Multiword Discourse Markers Across Languages: A Linguistic and Computational Perspective

Abstract

Marcatorii discursivi (DM‐uri) sunt expresii lingvistice care transmit diverse valori semantice și pragmatice, având rolul de a gestiona și organiza structura discursurilor vorbite și scrise. Aceștia pot fi fie expresii formate dintr‐un singur cuvânt, fie locuțiuni, expresii formate din mai multe cuvinte (MWE), alcătuite din conjuncții, adverbe și grupuri prepoziționale. Deși marcatorii discursivi reprezintă obiectul multor studii, unele întrebări legate de interoperabilitatea taxonomiilor și de identificarea și clasificarea automată a acestora necesită cercetări suplimentare. Ne propunem să abordăm aceste aspecte printr‐o analiză critică și prin discutarea constituirii unui corpus multilingv în 10 limbi, și anume: engleză, lituaniană, bulgară, germană, macedoneană, română, ebraică, poloneză, portugheză europeană și italiană. Noua abordare de adnotare pe două niveluri se bazează pe (i) semnalarea existenței sau inexistenței marcatorilor discursivi într‐un text dat și (ii) aplicarea standardului ISO‐24617 pentru a adnota relația discursivă și funcția comunicativă a marcatorilor în corpusuri. În plus, în acest articol, introducem modele de predicție pentru detectarea prezenței marcatorilor discursivi într‐un text.