LIETUVIŲ KALBOS TEKSTŲ RINKIMO INICIATYVA

Kreipiamės į Jus norėdami paprašyti prisidėti prie Bendrojo lietuvių kalbos tekstyno kaupimo. Jeigu turite didesnį kiekį lietuviškų tekstų kuriais galite prisidėti prie BLKT kaupimo, prašau rašykite Agnei Mikštienei agne.mikstiene et vdu.lt.

Kontekstas

Daugeliui jau teko vienaip ar kitaip susidurti su pakalbių robotais ar tekstų generavimo programomis. Šiandien, lietuviškai kokybiškiausiai galima kalbėti su amerikiečių arba kiniškų kompanijų sukurtomis priemonėmis ChatGPT, Gemini, Claude, DeepSeek, Lama, Grok ir kitomis. Didžiosios kompanijos tokios kaip OpenAI, Google, Baidu, X ar META turi prieigą ir galimybes parsisiųsti viso pasaulio kalbų internetinius tekstus (taip pat ir lietuvių), todėl jų treniruoti algoritmai neblogai formuluoja lietuviškus sakinius bei išmoksta lietuviškuose tekstuose užfiksuotą informaciją.

Tiesa, šias priemones naudodami vartotojai nežino su kokiais duomenimis buvo treniruoti jų modeliai, kokia jų apimtis ir kokia jų kokybė. Paprastai treniravimo duomenų vartotojas negali atsisiųsti. Beveik neabejotina, kad nesant tinkamai lietuviškų duomenų atrankai į tokias duomenų bazes pakliūva ir melas, ir dezinformacija, tendencinga ir šališka medžiaga. Taip pat, dažniausiai lietuviški duomenys paimami nesiderinus su autoriais, negavus jų leidimų, pažeidžiant autorines teises. Svarbu suprasti, kad duomenys su kuriais treniruojami lietuvių kalbos modeliai ir yra ta informacija, kuri atsiranda mūsų generuojamuose tekstuose.

Kitoks požiūris

Šis projektas turi kitokį požiūrį į lietuviškus duomenis – mums svarbu užtikrinti duomenų skaidrumą. Projekte kalbos modeliai bus treniruojami su patikrintais duomenimis, iš duomenų tiekėjų, valdytojų ar autorių gavus tinkamas licencijas ar leidimus.

Duomenys, su kuriais bus apmokinti lietuviški didieji kalbos modeliai, bus viešai  prieinami visiems dirbtinio intelekto priemonių gamintojams – juos jie galės pernaudoti kurdami savo lietuvių kalbos modelius. Duomenų šaltiniai ir tekstų kokybė bus kruopščiai tikrinami.

Kodėl tai svarbu

Modeliai, kurie bus apmokinti su patikrintais duomenimis, generuos taisyklingesnius lietuvių kalbos tekstus, geriau atspindės lietuviškus kultūrinius aspektus, geriau atspindės vertybines mūsų visuomenės ir valstybės nuostatas.

Reikalavimai tekstams

Tinka visų tipų tekstai – grožiniai, negrožiniai, naujienos, dokumentai, sakytinės kalbos, moksliniai, mokslo populiarinimo ir kt. Tekstai turi būti lietuviški, redaguoti, taisyklingi, gali būti vertimai. Netinka: neredaguoti, sąrašai, žodynai, socialinių tinklų tekstai, taip pat tekstai, kuriuose didelis kiekis kitų kalbų žodžių. Jeigu turite tokių tekstų – parašykite mums.

Projektas

Bendrojo lietuvių kalbos tekstyno ir vektorizuotų lietuvių kalbos modelių sukūrimas
https://sitti.vdu.lt/bendrasis-lietuviu-kalbos-tekstynas-ir-vektorizuoti-modeliai/
PDF dokumentas