Discussão e dúvidas corpus DANTE

[gabrielceregatto]

Conforme combinado na reunião do grupo de anotação do corpus de tweets DANTE, criei o issue para o registro de discussões e dúvidas em relação ao corpus DANTE

[llauragazana]

Pessoal, boa noite!

Fiquei em dúvida sobre como anotar a expressão "de acordo com"

e o tweet " que linda era esa mina chabonnn" está em espanhol, né? Eu ia marcar "esa" como erro de digitação mas acho que esta em espanhol.

[gabrielceregatto]

Pessoal, terminei a minha anotação do pacote 101-150 e encontrei alguns erros de pré-processamento e algumas dúvidas, seguem:

Possíveis erros de pré-processamento:

Sentença 13 - @ppaulovagner 11h22 = Ações USIMINAS ... Usim 3 + 1,76 % e Usim 5 + 3,61 % ... (Nome da ação tokenizado indevidamente)

Sentença 18 - @andresmoraes isso sem contar os 30 % de a #PETR4 ... o . O (Tokenização indevida do emoji ao final da sentença)

Sentença 23 - PETR4 com vol . financeiro cerca de 9 vezes a VALE5 . Explode ? (O ponto faz ou não parte da abreviação? Se fizer, a tokenização é indevida)

Sentença 41 - & lt , Alexander Cruz 3 * - * ( Tokenização indevida do emoji ao final da sentença, também não faço a menor ideia do que seja "& It", não encontrei nada na internet)

Sentença 47 - Futuros de NY caindo ( 0,55 ) pts , Japão caindo 0,41 % , China caindo 0,48 % . #PETR4 _ VAI _ A _ 17 REAL ! ! (Tokenização indevida da hashtag ao final da sentença)

[NortonTR]

Para registro. Todos são casos sim de tokenização indevida. No caso de "vol.", agiremos como em "p/", "q/" etc. N Em ter., 27 de abr. de 2021 às 23:56, gabrielceregatto < ***@***.***> escreveu:

…

Pessoal, terminei a minha anotação do pacote 101-150 e encontrei alguns erros de pré-processamento e algumas dúvidas, seguem: Possíveis erros de pré-processamento: Sentença 13 - @ppaulovagner 11h22 = Ações USIMINAS ... *Usim 3* + 1,76 % e *Usim 5* + 3,61 % ... (Nome da ação tokenizado indevidamente) Sentença 18 - @andresmoraes <https://github.com/andresmoraes> isso sem contar os 30 % de a #PETR4 ... *o . O* (Tokenização indevida do emoji ao final da sentença) Sentença 23 - PETR4 com *vol .* financeiro cerca de 9 vezes a VALE5 . Explode ? (O ponto faz ou não parte da abreviação? Se fizer, a tokenização é indevida) Sentença 41 - *& lt* , Alexander Cruz 3 *** * - * *** ( Tokenização indevida do emoji ao final da sentença, também não faço a menor ideia do que seja "& It", não encontrei nada na internet) Sentença 47 - Futuros de NY caindo ( 0,55 ) pts , Japão caindo 0,41 % , China caindo 0,48 % . *#PETR4 _ VAI _ A _ 17 REAL ! !* (Tokenização indevida da hashtag ao final da sentença) — You are receiving this because you are subscribed to this thread. Reply to this email directly, view it on GitHub <#11 (comment)>, or unsubscribe <https://github.com/notifications/unsubscribe-auth/AQQ2JOIIUUXDJAAZD7B4DVLTK52OHANCNFSM42WVHLSQ> .

[arianidf]

Pessoal, terminei a minha anotação do pacote 101-150 e encontrei alguns erros de pré-processamento e algumas dúvidas, seguem:

Possíveis erros de pré-processamento:

Sentença 13 - @ppaulovagner 11h22 = Ações USIMINAS ... Usim 3 + 1,76 % e Usim 5 + 3,61 % ... (Nome da ação tokenizado indevidamente)

Sentença 18 - @andresmoraes isso sem contar os 30 % de a #PETR4 ... o . O (Tokenização indevida do emoji ao final da sentença)

Sentença 23 - PETR4 com vol . financeiro cerca de 9 vezes a VALE5 . Explode ? (O ponto faz ou não parte da abreviação? Se fizer, a tokenização é indevida)

Sentença 41 - & lt , Alexander Cruz 3 * - * ( Tokenização indevida do emoji ao final da sentença, também não faço a menor ideia do que seja "& It", não encontrei nada na internet)

Sentença 47 - Futuros de NY caindo ( 0,55 ) pts , Japão caindo 0,41 % , China caindo 0,48 % . #PETR4 _ VAI _ A _ 17 REAL ! ! (Tokenização indevida da hashtag ao final da sentença)

Valeu, Gabriel! Já passei esses casos para o Emanuel!

[arianidf]

Pessoal, boa noite!

Fiquei em dúvida sobre como anotar a expressão "de acordo com"

---

Em ocorrência como "De acordo com o professor, eu entendi o conceito", a expressão "de acorco com" equivale a "segundo" (ADP) e a anotação seria ADP, NOUN, ADP.
Era essa a dúvida?

