Statusrapport for tegnordbokprosjektet 30.08.03 Finn Arild Thordarson Utviklingsavdelingen Møller kompetansesenter finn.arild.thordarson@ks-moller.no
Organisasjon Prosjektleder: Finn Arild Thordarson (UTV) Bygging av ordbok/tegndatabase og videoproduksjon: Unni Helland, Randi M. Høidahl og Kjetil Rønning (UTV) Lingvistiske konsulenter: Irene Greftegreff, Sonja Erlenkamp og Guri Amundsen (HiST/ISP) Programmering: IntraPoint AS Grafisk design: Vegard Thinn (freelance) Resultater så langt: Tegnordboka På nåværende tidspunkt har vi klar en tidlig utgave av tegnordboka i fysisk form som et dataprogram og en tegndatabase. Vokabularet er i skrivende stund på ca 450 tegn (i tillegg kommer eksempler) og utvides fortløpende. Ca. 400-500 tegn er ferdiganalysert og vil bli filmet i studio i løpet av september. Vi kan altså regne med 900-1000 tegn i første versjon som lanseres før jul. Tegnordboka består av: TegnViser Windows applikasjon for å vise norsk tegnordbok (28.08.03: Versjon 0.3) TegnXML Dataformat for å lagre data som utgjør norsk tegnordbok (20.08.03: Versjon 1.0) HVL2XML verktøysapplikasjon for analyse og innlegging av ord i ordlista. Utvikling av TegnViser programmet og definering av TegnXML/lagring av tegn går parallellt, men det skilles mellom program og data. TegnXML 1.0 er definert med følgende attributter: leksem \sitatform \visningsord \kommentar \filnavn \kontekstform \kommentar \filnavn \sekvens start/stopp tidskode 25.11.2003 Norsk tegnordbok Statusrapport 2
Et leksem er en enhet i tegnordboka, dvs. et tegn med tilhørende eksempler (og flere attributter etterhvert som de føyes til). En sitatform er et tegn i nøytral utførelse, såkalt grunnform. Dette er et videoklipp, typisk gjort i studio. Visningsordet er et norsk ord som vises i ordlista i TegnViser. Kommentar er eventuelle tekstlige kommentarer som kan vises under videoen i TegnViser. Filnavn er filnavn til videoklippet som inneholder sitatformen. Siden sitatformer betraktes som enkeltopptak av tegn i nøytral utførelse, lagres hver sitatform som en enkelt videofil. En kontekstform er alltid knyttet til en sitatform. En sitatform kan ha et vilkårlig antall kontekstformer. Kontekstformer vises som eksempler på tegnspråksetninger hvor ordet som sitatformen viser er brukt. Normalt vil kontekstformer finnes i setninger fra lengre autentiske tegnspråkopptak, derfor er det definert en start og stopp tidskode. TegnViser 1.0 er laget for å benytte alle attributter i TegnXML 1.0, og har mulighet for fleksibel styring av video, se figur. TegnViser noen bilder: Versjon 0.3 (bygget 28.08.03) 25.11.2003 Norsk tegnordbok Statusrapport 3
Designsutkast av TegnViser med grafikk (klar i løpet av september): HVL2XML: 25.11.2003 Norsk tegnordbok Statusrapport 4
Tegnordbokprosjektet på web www.tegnordbok.no Vi har kjøpt domenet www.tegnordbok.no. I skrivende stund er tegnordboka en ren windows-applikasjon og en samling data, men på sikt vil det være naturlig at tegnordboka kan aksesseres via internett. Fram til da, vil domenet inneholde informasjon og trolig også nedlastbare ressurser. Pr. idag er ikke domenenavnet aktivisert, men webstedet er klargjort på www.acm.no/tegnordbok, som www.tegnordbok.no skal peke på når det blir aktivisert. Verktøy/arbeidsrutiner for tegnordbokprosjektet Det tas utgangspunkt i å analysere autentisk tegnspråkmateriell for å hente ut tegn som skal legges inn i tegnordboka (sitatform), klipp fra det analyserte materiellet (kilden) går inn som eksempler til tegnet (dvs. kontekstformer knyttet til sitatformen). For å analysere og hente ut tegn fra kildemateriellet, benyttes TegnSmed. Vi utvider TegnSmed funksjonaliteten noe med å innføre en egen notasjonssystem for å definere sitatformen i TegnSmed dokumentet (HVL-fil). TegnSmed egner seg til å analysere lengre videoklipp, og benyttes til å finne kontekstformer. Vi definerer også sitatformer inne i TegnSmed dokumentet. Etterpå konverteres den analyserte teksten fra TegnSmed (HVL-fil) til TegnXML med en spesiallaget applikasjon, HVL2XML. Denne XML-filen kan vises direkte i TegnViser etterpå. Sitatformene mangler da kun videoopptak av tegn i nøytral form, som produseres i studio og legges inn sammen med tegndata for TegnViser. Vokabularet kan da utvides raskt om man har god kildemateriell tilgjengelig. Å utvide tegnordboka med 2-300 tegn pr uke er da ikke urealistisk hvis forholdene ligger til rette for det. 25.11.2003 Norsk tegnordbok Statusrapport 5
