台語心世界 Tâi-gú Sim Sè-kài

http://iug.csie.dahan.edu.tw/iug/Ungian/Chokphin/Lunbun/KIPsupin/KIPsupin.asp

教育部臺灣閩南語字詞頻調查工作簡介-3

 國立成功大學台灣語文測驗中心

專案計畫助理研究員 楊允言

3-3 語料整理方式

本計畫所蒐集ê語料，羅馬字ê部份，不管伊原來ê文本是用tó一款羅馬字系統，lóng會先轉寫做教育部公佈ê台羅，這是為著後來查詢ê利便；漢字ê部份完全尊重作者ê寫法無修改，按呢mā會當反應台語漢字書寫ê多元現實。

為著beh hō͘使用者thang對照看，每一份語料用兩種文字型式整理。原來ê文本假使是全漢字抑是漢羅合用，會koh轉寫做全羅馬字；全羅馬字文本，mā會koh轉寫一份漢羅合用ê版本。

轉寫做羅馬字，主要會產生ê問題是腔口，原則上盡量以優勢腔為主。轉寫做漢羅mā可能對詞頻統計造成一寡影響，因為民間ê漢字書寫真無一致，可比講「chhit-thô」這個詞，本計畫蒐集ê語料，漢羅有11種無仝ê寫法，[1]可能有人有趣味beh知影tó一款寫法khah choē，m̄-koh若原來文本是全羅馬字，轉寫者寫做漢羅，轉寫ê漢羅寫法若算在來，tō對原來漢字（漢羅）書寫ê統計造成一寡偏差。為著解決這個問題，詞頻統計ê部份，有所有ê語料ê詞頻統計，mā有kā全羅馬字文本提掉了後ê詞頻統計。

羅馬字ê輸入是另外一個問題。工作團隊內底負責拍字ê人，有ê拍白話字khah慣勢，有ê對台羅khah熟手，目前雖然已經有系統會當來轉換，m̄-koh mā有淡薄仔費氣。好佳哉白話字kah台羅符號無衝突。後來這部份，tō交hō͘系統來轉換，不管負責拍字ê人用白話字抑是台羅，用調符抑是數字表示聲調，系統tī顯示ê時，lóng會kā轉做台羅。

下面是輸入ê範例：

輸入分做三欄，其中第二欄是漢羅，第三欄是羅馬字。若是無需要分漢羅kah羅馬字ê，主要是文本ê基本資料（metadata），tō kā 第二欄kah第三欄合併。

第一欄表示資料ê性質，事先規定好ê，包括：

• 文類：填寫tī 表 1所列ê小類，lóng總有「報導文學」、「演講訪談」、「散文」、「小說」、「論文」、「流行歌」、「褒歌」、「囡仔歌」、「謎猜」、「歌仔冊」、「俗諺」、「民間故事」、「戲劇」、「教材」、「其它教材」等15個類別
• 書寫系統：填寫tī 表 2所列ê文字型式，lóng總有「漢字」、「漢羅」、「羅馬字」等三種書寫系統
• 作者
• 出版者
• 出版年
• 書名
• 篇名
• 年級別：這是教材類chiah需要填寫ê資料，有「[一|二|三|四|五|六][上|下]」攏總12個年級別
• 段：tō是語料ê內容，一個段落做一欄

內容ê部份，分做漢羅（全漢字）kah羅馬字兩欄，親像頭前講ê，羅馬字用白話字、台羅lóng會使，調符、數字聲調mā lóng會使。

根據語料ê整理方式，系統會kā漢羅kah羅馬字一個語詞一個語詞對起來。假使漢羅kah羅馬字文本對boē起來，表示輸入ê時有têng-tâⁿ，系統tī顯示ê時會用紅色標示，按呢會當倒頭幫贊輸入者做校對。另外，因為羅馬字有連字符，所以這份語料等於有做人工斷詞。

3-4 造字處理方式

中央研究院tih處理中國古籍ê時，tú著真choē造字，為著解決相觀問題，in發展一套欠字處理ê系統， in制訂「構字式」做造字ê編碼，利用圖形來顯示。本計劃採用中研院ê欠字處理系統來解決語料中ê漢字欠字問題，用圖形顯示，使用者無需要另外安裝造字檔案，跨網路平台mā boē發生問題。

構字ê原則，是kā一個漢字（造字）看做是兩個漢字組合起來ê，組合ê款式有倒pêng正pêng、頂面下面kah外面內面三種。為著輸入ê利便，本計劃tih輸入造字ê時陣，採用下面ê符號：

• 倒pêng正pêng：以 「[倒+正]」表示，可比「[會+勿]」
• 頂面下面：以 「[頂^下]」表示，可比「[伊^心]」
• 外面內面：以 「[外@內]」表示，可比「[門@丨]」

系統讀著chia ê符號ê時，會去中央研究院ê欠字系統討這個漢字ê圖形來顯示。M̄-koh並m̄是所有ê台語漢字造字lóng有收錄tī中研院ê欠字系統內底，chia ê漢字，咱需要整理、chhoân咱做好ê這字ê圖形，kā中研院申請。

[1] 這11種寫法分別是：tshit-thô、蹉跎、佚陶、tshit迌、彳亍、七桃、[辶+日]迌、逸陶、佚佗、擦桃、遊戲，其中，「[辶+日]」表示這個漢字是「辶」kah「日」二字鬥起來ê，因為Unicode內底無這個漢字，所以tī輸入ê時，輸入「[辶+日]」，系統到時用圖形ê方式來顯示。