een aantal voor TST relevante SIGs (Special Interest Groups):

• SIGDAT (Special Interest Group for linguistic data and corpus-based approaches to natural language processing)
• SIGLEX
• SIGMEDIA (Special Interest Group on Multimedia Language Processing)
• SIGNLL ( Special Interest Group on Natural Language Learning)
  
• SIGPHON (Special Interest Group for Computational Phonology)

Nog zo'n SIG, maar dan door de EU gefinancierd is EAGLES (Expert Advisory Group on Language Engineering Standards)

Een elektronische nieuwsbrief voor taal, spraak en logica wordt verspreid door COLIBRI, informatie over nieuwe TSTpublicaties (al dan niet officieel) is te vinden in CMP-LG (Computation and Language E-Print Archive).

Tot slot nog enkele (organisatoren) van de belangrijkste conferenties en zomerscholen op TST-gebied:

• COLING (International Conference on Computational Linguistics)
• ACL
• EACL
• ESCA (European Speech Communication Association)
• ESSLLI (European Summer Schools in Logic, Language and Computation)
• ELSnet

Volgende: 3. Evaluatie Naar boven: De positie van het Vorige: 1. Inleiding en Uitgangspunten