---

e o tweet " que linda era esa mina chabonnn" está em espanhol, né? Eu ia marcar "esa" como erro de digitação mas acho que esta em espanhol.

---

Sim, está em espanhol! É um regionalismo da Argentina.
Se escrito segundo as regras formais, seria: "que linda era esa mina, chavón!"
E significa: "que linda era essa garota, meu (ou mano)"
Estou consultando as bases para a melhor anotação.

[llauragazana]

Essa #KROT3 é um mistério . Tenho a olhada de perto desde os R$ 35 . Papel bem alugado mas não cede nunca ! @ferrisss

esse "tenho a olhada", o "a" é um PRON, certo? Então esse olhada marca como erro de digitação?

[arianidf]

Laura, o "a" é mesmo PRON e o eu acho que "olhada" é, na verdade, "olhado" (ficando "tenho a olhado"). Nesse caso, anote "olhada" como erro de digitação, sim.

[llauragazana]

Pessoal, não sei se é só o meu pacote que está assim, mas quase todos os tweets que tem o hífen ou o sinal de menos, ele vira um "underline". Mas o curioso é que eu vejo no tweet como hífen/sinal de menos, mas quando eu clico para abrir e ver as anotações, ele muda pra underline. Quando a arvore está fechada, é certinho o sinal mas quando eu abro, ele desce. Não sei se a Carol e o Gabriel observaram isso também. Nesse caso, é um erro de pré processamento? Segue alguns exemplos:

"25/ 04 O Ibovespa fechou em queda de _ 0,81 % , a os 51.399 pontos . Destaques : AEDU3 _ 3,72 % , MFRG3 _ 2,88 % e HGTX _ 2,74 % ." ( - 3,72 fica-> _3,72 ; - 2,88 fica -> _ 2,88...etc)

Conheça a queridinha de o Ibovespa , papel é recomendado 15 vezes . Chama _ se VALE5 . Uma empresa com fundamentos , produtiva e rentável . (Chama-se fica -> Chama_se)

[gabrielceregatto]

Eu não havia percebido, mas no meu também está mudando para underline depois que abro a árvore da sentença! Me parece ser um problema da plataforma, mas não tenho certeza.

[gabrielceregatto]

Boa noite! Me deparei com sentenças como a seguinte:

BM & amp , FBovespa ( #BVMF3 ) negocia volume 6,7 % menor em fevereiro . http://t.co/0EEfEadv9Y ( Estadão )

Esse nome BM & amp , FBovespa aparece em mais de uma sentença, mas não encontrei em textos escritos na rede. Descobri que se refere à bolsa de valores brasileira. A forma que encontrei na rede é BM&FBovespa ou BM&F Bovespa

Registro aqui minha dúvida quanto à anotação das tokens & e amp. Anoto como PROPN? Ou é algum tipo de erro de processamento?

[arianidf]

Gabriel, ao que parece (puro achismo!!), o E comercial (&) ocorre por vezes na web seguido da abreviação "amp" (que deve ser uma abreviação de "ampersand", outro nome de &). Aliás, no DANTE, o símbolo & sempre aparece seguido de "amp,". Como a forma mais frequente na web é BM&FBovespa, creio que, mesmo com a ocorrência do "amp,", a sequência "BM & amp , FBovespa" seja um único token (BM&amp,FBovespa), anotado com PROPN. Por enquanto, sugiro anotar como erro de pré-processamento para passarmos ao Emanuel.

[NortonTR]

O caractere "&" é um caractere de escape em HTML (usado para formatar páginas web). Para que o browser mostre o "&", alguns editores inserem seu código HTML: "&amp;". Então "&amp;" é a codificação html do "&"

[gabrielceregatto]

Boa tarde!

No segundo pacote, encontrei o seguinte tweet:

@sidimarcoelho de segunda ate hoje , elet3 subiu 11,4 % e a elet6 6,6 % ta acompanhando ? ? ? Fiquei contente pa kct , adivinha pq ? ? ?

Fiquei em dúvida em relação ao "por que" abreviado no final do tweet. Entendo que, em sentenças interrogativas, o "pq" não abreviado representa a forma separada "por que". Nesse caso, seriam dois tokens distintos contraídos em um único token. Como deveríamos anotar?

[arianidf]

Gabriel, o "pq" no final do tweet é, segundo Sanguinett et al (2020), um "fenômeno transversal" (transverse phenomena), o qual afeta o número de tokens em relação à "língua padrão". No caso, trata-se do "por quê", como em "Sabem por quê (motivo)?". Acho que esse é um caso de se dividir (split up) o token em dois tokens (pq --> por quê) para a correta anotação morfossintática em ADP, PRON. Por enquanto, anote com X para discutirmos na próxima reunião.

[llauragazana]

Pessoal, boa noite!

Nessa sentença: Inglêiz eu não sei , maiz heim portuguêiz eu çôu fera :P hu3 - podemos ver vários "erros", mas a pessoa muito provavelmente digitou com sarcasmo.. vocês vão considerar erro ou acham melhor marcar normal? fiquei pensando se não prejudica o aprendizado marcar normal essas palavras "erradas" mas também eu sei que não foi um "erro".. o que vocês acham? haha