Lập kho ngữ liệu nhỏ thế nào?

Kho ngữ liệu nhỏ là gì?

Là tập văn bản đúng đề tài, mỗi tệp một nguồn, kèm bảng mô tả nguồn, để tìm một từ là ra mọi câu có nó và biết câu ấy ở đâu. Vài trăm nghìn chữ là đủ cho một khóa luận. Kho không cần phần mềm chuyên; công cụ tìm chữ trên máy là đủ.

Chọn nguồn theo gì?

Theo câu hỏi nghiên cứu: đề tài về miền Tây thì chọn Sơn Nam, đề tài về xưng hô đầu thế kỷ 20 thì chọn Hồ Biểu Chánh, đề tài về từ đang sống thì chọn bản ghi âm của mình. Ba tới năm nguồn đúng đề tài hơn hai mươi nguồn rải rác.

Chép văn bản thế nào?

Chép thành văn bản thuần chữ, không định dạng, một tệp một tác phẩm hoặc một bản ghi. Giữ nguyên chính tả của bản in nếu đề tài cần cách viết. Với ghi âm, chép lời theo chính tả để tra được, và ghi mốc thời gian đầu mỗi đoạn.

Mỗi dòng nên là gì?

Một câu, hoặc một đoạn ngắn, nếu có thể. Dòng ngắn làm kết quả tìm gọn và dễ trích. Với sách, mỗi đoạn văn một dòng là cách làm nhanh và đủ. Với ghi âm, mỗi lượt nói một dòng, đầu dòng ghi mã người nói và mốc thời gian.

Đặt tên tệp thế nào?

Theo một mẫu cố định có tác giả, tác phẩm, năm: son-nam_huong-rung-ca-mau_1962.txt. Với ghi âm: mã người nói, nơi, ngày: NB07_can-tho_2026-09-16.txt. Tên tệp là mã nguồn, và bảng mô tả dùng đúng mã ấy.

Bảng mô tả gồm gì?

Một dòng cho mỗi tệp: mã tệp, tác giả hoặc người nói, tác phẩm hoặc buổi ghi, năm hoặc ngày, ấn bản hoặc nơi ghi, và ghi chú. Với người nói thêm tuổi, giới, nơi sinh, nghề. Bảng này là thứ làm một câu tìm được thành một chứng cứ.

mã tệp

Trùng với tên tệp, để tra ngược.

năm hoặc ngày

Năm in đầu với sách, ngày ghi với ghi âm.

ấn bản

Bản nào đã dùng, vì bản in lại có thể sửa chính tả.

Tìm trong kho bằng gì?

Bằng công cụ tìm chữ trong thư mục, có sẵn trên mọi máy, hoặc bằng lệnh tìm dòng chứa chữ. Gõ từ cần tìm, ra danh sách tệp và dòng. Với từ có hai dạng viết, tìm cả hai. Không cần phần mềm chuyên cho kho vài trăm nghìn chữ.

Trích từ kho thế nào?

Lấy dòng có từ, mở tệp gốc đọc cả đoạn quanh nó để chắc nghĩa, rồi ghi mã tệp và vị trí. Từ mã tệp tra bảng mô tả ra tác giả, tác phẩm, năm. Đó là một chứng liệu đủ để dẫn trong bài hoặc gửi vào từ điển.

Kho bao nhiêu chữ là đủ?

Vài trăm nghìn chữ cho một khóa luận về từ, tức ba tới năm quyển sách hoặc mười buổi ghi âm. Ít hơn thì từ hiếm không xuất hiện. Nhiều hơn thì mất công chép mà không thêm câu hỏi nào trả lời được. Kho đi theo câu hỏi, không đi theo tham vọng.

Lỗi hay gặp nhất là gì?

Không có bảng mô tả. Kho không có bảng là kho tìm được câu mà không biết câu ở đâu, và câu như vậy không phải chứng cứ. Lỗi thứ hai là chép từ bản đánh máy đã sửa chính tả rồi dùng cho đề tài về cách viết.

Kho có ghi âm thì thêm gì?

Thêm mốc thời gian ở mỗi lượt nói để quay lại nghe được, và giữ tệp âm thanh cạnh tệp chép. Với đề tài về âm, chép chữ chỉ để tìm, còn chứng cứ là đoạn âm thanh. Bảng mô tả ghi đủ bối cảnh người nói.

Kho có dùng được cho người khác không?

Có, nếu bảng mô tả đầy đủ và người nói đã đồng ý cho dùng. Với văn bản đã in, kho dùng cho nghiên cứu là bình thường. Với ghi âm, cần sự đồng ý và cần giữ kín tên nếu người nói muốn. Kho có thể nộp kèm khóa luận để người chấm kiểm lại.

Kho của VietLayers khác kho nhỏ ở chỗ nào?

Ở quy mô và ở việc có người đọc lại: kho văn học Nam Kỳ của VietLayers có hàng triệu đoạn, mỗi đoạn đánh dấu tác phẩm và vị trí, và mỗi chứng liệu vào mục từ đều có người đọc lại trước khi công bố. Kho nhỏ làm cùng việc ở quy mô một đề tài.

Kho nhỏ có góp được vào từ điển không?

Có. Mỗi câu tìm được kèm mã nguồn và bảng mô tả là một chứng liệu có thể gửi. Người biên tập kiểm lại nguồn và đưa vào mục từ nếu đủ. Nhiều mục từ của VietLayers đã nhận chứng liệu từ kho nhỏ của người nghiên cứu.

Nên lập kho đầu tiên từ gì?

Từ một quyển: chép Hương rừng Cà Mau hoặc một quyển Hồ Biểu Chánh thành văn bản, lập bảng mô tả một dòng, và thử tìm mười từ. Sau một quyển là biết cách làm, và quyển thứ hai mất một nửa thời gian.