Werkoverleg met GvN.

Taken:

1. PaQu

   • ✔ Corpus CGN with metadata omzetten in formaat van PaQu → speaker_id omzetten in country

   • ✔ Invoer corpus met metadata in MySQL: pqbuild
     • ✔ DATE, DATETIME
   • ❏ setHigh/unHigh in metadata, namen en waarde: pqbuild, pqserve

   • ❏ Telling van metadata op tab Zoeken

     • ✔ Nieuw onderdeel: telling — metadata

       • ✔ Alles (ook tekst): percentages normaliseren
       • ✔ In tabelvorm (gesorteerd op waarde, niet op telling, behalve bij tekst)

     • ❏ In onderdeel telling van combinaties: metadata toevoegen

       • ❏ tekst
       • ❏ int
       • ❏ float
       • ❏ datum/tijd
         • ❏ Op datum
         • ❏ Op weekdag
         • ❏ Op uur

   • ❏ Telling van metadata op tab XPath

     • ❏ In Selecteer één tot drie attributen

       • ❏ datum/tijd
         • ✔ Op datum
         • ❏ Op weekdag
         • ❏ Op uur

   • ❏ Tab Corpora

     • ❏ Metadata onder elke zin in overzicht
   • ✔ Bij boom
     • ✔ Metadadata voor datum/tijd formatteren
   • ❏ Nieuwe tab voor overzicht van een corpus

     • ❏ Naam: Analyse, Overzicht?

     • ❏ Statistische gegevens
     • ❏ Overzicht metadata
     • ❏ Subcorpus maken op basis van metadata
   • ❏ Bugs
     • → Kan ik niet reproduceren
     • ❏ Chromium: sorteren van tabel met beschikbare corpora werkt niet

     • ❏ Firefox: na klikken op inloggen wordt er geen nieuwe pagina geladen

Er zijn zinnen die geen enkel triplet in de database hebben, vooral in cgn, zoals de zin ggg .

<?xml version="1.0" encoding="UTF-8"?>                                                                          
<alpino_ds version="1.3">
  <metadata>
    <meta type="text" name="speaker_id" value="N01002"/>
    <meta type="text" name="country" value="NL"/>
    <meta type="text" name="sex" value="male"/>
    <meta type="int" name="birthyear" value="1952"/>
  </metadata>
  <node begin="0" cat="top" end="2" id="0" rel="top">           
    <node begin="0" end="1" id="1" lcat="SPEC(onverst)" pos="T003" postag="SPEC(onverst)" pt="spec" rel="--" root="ggg" spectype="onverst" word="ggg" lemma="ggg"/>                                                             
    <node begin="1" end="2" id="2" lcat="LET()" pos="T007" postag="LET()" pt="let" rel="--" root="." word="." lemma="."/>                                                                                                       
  </node>                                                                                                       
  <sentence>ggg .</sentence>                                                                                    
</alpino_ds>                                                                                                    

Probleem: Samenvoegen van corpora met incompatibele metadata (text vs int vs float vs date vs datetime).

Later: Tellingen in tabelvorm: Sorteren op kolom, net als in tabel met beschikbare corpora.

Later: Tab XPath, apart onderdeel voor alleen metadata, hierin percentages normaliseren, niet in met attributen gecombineerde tabel.

Later: Tellingen normaliseren. Hiervoor moet pqbuild ook per zin opslaan: aantal tokens, aantal nodes (zonder fold van mwu). Tellingen van metadata kun je normaliseren op basis van de verhoudingen van de waardes in alle data.

Verhoudingen in alle data: af, bf, cf
Getelde aantallen: at, bt, ct
genormaliseerde percentages:

sum = at / af + bt / bf + ct / cf
a = at / af / sum * 100
b = bt / bf / sum * 100
c = ct / cf / sum * 100

Voorbeelden

Zoeken naar gij
Het lijkt of vrouwen dit anderhalf keer zo vaak zeggen als mannen, maar in Vlaanderen is het percentages vrouwen groter dan in Nederland, 57.49% tegen 42.51%

CategoryPaQu