= Specyfikacja gramatyki języka polskiego =

Projekt ten zawiera specyfikację gramatyki języka polskiego opisaną z wykorzystaniem formalnego języka Gherkin. Język ten jest podzbiorem języka naturalnego (posiadającym również wersję dla j. polskiego), dzięki czemu specyfikacja zrozumiała jest dla ludzi. Z drugiej strony dzięki rygorowi formalnemu, na podstawie specyfikacji możliwe jest automatyczne utworzenie testów oprogramowania, które wykorzystuje gramatykę języka polskiego.

Dzięki temu, że specyfikacja napisana jest w języku formalny niezależnym od języka programowania, możliwe jest używanie jej w projektach, zrealizowanych z użyciem różnych języków programowania (obecnie Rubim, Javie, językami platformy .NET, Adobe Flex, Pythonie oraz Erlangu).

Podstawowy cel powstania tej specyfikacji związany jest ze złożonością polskiej gramatyki oraz (częściową) niekompatybilnością narzędzi, które na niej bazują. Specyfikacja powinna umożliwić zaimplementowanie bibliotek fleksyjnych języka polskiego (i pokrewnych narzędzi), które posiadałyby zbliżony interfejs programistyczny, posiadający ścisłą, uruchmialną specyfikację (w niniejszej postaci).

= Informacje o gramatyce =

Niniejsza specyfikacja powstaje jako wynik przemyśleń i doświadczenia zdobytego w trakcie użycia narzędzi dostępnych dla języka polskiego, w szczególności korpusu IPI PAN oraz biblioteki CLP. Nie odpowiada ona w sposób ścisły żadnemu z tych narzędzi, ale w dużej mierze zbliżona jest do gramatyki opisanej przez Adama Przpiórkowskiego w pracy ,,Korpus IPI PAN. Wersja wstępna'' (IPI PAN, 2004). Specyfikacja zawiera jednak dodatkowe klasy fleksyjne i zmienia niektóre rozstrzygnięcia autora. Ponadto, w niektórych rozstrzygnięciach idzie ściślej zgodnie z założeniami autora (np. podział zaimków na akcentowane i nieakcentowane, czy podział rzeczowników na defektywne i niedefektywne). Istotnym rozszerzeniem pracy jest wymóg posiadania przez wszystkie paradygmaty fleksyjne unikalnego identyfikatora oraz wprowadzenie leksemów, jako zbiorów fleksemów (to rozszerzenie jest również promowane w aktualnych pracach prowadzonych w IPI PAN).

Unikalne identyfikatory fleksyjne inspirowane są pracami prowadzonymi w KI AGH pod kierownictwem Lubaszewskiego (praca ,,Słowniki koputerowe i automatyczna ekstrakcja informacji z tekstu'' -- Wydawnictwo AGH, 2009). Specyfikacja zawier również dodatkowe (w stosunku do prac Przepiórkowskiego) klasy fleksyjne, które można znaleźć w bibliotece CLP. Model leksemów w dużej mierze opiera się na bibliotece CLP.

= Przyjęte założenia =

1. Zminimalizowanie wieloznaczności leksemów
2. Odróżnianie leksemów posiadających identyczną formę podstawową i klasę fleksyjną.
3. Dostęp do dowolnej formy poprzez spójny interfejs programistyczny.
4. Leksemy traktowane jako zbiory fleksemów (lub zbiory ich kompozycji)
5. Wsparcie dla zjawisk dyskretnych (aglutynacji)

Ad. 1 Zminimalizowanie wieloznaczności leksemów (a także fleksemów) wyczerpuje się w dążeniu do generowania minimalnej liczby interpretacji danej formy wyrazowej. Przykładowo -- forma 'nie' może przynależeć do klasy fleksyjnej 'partykuła', ale również trzech zaimków 'on', 'ona' 'ono'. Specyfikacja preferuje rozwiązanie, w którym wszystkie zaimki są elementami tego samego leksemu (dla którego problemem pozostaje określenie wartości kategorii gramatycznej rodzaju), a nie trzech różnych leksemów, odpowiadających tym rodzajom. Dotyczy to również form wariantywnych -- na poziomie leksemów formy tego rodzaju powinny być reprezentowane przez jeden leksem.

Ad. 2 Określenie formy podstawowej leksemu i podanie jego klasy gramatycznej nie jest wystarczające do odróżnienia wszystkich leksemów (np. 'rząd' -- 'rządy','rzędy'), z tego względu specyfikacj preferuje sytuację, w której leksemy te odróżniane są za pomocą dodatkowej inforamcji, w szczególności identyfikatora klasy fleksyjnej fleksemu będącego elementem leksemu lub indentyfikatora klasy gramatycznej leksemu.

Ad. 3 Dostęp do dowolnej formy wyrazowej, wchodzącej w skład określonego leksemu powinien być mozliwy w spójny sposób. W szczególności formy wariantywne ('kawiarń' - 'kawiarni'), powinny być osiągalne w taki sam sposób jak inne formy, różniące się rodzajem, przypadkiem, czy liczbą.

Ad. 4 Specyfikacja wprowadza podział na fleksemy (zbiory form o jednorodnej charakterystyce morfologicznej, morfosyntaktycznej i częściwo dystrybucyjnej) oraz leksemy (zbiory fleksemów o jednorodnej charakterystyce semantycznej, w wąski sensie, tzn. bez uwzględnienia relacji synonimii). Leksem (np. czasownik 'brać') traktowany jest jako zbiór fleksemów ('brać' - bezokolicznik, 'branie' - odsłownik, 'biorący' - imiesłów przymiotnikowy czynny, itd.), które dla określonego zbioru cech gramatycznych mogą być kompozycjami fleksemów (np. 'będzie brał' - forma przyszła czasoniwka 'BYĆ' oraz pseudoimiesłów czasownika 'brać', 'brał-eś' - pseudoimiesłów czasownika 'brać' oraz aglutynant czasownika 'BYĆ').

Ad. 5 Zjawiska dyskretne traktowane są w spójny sposób, tzn. wszelkie segmenty dyskretne traktowane są jako aglutynanty (dotyczy to również algutynantu 'nie' form zanegowanych), będące osobnymi fleksemami, które mogą wchodzić w skład określonej formy leksemu i posiadają charakterystykę aglutynacji (pozycję, w której mogą się pojawić - prefiksową, sufiksową, itp.).