Neidio i'r cynnwys

CorCenCC

Oddi ar Wicipedia
CorCenCC
Enghraifft o:corpws Edit this on Wikidata
IaithCymraeg Edit this on Wikidata
GwladwriaethCymru Edit this on Wikidata
Gwefanhttps://corcencc.org Edit this on Wikidata
Dynodwyr

Mae CorCenCC (Corpws Cenedlaethol Cymraeg Cyfoes) yn adnodd iaith ar gyfer siaradwyr Cymraeg, dysgwyr Cymraeg, ymchwilwyr i'r iaith Gymraeg, ac yn wir unrhyw un sydd â diddordeb yn y Gymraeg. Mae CorCenCC yn gasgliad o samplau amryfal o iaith wedi'u codi o gyfathrebu 'bywyd go iawn' sy'n cael eu cyflwyno mewn corpws ar-lein y mae modd ei chwilio. Yn rhan o'r corpws, ceir pecyn cymorth dysgu ac addysgu ar-lein – Y Tiwtiadur[1] – sy'n defnyddio data o'r corpws yn uniongyrchol i roi adnoddau ar gyfer dysgu Cymraeg ar bob lefel ac i bob oedran.

Wedi'i lansio ym Medi 2020, CorCenCC yw'r corpws cyntaf yn y Gymraeg sy'n cynnwys y tair agwedd ganlynol ar Gymraeg cyfoes: llafar, ysgrifenedig a chyfrwng electronig (e-iaith).[2]

Mae CorCenCC yn brosiect aml-ddisgyblaethol ac aml-sefydliadol sy'n cynnwys 4 sefydliad academaidd (Prifysgolion Caerdydd, Abertawe, Caerhirfryn a Bangor), 1 Prif Ymchwilydd (PY - Dawn Knight), 2 Gyd-Ymchwilydd (CY - Tess Fitzpatrick a Steve Morris) sydd, ynghyd â'r PY, yn ffurfio Tîm Rheoli CorCenCC (TRhC), cyfanswm o 7 CY arall, 10 Cynorthwyydd/Cydymaith Ymchwil (CA), a 180+ o drawsgrifwyr yn gweithio dros gyfnod y prosiect. Ar ben hynny, yr oedd 6 ymgynghorydd, 2 fyfyriwr PhD, 4 myfyriwr israddedig ar leoliad gwaith, 4 aelod o staff cynorthwyol gwasanaethau proffesiynol a 2 wirfoddolwr prosiect. Mae'r prosiect wedi elwa hefyd o gyfraniadau a chefnogaeth gan gynrychiolwyr o ystod o randdeiliaid gan gynnwys, Llywodraeth Cymru, Senedd Cymru, BBC Cymru, S4C, CBAC, Dysgu Cymraeg, Y Lolfa, SaySomethinginWelsh a Geiriadur Prifysgol Cymru, a hynny trwy Grŵp Ymgynghorol y Prosiect (GYP). Llysgenhadon swyddogol prosiect CorCenCC yw Nia Parry (cyflwynydd, cynhyrchydd ac ymchwilydd teledu; tiwtor Cymraeg, cariad@iaith (S4C)), Nigel Owens (dyfarnwr rygbi rhyngwladol; cyflwynydd teledu), Cerys Matthews (cerddor, awdur; cyflwynydd radio a theledu) a Damian Walford Davies (bardd; Athro Llên Saesneg a Chymraeg; cyn-gadeirydd Llenyddiaeth Cymru).

Cyfansoddiad

[golygu | golygu cod]

Mae CorCenCC yn cynnwys 11 miliwn o eiriau o Gymraeg sy'n digwydd yn naturiol (DS: mae fersiwn y corpws a geir ar wefan CorCenCC yn rhoi canlyniadau mewn tocynnau yn hytrach na geiriau). Roedd creu CorCenCC yn brosiect a yrrwyd gan y gymuned gan gynnig cyfle i ddefnyddwyr y Gymraeg fod yn rhagweithiol o ran cyfrannu at adnodd Cymraeg sy'n adlewyrchu sut mae'r iaith yn cael ei defnyddio ar hyn o bryd. Felly, mae'r set ddata yn cynnig ciplun o'r iaith Gymraeg ar draws ystod o gyd-destunau defnydd, e.e. sgyrsiau preifat, cymdeithasu mewn grŵp, busnes a sefyllfaoedd gwaith eraill, mewn addysg, yn y cyfryngau cyhoeddi gwahanol, ac mewn lleoedd cyhoeddus. Gellir dod o hyd i restr lawn o gyd-destunau, genres a phynciau a gynhwysir yn y corpws yn y canllawiau i ddefnyddwyr ar wefan y prosiect.

