به گزارش «روابط‌ عمومی پژوهشگاه علوم و فناوری اطلاعات ایران» طرح پژوهشی «ساخت پیکره از کتاب‌های دیجیتال پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)» توسط الهام علایی ابوذر، عضو هیئت علمی پژوهشکده علوم اطلاعات به پایان رسید.

ما در دنیای اطلاعات زندگی می­‌کنیم؛ گردآوری منسجم اطلاعات، کاری زیرساختی و مهم محسوب می­‌شود. یکی از روش­‌های گردآوری منسجم داده‌­ها، تهیه پیکره‌­های زبانی است. تاکنون پیکره­‌های عمومی بسیاری در زبان­‌های گوناگون، از جمله زبان فارسی، ساخته شده است. اما تعداد پیکره‌­های تخصصی که برای اهداف خاص و پردازش‌­های خاص زبانی استفاده می‌­شود، به اندازه پیکره­‌های عمومی نیست. بنابراین، ساخت پیکره­‌هایی که شامل متون تخصصی و میان‌­رشته‌­ای است، بسیار کاربردی است. در این طرح پژوهشی پیکره­ایی ساخته شده است که محتوای آن متون کتاب­‌های دیجیتال پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک) است. برای ساخت این پیکره، پس از طی فرآیند نمونه­‌گیری 65 کتاب انتخاب شده و فراداده مربوط به کتاب‌­ها (عنوان مقاله، نام نویسنده/نویسندگان و موضوع مقاله) به طور جداگانه تهیه شده است؛ نزدیک به نیمی از کتاب­‌ها به صورت فایل پی.دی.اف بوده که از طریق استفاده از ابزار اٌ.سی.آر به فایل ورد تبدیل شده و برای وارد شدن در پیکره، ویرایش‌های نگارشی و ماشینی روی آن­ها انجام شده است. برای هنجارسازی داده‌­های وارد شده در پیکره از ابزار هضم، اطلاعات ساختواژی زبان فارسی (وندهای اشتقاقی و تصریفی و واژه­‌بست‌­ها) و برنامه‌­نویسی ماشینی استفاده شده است. پس از هنجارسازی، ابتدا برچسب­‌گذاری ماشینی داده­‌ها (برچسب­‌گذاری اجزای واژگانی کلام (POS)) انجام و در نهایت برچسب­‌ها به صورت دستی نیز کنترل شده و اطلاعات در پایگاه داده ذخیره و پیکره در سامانه پیکره­‌های ایرانداک (ساپا) قرار گرفته است. این پیکره شامل 3329281 واژه است که حوزه‌­های میان­‌رشته­‌ای کتابداری، مدیریت، زبان‌­شناسی، مدیریت اطلاعات و غیره را پوشش داده است.