Framdriftsplan 1 år framover Målsetninger September 2003: TegnViser 1.0 klar TegnXML 1.0 klar Vokabular: Ca 900-1000 ord HVL2XML konverterer klar Fordele oppgaver og ansvar for videre utvikling (organisere samarbeidspartnere for videre framdrift) TegnXML 2.0 under utvikling 31.10.2003: Utgivelse av CD-ROM med 1. utgave av Norsk Tegnordbok, inneholder TegnViser 1.0 og vokabular på mellom 450-1000 ord 31.12.2003: TegnXML 2.0 definert TegnViser 2.0 påbegynt Vokabular: Ca 1000-1500 ord 31.06.2004: Utgivelse av 2. utgave av Norsk Tegnordbok, med TegnViser 2.0, vokabular minst 2500 ord. Høsten 2004: Videreutvikle til versjon 3? Gjøre Norsk Tegnordbok til online ordbok, www.tegnordbok.no? Mer fokus på utvide vokabular, mål 5000 ord i 2004? 25.11.2003 Norsk tegnordbok Statusrapport 6
TegnXML 2.0 - målsetninger TegnXML 1.0 er spesifisert til å inneholde leksemer med sitatformer og kontekstformer. Begge har tekstlig kommentar og video knyttet til seg. Sitaform har også et visningsord. Dette gir oss i praksis en enkel norsk-tegnspråk ordliste. TegnXML 2.0 skal videreutvikle hva som kan lagres. Vi ønsker å bevege oss mot en tegnspråk-tegnspråk ordliste. Ønskede utvidelser av data som lagres: Semantisk sortering/kategorisering av tegn Parametrisere tegn etter deres visuelle karakteristikker Opprinnelsesdokumentering av tegnkilder Semantisk sortering/kategorisering av tegn Vi ønsker å kunne søke etter grupper tegn som er naturlig relaterte med hensyn til meningsinnhold. For eksempel å søke etter alle tegn som uttrykker hastighet (fort, sakte, langsomt, kjapt). Dette kan også ses på som en måte å oppnå synonymgruppering av tegn. En annen innfallsvinkel kan også være terskelnivåbeskrivelser eller språkfunksjoner, f.eks. gruppere alle tegn som fungerer som hilsener (hei, hallo, ha det, vi sees). Parametrisere tegn etter deres visuelle karakteristikker Dette er tidligere analysert/diskutert i forprosjektrapporten [Greftegreff 1998], og modellert som detaljert databaseskjema i hovedoppgaven Digital representasjon av norsk tegnspråk [Eilertsen 2000]. Det er naturlig å ta utgangspunkt i dette materiellet, men det bør også tas hensyn til praktiske begrensinger løsningene må kunne implementeres i løpet av relativt kort tid, og være åpne for videre utvidelser. Det er også utviklet mer faglig kunnskap om tegnspråk på lingvistisk plan de siste årene, og dette må også tas med under arbeidet. Opprinnelsesdokumentering av tegnkilder Det må defineres klart og tydelig hvor vi henter tegn i tegnordboka fra. Kontekstformer hentes direkte fra kildefil, sitatformer produseres. Begge må dokumenteres grundig. Det må bestemmes hvilke parametre som skal tas med. Geografiske og demografiske data m.m. Det er naturlig at de to første punktene blir oppgaver for linvistene tilknyttet tegnordbokprosjektet. Det tredje punktet må alle tilknyttet tegnordbokprosjektet avklare sammen, og det er mulig vi bør utvikle et arkivsystem for kildemateriell. Pr. idag er TegnXML 2.0 allerede under utvikling. 25.11.2003 Norsk tegnordbok Statusrapport 7
Vedlegg: Evaluering av framdriftsplan fra februar 2003 har vi fulgt opp målsetningene så langt? Ved overtakelse av prosjektet i februar 2003, satte vi følgende målsetning for 2003: a) Frembringe en første utgave av tegnordbok, for eksempel i form av en begrenset tegnoppslagsbok på CD-ROM b) Utarbeide en konkret fremdriftsplan for de neste fem årene, og igangsette dette i løpet av året. Både punkt a) og b) blir oppfylt i 2003 som denne rapporten har beskrevet. Framdriftsplanen pr februar 2003 var: 1. Evaluering 2. Planlegge prosjekframdrift/prosedyre for innsamling 3. Klargjøre tegndatabase og videolagring 4. Modellere brukergrensesnitt 5. Implementere brukergrensesnitt 6. Innsamling, testing, utgivelse 7. Etablere rutiner for vedlikehold og utgivelser, dokumentasjon Se figur på neste side og påfølgende punktvise gjennomgang av framdriftsplanen. 25.11.2003 Norsk tegnordbok Statusrapport 8
