扩展依赖关系至 taggedPBC：传递从句中的词序
计算与语言
2025-06-10 v1
摘要
taggedPBC（Ring 2025a）包含超过 1800 句带词性标注的平行文本，涵盖来自 1500 多种语言的资料，代表 133 个语言家族和 111 个孤立语言。虽然这一数据集的规模远超以往可用的资源，并且词性标注实现了相当准确的精度，允许进行预测的跨语言洞见（Ring 2025b），但最初该数据集并未标注依赖关系。本文报告了将该数据集转换为 CoNLLU 格式的版本，这一版本将依赖关系信息与词性标注一起传递给来自 taggedPBC 中所有语言的依赖关系。尽管存在关于标签和依赖关系质量的各种顾虑，但从该数据集派生的关于传递从句中论元和谓词位置的词序信息与三个类型学数据库（WALS、Grambank、Autotyp）中的专家确定的词序一致性较高。这一发现突显了基于语料库的方法（如 Baylor 等 2023；Bjerva 2024）在扩展离散语言类别的比较方面的有用性，表明即使在数据噪声较大的情况下，只要注释量足够，就可以获得重要见解。该依赖标注语料库也通过 GitHub 提供给研究和合作。
引用
@article{arxiv.2506.06785,
title = {Extending dependencies to the taggedPBC: Word order in transitive clauses},
author = {Hiram Ring},
journal= {arXiv preprint arXiv:2506.06785},
year = {2025}
}