Recordiwyd sgyrsiau gan y tîm ymchwil, a chynlluniwyd ap torfoli penodol[3] oedd yn golygu bod modd i siaradwyr Cymraeg yn y gymuned recordio a llwytho samplau o'u hiaith eu hunain i fyny i'w defnyddio yn y corpws. Cafodd y corpws - CorCenCC - a gyhoeddwyd ei samplo o amrywiaeth o siaradwyr a defnyddwyr gwahanol y Gymraeg, o bob rhan o Gymru, pob oedran a rhyw, gydag ystod eang o alwedigaethau, ac o wahanol gefndiroedd ieithyddol (e.e. sut daethon nhw i siarad Cymraeg), i adlewyrchu'r amrywiaeth o ran mathau o destun a'r siaradwyr Cymraeg a geir yn y Gymru gyfoes.

Ymgynghorodd tîm CorCenCC â defnyddwyr posibl y corpws ar bob cam datblygu[4]. Ar sail hyn, cynlluniwyd offer er mwyn archwilio'r corpws, gan sicrhau'r gwerth mwyaf i amrywiaeth eang o grwpiau o ddefnyddwyr, o athrawon i ddysgwyr i ymchwilwyr academaidd, cyfieithwyr, cyhoeddwyr, llunwyr polisi, datblygwyr technoleg iaith, ac eraill.

Mae prosiect CorCenCC wedi datblygu ystod o offer a phrosesau newydd mewn ymgynghoriad â chynrychiolwyr pob grŵp academaidd a defnyddwyr yn y gymuned. Prif allbynnau prosiect CorCenCC yw:

  • Set ddata o 11 miliwn o eiriau o Gymraeg
  • Fframwaith samplo CorCenCC
  • Protocolau trawsgrifio pwrpasol ar gyfer Cymraeg llafar
  • Set o dagiau a thagiwr Rhannau Ymadrodd Cymraeg, CyTag[5]: tagiwr Cymraeg arloesol (ynghyd â set o dagiau pwrpasol) wedi'i gynllunio a'i greu ar gyfer y prosiect. Mae'n cael ei ddefnyddio i gyd-fynd â'r tagiwr semantig i dagio pob eitem eirfaol yn y corpws.
  • CySemTag: Mae'r Tagiwr Semantig Cymraeg[6][7][8] yn cymhwyso anodi corpws yn awtomatig i'r data Cymraeg.
  • Pecyn cymorth pedagogaidd Cymraeg, Y Tiwtiadur Archifwyd 2020-10-01 yn y Peiriant Wayback[9], sy'n cynnwys:
    • offeryn Llenwi Bylchau (Cloze)
    • offeryn Proffiliwr Geiriau
    • offeryn Adnabod Geiriau
    • offeryn Creu Tasgau Geiriau
  • Ap torfoli[3] ar gyfer casglu data: cafodd ei gynllunio er mwyn caniatáu i siaradwyr Cymraeg recordio sgyrsiau rhyngddyn nhw eu hunain ac eraill ar draws amrywiaeth o gyd-destunau a'u llwytho i fyny, ynghyd â chydsyniad y cyfranogwyr (sy'n cydymffurfio'n foesegol) i'w cynnwys yn y corpws terfynol. Mae data trwy dorfoli yn gyfeiriad cymharol newydd sy'n cydweddu â dulliau casglu data iaith mwy traddodiadol, ac mae'n cyd-fynd â'r ysbryd cymunedol a geir ymhlith siaradwyr a dysgwyr Cymraeg ac ieithoedd lleiafrifedig eraill.
  • Isadeiledd corpws newydd CorCenCC[10]. Offer ymholi sy'n cynnwys y swyddogaethau canlynol:
    • Ymholiad syml
    • Ymholiad cymhleth
    • Creu rhestr amlder
    • Dadansoddi cydleoliadau
    • Dadansoddi N-gramau
    • Concordans
    • Dadansoddi geiriau allweddol

Mae holl offer meddalwedd CorCenCC ar gael ar safle GitHub y prosiect.