Langsiktig Februar 2003 Kortsiktig Møller kompetansesenter Teknisk leverandør Møller kompetansesenter Referansegruppe Innspill Sverige Registrere tegn fra video og Danmark Evaluering Dialog Nyinnspilling Lage enkel applikasjon Planlegge prosjektframdrift/prosedyrer Klargjøre tegndb Utgi CD-ROM for innsamling og videolagring Modellere brukergrensesnitt Dialog Implementere brukergrensesnitt 2004? Innsamling, testing, utgivelse Semi-automatisert Etablere rutiner, vedlikehold, produksjon/publisering dokumentasjon 2006? 25.11.2003 Norsk tegnordbok Statusrapport 9
1. Evaluering Arbeidet som er gjort av LS og GAN evalueres. Det må avgjøres om og hva som skal gjenbrukes/bygges videre på mhp databasen, videoløsninger og brukergrensesnitt. De valg som var optimale i 1997 må revurderes siden teknologien har utviklet seg fram til 2003. Det bør også hentes inspirasjon og erfaringer fra andre - kontakte Sverige og Danmark og se på deres løsninger for tegnspråkordbok. Resultat: Det har vært samarbeidsproblemer med GAN. I tillegg har vi kommet fram til en annen strategi for utviklingen av tegnordboka, og gjort andre valg av tekniske løsninger. Resultatet er da blitt at vi har bygd opp tegnordboka igjen fra bunn, men dette er også et resultat av erfaringene som er gjort tidligere i prosjektet. Når det gjelder inspirasjon/erfaringer fra andre land, har vi sett på Sverige, Danmark og Finlands løsninger. Danmark: Har en web-basert tegnordbok på www.nettegnsprog.dk. Dette er en enkel dansktegnspråk ordliste med emneinndeling. Vi har hatt kontakt med utviklerne. Det har vært mulig å kjøpe konseptet. Men dette tilsvarer den løsningen vi allerede har utviklet (bortsett fra at den danske versjonen er online, mens vår løsning er en Windows applikasjon), og vi får større frihet til å utvikle ordboka utover en enkel ordliste hvis vi lager vår egen løsning. Kostnadsmessig hadde vi heller ikke spart noe på å kjøpe løsningen og tilpasse den. Sverige: Har tidligere utgitt tegnordbok på CD-ROM, i form av en Macromedia Director/Authorware applikasjon. Tilsvarer samme teknologi som vi har brukt til TegnRom serien. Nyere er online tegnordbok på http://ling149.ling.su.se/ - men denne lite brukervennlig og basert på FileMaker for å produsere websider. Det gir mer inntrykk av videofiler som er arkivert i et katalogsystem enn en ren tegnordbok. Finland: Den mest avanserte løsningen, fins på http://suvi.viittomat.net. Basert på Microsoft.NET, med 6000 ord, med søk på tegnspråklige attributter som håndform og bevegelse. Men vanskelig å sette seg inn da det er 100% på finsk. Vi er i kontakt med utviklerne. Den finske løsningen er den mest interessante, og vi har god kontakt med utviklingsmiljøet der. Den finske løsningen er forøvrig sponset av Microsoft og Hewlett-Packard, og de oppfordrer andre til å forsøke å få til tilsvarende sponsing. 2. Planlegge prosjektframdrift/prosedyre for innsamling Etter evaluering vil det bli mer klart hvor omfattende arbeid som ligger foran oss og hvilke områder som må prioriteres. Konkret kravspesifikasjon kan utarbeides, omfanget kan vurderes og milepæler settes opp. En prosedyre for innsamling av materiale må også utarbeides. Her tenker vi på praktiske detaljer rundt selve språkmaterialet, som er en fordel å frambringe parallelt med at database og brukergrensesnitt for innlegging klargjøres: Velge materiale/områder 25.11.2003 Norsk tegnordbok Statusrapport 10
