Measuring Morphological Complexity of Languages Using Broadly Multilingual Data

Abstract

The thesis investigates morphological complexity of languages using broadly multilingual data. It obtains and preprocesses corpus data for 443 languages from multiple sources. It applies various complexity metrics to a 175 of them. The metrics are based on corpus data. The thesis further proposes metrics for morphological segmentation and applies them on segmented data for 40 languages. It required to process gigabytes of raw linguistic data of different quality, different scripts, and other properties. The results are analyzed and compared with each other, applied to other linguistic categories and showing various patterns and implications on multiple different presented graphs.

Tato práce zkoumá morfologickou komplexitu jazyků s využitím široce vícejazyčných dat. Získává a předzpracovává korpusová data pro 443 jazyků z několika zdrojů. Na 175 z nich aplikuje různé metriky komplexity založené na korpusových datech. Práce dále navrhuje metriky pro morfologickou segmentaci a aplikuje je na segmentovaná data pro 40 jazyků. Pro tyto účely bylo potřeba zpracovat gigabyty dat různé kvality, písem a dalších vlastností. Výsledky jsou analyzovány a vzájemně porovnány, aplikovány na další lingvistické kategorie a jsou zdůrazněny různé vzory a jejich důsledky na přiložených grafech.