LiMe: a Latin Corpus of Late Medieval Criminal Sentences

要約

ラテン語は、計算言語学の研究コミュニティから注目を集めており、計算言語学の研究コミュニティは、長年にわたって、詳細な注釈付きコーパスから言語分析のための洗練されたツールに至るまで、いくつかの貴重なリソースを構築してきました。
最近の大規模な言語モデルの出現により、研究者はラテン語テキストのベクトル表現を生成できるモデルの開発も開始しました。
利用可能なデータに差があるため、そのようなモデルのパフォーマンスは現代言語のパフォーマンスに劣ります。
この論文では、LiMe データセットを紹介します。これは、Libri Sententiarum Potestatis Mediolani と呼ばれる一連の中世の写本から抽出され、マスクされた言語モデルおよび教師付き自然言語に使用できるように、専門家によって徹底的に注釈が付けられた 325 の文書のコーパスです。
タスクの処理。

要約(オリジナル)

The Latin language has received attention from the computational linguistics research community, which has built, over the years, several valuable resources, ranging from detailed annotated corpora to sophisticated tools for linguistic analysis. With the recent advent of large language models, researchers have also started developing models capable of generating vector representations of Latin texts. The performances of such models remain behind the ones for modern languages, given the disparity in available data. In this paper, we present the LiMe dataset, a corpus of 325 documents extracted from a series of medieval manuscripts called Libri sententiarum potestatis Mediolani, and thoroughly annotated by experts, in order to be employed for masked language model, as well as supervised natural language processing tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google