Jezički resursi Centralne i Južne Evrope u okviru platforme META-RAZMENA 
Maćej Ogrodničuk (maciej.ogrodniczuk@ipipan.waw.pl),  Institut za računarstvo, Poljska akademija nauka Radovan Garabik (garabik@kassiopeia.juls.savba.sk), Institut za lingvistiku "ljudovit štur", Slovačka akademija nauka Svetla Koeva (svetla@dcl.bas.bg), Institut za bugarski jezik, Bugarska akademija nauka Cvetana Krstev (cvetana@matf.bg.ac.rs), Univerzitet u Beogradu, Filološki fakultet Pjotr Pezik (piotr.pezik@gmail.com), Univerzitet u Lođu Tibor Pinter (pinter.tibor@nytud.mta.hu), Institut za lingvistička istraživanja, Mađarska akademija nauka Adam Pžepjorkovski (adam.przepiorkowski@ipipan.waw.pl),  Institut za računarstvo, Poljska akademija nauka đerđ Sasak (szaszak@tmit.bme.hu), Katedra za telekomunikacije i informatiku medija,  Budimpeštanski univerzitet za tehnologiju i ekonomiju   Marko Tadić (marko.tadic@ffzg.hr), Univerzitet u Zagrebu, Filozofski fakultet  Tamaš Varadi (varadi@nytud.hu), Institut za lingvistička istraživanja, Mađarska akademija nauka Duško Vitas (vitas@matf.bg.ac.rs), Univerzitet u Beogradu, Matematički fakultet 
Apstrakt 
Namera ovog rada je da pruži kratak pregled jednog od najnovijih poduhvata usmerenih na izgradnju panevropske infrastrukture u oblasti jezičkih tehnologija, META-NET-a - mreže izvrsnosti koja okuplja 54 istraživačka centra iz 33 zemlje, a posebno projekta CESAR zemalja učesnica iz Centralne i Južne Evrope. 
Jedna od glavnih aktivnosti u okviru projekta je odabir resursa i alata koji će se sakupljati, validirati, standardizovati, unapređivati, proširivati i poravnavati među jezicima i čuvati u otvorenom sistemu za razmenu resursa META-RAZMENA (META-SHARE). 
U ovom prilogu se najveća pažnja posvećuje predstavljanju repozitorijuma u kome se skladište metapodaci iz odabranih izvora, metodologije i kriterijuma za njihovu selekciju i daje se detaljan prikaz resursa i alata  obezbeđenih u okviru projekta u 2011. godini. 
U fokusu su prvo pojmovi modela metapodataka, META-RAZMENA i sinhronizovane  mreže servera sa metapodacima, nakon čega se u članku predstavljaju metodologija i kriterijumi za selekciju resursa kroz određivanje broj bodova pojedinačnih stavki na osnovu pouzdanih kriterijuma za pravljenje procene, kao što su: dostupnost resursa, kvalitet i kvantitet sličnih dostupnih resursa, pokrivenost, zrelost, održivost i prilagodljivost. 
Takođe su predstavljene bele knjige o jezicima nastale u okviru mreže META-NET - niz izveštaja o stanju svakog evropskog jezika ponaosob, po pitanju jezičkih tehnologija, kao i uputstva za licenciranje koja je predložila zajednica učesnika u META-RAZMENI. 
Tim uputstvima se promoviše otvorenost i besplatno korišćenje podataka i alata putem standardizovanih i dobro definisanih načina zaštite autorskih prava. 
Ključne reči 
Jezički resursi i alati, metapodaci, repozitorijum resursa, otvorena lingvistička infrastruktura, bele knjige o jezicima, slovenski jezici, bugarski, hrvatski, mađarski, poljski, srpski, slovački 
Uvod 
Kako ciljevi informacionog društva sve više postaju životna stvarnost, izazovi sa kojima 	se suočava jezik, kao sredstvo za komunikaciju svojstveno ljudskoj vrsti, bez obzira na tehnologiju kojom se prenosi, postaju jedno od fundamentalnih pitanja. 