Trwydded

[golygu | golygu cod]

Mae corpws CorCenCC a'r offer meddalwedd cysylltiedig wedi'u trwyddedu o dan Creative Commons CC-BY-SA v4 ac felly maent ar gael yn rhad ac am ddim i'w defnyddio gan gymunedau proffesiynol ac unigolion â diddordeb mewn iaith. Rhoddir cymwysiadau a chyfarwyddiadau pwrpasol ar gyfer pob offeryn. Wrth adrodd am wybodaeth sy'n deillio o ddefnyddio data a/neu offer corpws CorCenCC, dylid cydnabod CorCenCC yn briodol.

Cydnabod cyllid

[golygu | golygu cod]

Cyllidwyd yr ymchwil y seiliwyd prosiect CorCenCC arni gan Gyngor Ymchwil Economaidd a Chymdeithasol y DU (en:ESRC) a Chyngor Ymchwil y Celfyddydau a'r Dyniaethau (AHRC) fel prosiect "Corpws Cenedlaethol Cymraeg Cyfoes (The National Corpus of Contemporary Welsh): A community driven approach to linguistic corpus construction" (Rhif y Grant ES/M011348/1).

Cyfeiriadau

[golygu | golygu cod]
  1. ↑ Y Tiwtiadur Archifwyd 2024-03-04 yn y Peiriant Wayback, adalwyd 18 Ebrill 2025
  2. ↑ Dawn Knight, Steve Morris, Tess Fitzpatrick, Paul Rayson, Irena Spasić, Enlli Môn Thomas, The National Corpus of Contemporary Welsh: Project Report | Y Corpws Cenedlaethol Cymraeg Cyfoes: Adroddiad y Prosiect, arXiv; adalwyd 18 Ebrill 2025
  3. 1 2 Neale, S.; Spasić, I.; Needs, J.; Watkins, G.; Morris, S.; Fitzpatrick, T.; Marshall, L.; Knight, D. (2017), "The CorCenCC crowdsourcing app: A bespoke tool for the user-driven creation of the national corpus of contemporary Welsh", Corpus Linguistics Conference 2017, Newcastle University
  4. ↑ Needs, J.; Knight, D.; Morris, S.; Fitzpatrick, T.; Thomas, E.-M.; Neale, S. (2017), "How will you make sure the material is suitable for children?”: User-informed design of Welsh corpus-based learning/teaching tools", Paper presented at the Corpus Linguistics Conference 2017, University of Birmingham
  5. ↑ Neale, S.; Donnelly, K.; Watkins, G.; Knight, D. (2018). "Leveraging Lexical Resources and Constraint Grammar for Rule-Based Part-of-Speech Tagging in Welsh". Poster presented at the LREC (Language Resources Evaluation) 2018 Conference. Miyazaki, Japan.
  6. ↑ http://ucrel.lancs.ac.uk/usas/
  7. ↑ Piao, S.; Rayson, P.; Knight, D.; Watkins, G. (2018), "Towards a Welsh Semantic Annotation System", Proceedings of the LREC (Language Resources Evaluation) 2018 Conference, Miyazaki, Japan
  8. ↑ Piao, S.; Rayson, P.; Knight, D.; Watkins, G.; Donnelly, K. (2017), "Towards a Welsh Semantic Tagger: Creating Lexicons for A Resource Poor Language", Proceedings of The Corpus Linguistics 2017 Conference, University of Birmingham, Birmingham, UK
  9. ↑ Davies, J.; Thomas, E.-M.; Fitzpatrick, T.; Needs, J.; Anthony, L.; Cobb, T.; Knight, D (2020). "Y Tiwtiadur. [Digital Resource]". Archifwyd o'r gwreiddiol ar 2020-10-01. Cyrchwyd 2020-09-18.
  10. ↑ Knight, D.; Loizides, F.; Neale, S.; Anthony, L.; Spasić, I. (2020). "Developing computational infrastructure for the CorCenCC corpus: The National Corpus of Contemporary Welsh". Language Resources and Evaluation: 1-28. doi:10.1007/s10579-020-09501-9.

Dolenni allanol

[golygu | golygu cod]