Multi-Label Language Identification for Similar Languages
Multi-Label klasifikace pro rozlišení podobných jazyků
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/209459Identifikátory
SIS: 282065
Kolekce
- Kvalifikační práce [12352]
Autor
Vedoucí práce
Oponent práce
Helcl, Jindřich
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Informatika - Jazykové technologie a počítačová lingvistika
Katedra / ústav / klinika
Ústav formální a aplikované lingvistiky
Datum obhajoby
4. 6. 2026
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Velmi dobře
Klíčová slova (česky)
identifickace jazyka|zpracování přirozeného jazyky|podobné jazykyKlíčová slova (anglicky)
language identification|natural language processing|similar languagesIdentifikace jazyka je souc ̌a 'stı ́ve ̌ts ̌iny pipeline pro zpracova ́nı ́pr ̌irozene ́ho jazyka. Pr ̌estoz ̌e je ne ̌kdy oznac ̌ova ́na jako vyr ̌es ̌eny ́ proble ́m, existujı ́pr ̌ı ́pady, ktere ́ se pr ̌i sbe ̌ru dat z internetu vyskytujı ́, a ktere ́ nejsou dostatec ̌ne ̌ pokryty souc ̌asny ́mi testovacı ́mi sadami. Vytvor ̌ili jsme jednu takovou sadu, CHALIS, ktera ́ testuje rozlis ̌enı ́ ne ̌kolika blı ́zky ́ch jazyku ̊, a take ́ ne ̌ktere ́ transliterace textu, se ktery ́mi se lze setkat. Da ́le zkouma ́me vyuz ̌itı ́ modelu ̊ zaloz ̌eny ́ch na transformerech s tokenizacı ́ na u ́rovni znaku ̊ prostr ̌ednictvı ́m dotre ́nova ́nı ́ modelu CANINE-c. Zjis ̌t 'ujeme, z ̌e tento model nenı ́pro u ́lohu identifikace ja- zyka nejvhodne ̌js ̌ı ́, nicme ́ne ̌ ne ̌ktere ́ techniky pouz ̌ite ́ be ̌hem dolade ̌nı ́ mohou poslouz ̌it jako inspirace pro budoucı ́ pra ́ci.
Language identification is a part of most natural language processing pipelines. Despite sometimes being proclaimed as a solved problem there are scenarios which occur with frequency when gathering data from the Internet which are underserved by test datasets. We create one such dataset, CHALIS, that tests the distinction of several linguistically close languages as well as encountered transliteration transformations of texts. We also explore the use of transformer based models using character-level tokenization through finetuning the CANINE-c model. We find the the model to not be best suited for language identification task, however some techniques used during the finetuning could serve as an inspiration for future work.
Citace dokumentu
Metadata
Zobrazit celý záznamSouvisející záznamy
Zobrazují se záznamy příbuzné na základě názvu, autora a předmětu.
-
Maturitní zkouška z českého jazyka v úpravě pro neslyšící ve světle testování češtiny jako cizího jazyka
Výsledek obhajoby: OBHÁJENOAndrejsek, Jan (Univerzita Karlova, Filozofická fakulta, 2015)Datum obhajoby: 4. 2. 2015Práce se na pozadí dosavadních výzkumů čtenářské gramotnosti u sluchově postižených žáků zabývá modifikovanou maturitní zkouškou z českého jazyka v úpravě pro neslyšící, kterou v České republice skládají neslyšící žáci ve ... -
Teaching English through English
Výsledek obhajoby: OBHÁJENOSmejkalová, Julie (Univerzita Karlova, Pedagogická fakulta, 2014)Datum obhajoby: 12. 9. 2014Diplomová práce se zabývá rolí cílového jazyka ve výuce angličtiny. Cílem práce je prozkoumat vliv výuky prostřednictvím cílového jazyka na rozvoj komunikativní kompetence žáků prvního stupně základní školy. Teoretická ... -
Úvod do teorie jazykové správnosti
Výsledek obhajoby: OBHÁJENOBeneš, Martin (Univerzita Karlova, Filozofická fakulta, 2017)Datum obhajoby: 23. 6. 2017Introduction to the Theory of Language Correctness. The theme of this Thesis is the novel conceptualization of the subject field, which is, in the Czech context, traditionally dealt with within the theory of language ...