Otuda i značaj jezičkih tehnologija, kao ključnih tehnologija koje otvaraju nove mogućnosti, a potrebne su u brojnim oblastima, od uklanjanja jezičkih barijera i očuvanja kulturnog nasleđa, do ekstrakcije znanja putem analize teksta. 
To su samo neke od oblasti koje mogu zanimati čitaoce ovog časopisa. 
Jezičke tehnologije u presudnoj meri zavise od jezičkih resursa , velike količine pažljivo analiziranih i anotiranih podataka, kao i odgovarajućih alata i standardizovanih metoda obrade tih resursa. 
Briga da se obezbedi da podaci i alati budu široko dostupni na standardan i dobro dokumentovan način, uključujući i jasan status po pitanju intelektualne svojine urodila je formulisanjem ideje infrastrukture u oblasti jezičkih tehnologija. 
Jedan od najnovijih panevropskih  poduhvata je META-NET, mreža izvrsnosti zasnovana na četiri projekta koji u njoj učestvuju. 
Među njima je i projekat CESAR o kome je objavljen izveštaj u jednom od prethodnih brojeva ovog časopisa (Varadi, 2011). 
Namera ovog članka, čiji autori su partneri na projektu CESAR je da predstavi pregled infrastrukture META-RAZMENE, kao i opis prve grupe jezičkih resursa i alata koje je pripremio konzorcijum CESAR. 
1. META-NET i META- RAZMENA 
META-NET je mreža izvrsnosti posvećena razvoju tehnoloških temelja višejezičnog evropskog informacionog društva. 
Jezičke tehnologije će:  -	omogućiti komunikaciju i saradnju na više jezika, -	 obezbediti govornicima svih jezika uključenih u projekat jednak pristup informacijama i znanju, -	doprinositi daljem razvoju i unapređivanju funkcionalnosti umrežene informacione tehnologije. 
Potrebno je učiniti znatan zajednički napor na celom kontinentu na planu istraživanja i inženjeringa u oblasti jezičkih tehnologija sa ciljem razvoja aplikacija koje omogućuju automatsko prevođenje, višejezičko upravljanje informacijama i znanjem, kao i produkciju sadržaja na svim evropskim jezicima. 
Uloženi napor će dovesti do stvaranja intuitivnih jezičkih sumeđa za tehnologiju primenljivu u nizu oblasti, od kućnih aparata, mašina i vozila, do računara i robota. 
Radi ostvarenja tih ciljeva, META-NET stvara  Tehnološki savez višejezične Evrope - META (eng. Multilingual Europe Technology Alliance). 
S obzirom da okuplja istraživače, one koji pružaju pristup tehnologiji na komercijalnim osnovama, privatne i poslovne korisnike jezičkih tehnologija, stručnjake za jezik i druge strane zainteresovane za informaciono društvo, META će pripremiti potrebni, ambiciozni, zajednički poduhvat usmeren na razvijanje jezičkih tehnologija, kao sredstva za ostvarenje vizije Evrope ujedinjene u jedinstveno digitalno tržište i informacioni prostor. 
1.1. Model metapodataka 
Jedna od najdragocenijih karakteristika META-RAZMENE je globalno sagledavanje resursa, čime značajno prevazilazi ideju repozitorijuma. 
Osim što pruža katalog jezičkih resursa i alata (podataka, alata, tehnologija), namera je takođe da čuva podatke koji mogu da se upotrebe za unapređenje njihovog korišćenja, kao što su referentni dokumenti (radovi u kojima se opisuje resurs i sa njima povezani izveštaji, uputstva o skupovima etiketa, smernice za produkciju jezičkih resursa, itd.), informacije o osobama i organizacijama uključenim u njihovo stvaranje i korišćenje (na primer, o stvaraocima resursa, finansijerima, distributerima, itd.), linkovi ka srodnim pokretima i aktivnostima (na primer, ka projektima kojima je finansirano stvaranje jezičkih resursa, u okviru kojih je eksploatisan neki od jezičkih resursa, itd.) ili licence (za distribuciju jezičkih resursa). 