Opptak Registrering av kassetter Digitalisering Lage opptakslister Videoopptak grunnform Kvalitetssikring Resultat: Vi har god oversikt over dimensjonen på prosjektet og omfanget av utviklingsarbeidet som er gjort og under planlegging. Prosjektet holder seg til de rammene som er gitt, og delmål framover er spesifisert. Vi har nå utviklet en enkel arbeidsprosedyre som gjør at prosessen med å samle inn tegn og produsere innhold i tegnordboka er enkel å gjennomføre. Vi har utviklet et konverteringsverktøy som gjør det mulig å bruke TegnSmed for å produsere TegnXML data. Retningslinjer for kriterier for utvelgelse av tegn og kildemateriell er også under arbeid. 3. Klargjøre tegndatabase Norsk tegnspråkordbok vil strukturelt kunne ses på som delt i tre deler: en database, et system for lagring av video som databasen referer til (eventuelt lagres i selve databasen), og et brukergrensesnitt for a) innlegging og redigering av tegn, b) oppslag i tegndatabasen. Selve databasen og videolagringsløsningen bør være klar før et brukergrensesnitt kan ferdigstilles. Resultat: Vi har valgt å gjøre dette skrittvis, og vi har valgt å bruke XML for å strukturere data, TegnXML 1.0, og video lagres som digitale filer, både enkeltklipp og lengre filmopptak. Brukergrensesnitt vil bli modellert trinn for trinn, første trinn er i ferd med å fullføres. Vi ser nå på utvikling av databasestruktur og brukergrensesnitt som en trinnvis løsning, med versjoner. Istedenfor å prøve å lage en ferdig tegnordbok i en omgang, utvider vi en enkel men likevel fullt fungerende tegnordbok som kan brukes underveis inntil vi oppnår en tegnordbok med alle ønskede funksjoner. 4. Modellere brukergrensesnitt Det er ønskelig med innspill fra de som tenkes å bli redaktører i tegnordboka hvordan de forestiller seg det ideelle brukergrensesnitt. Brukervennlighet oppnås kun hvis grensesnittet er vennlig for de som faktisk skal bruke systemet. På grunnlag av dette kan vi lage en kravspesifikasjon. Resultat: Som nevnt ovenfor, er dette en iterativ prosess, og vi er ved versjon 1.0 nå. 5. Implementere brukergrensesnitt Selve utviklingen av brukergrensesnitt, gis til en ekstern partner som tar ansvar for den tekniske siden (programmering) på grunnlag av kravspesifikasjonen. 25.11.2003 Norsk tegnordbok Statusrapport 11
Resultat: IntraPoint AS tar seg av den tekniske produksjonen etter kravspesifikasjon fra oss. Vi har et godt samarbeid med dem, og de leverer resultatene etter avtale. Vi kommer til å fortsette samarbeidet. 6. Innsamling, testing og utgivelse Systemet tas i bruk. Feilretting, justeringer og feedback. Kvalitetssikring. Punkt 4-6 her er en delvis iterativ prosess. Det tas sikte på å finne en metode for å utgi det som legges inn i tegndatabasen, for eksempel i form av CD-ROM, DVD, video, bokform eller internettinnhold. Systemet er allerede i bruk internt, og vi har flere personer som jobber med å kvalitetssikre det innholdet som allerede er der. Lingvister og redaktører samarbeider om innhold, og de erfaringene de får, tas med videre i utvidete spesifikasjoner for TegnXML samt legger grunnlag for fremtidige versjoner av TegnViser. Tegnordboka er i den nærmeste framtiden en Windows-applikasjon og kan distribueres via CD-ROM og DVD, og også via Internett men kan ennå ikke kjøres direkte fra et websted, bare lastes ned dersom vi ønsker det. 7. Etablere rutiner for vedlikehold og utgivelser, dokumentasjon Den norske tegnordboka er ikke et produkt som sluttføres i punkt 6, men skal bearbeides og utvides kontinuerlig over lang tid. Det bør utvikles rutiner og finnes gode arbeidsmetoder slik at ordboka kan vokse og redigeres over tid, og at man kan foreta jevne utgivelser. Etterse at all nødvendig dokumentasjon er utarbeidet, herunder også brukerveiledninger og lignende og sørge for at kunnskap/kompetanse som er produsert under prosjektet sikres. Resultat: Dette blir fulgt. Prosjektet utvikler seg i flere retninger samtidig programmet utvikles samtidig som innholdet utvides, og samtidig som erfaringer trekkes ut og neste spesifikasjon av tegndatabasen utvikles. Konklusjon: Prosjektet er foran skjema, og det ser ut til at både fremdriftsplanen fra februar 2003 og den nye langsiktige planen er enkel å overholde. 25.11.2003 Norsk tegnordbok Statusrapport 12