Model metapodataka META-RAZMENA se bazira na tri pojma iz komponentne infrastrukture metapodataka (Broeder et al. 2008): -	komponentama - u njima su sadržani elementi koji okupljaju semantički koherentna svojstva u slabije granuliran skupove -	elementima - oni kodiraju specifične deskriptivne karakteristike jezičkih resursa, -	relacijama - one povezuju međusobno povezane resurse iz repozitorijuma META-RAZMENA (na primer, izvorne i izvedene, sirove i anotirane resurse, određeni jezički resurs i alat upotrebljen prilikom njegovog stvaranja, itd.) 
Zajednički model metapodataka META-RAZMENA je, u skladu sa ovim principom, pripremljen i kodiran uz pomoć notacije XML shema. 
Ona nudi dva osnovna nivoa opisa resursa: minimalnu shemu koja pruža osnovni opis resursa, a zadržava se radi obezbeđivanja kompatibilnosti i maksimalnu shemu sa višim nivoom granularnosti koja daje detaljnije informacije o svakom resursu. 
Slično tome, klase elemenata su podeljene u grupe prema važnosti i zavisnosti: obavezne, obavezne u zavisnosti od uslova (moraju da budu popunjene kada su ispunjeni specifični uslovi), preporučene (stvaraocima jezičkih resursa se savetuje da uključe te informacije) i neobavezne. 
U ovom modelu postoje dva nivoa taksonomije jezičkih resursa: prvi nivo se odnosi na tip resursa (korpus, leksički/konceptualni resurs - terminološki resursi, liste reči, semantički leksikoni, ontologije, jezički opis i tehnologija/alat. 
Drugi nivo omogućava potklasifikaciju u zavisnosti od tipa (jezik, medij, domen, format, anotacijske karakteristike, itd.). 
1.2. Repozitorijum META-RAZMENA 
META-RAZMENA je otvorena distribuirana platforma za deljenje i razmenu resursa koju obezbeđuje META-NET. 
Serveri META-RAZMENE formiraju lanac međusobno povezanih čvorova koji korisnicima omogućavaju da lako i bez prepreka pristupaju resursima, a vlasnicima resursa  obezbeđuju pouzdanu sumeđu za uređivanje i obavljanje administrativnih poslova. 
Repozitorijumi META-RAZMENE sadrže opise resursa u obliku metapodataka koji odgovaraju upravo opisanom modelu metapodataka, a popunjavaju se i ažuriraju prikupljanjem podataka iz postojećih inicijativa i projekata na kojima se sarađuje, kao i postavljanjem novih opisa resursa putem programa za uređivanje metapodataka i održavanjem dozvola za pristup. 
Čim metapodaci novog resursa postanu dostupni nekom od čvorova META-RAZMENE, mreža automatski umnožava i sinhronizuje opise između ostalih registrovanih čvorova (videti sliku 1). 
Slika 1. Rezultat pretrage repozitorijuma META-RAZMENA , posle filtriranja jezika (poljski) i vrste višejezičnog resursa (paralelni). 
Pronađeno je četiri takva resursa a sve ih je obezbedio CESAR. 
2. Popunjavanje META-RAZMENE 
Koncepti META-NET-a i META-RAZMENE su prvi put testirani na panevropskom nivou početkom decembra 2011. godine, kada su sva tri bratska ICT-PSP  projekta učinila svoju prvu tranšu resursa dostupnim. 
U ovom radu se fokusiramo na jedan od tih projekata, CESAR (CEntral and South-east europeAn Resources (Resursi Centralne i Jugoistočne Evrope). 
2.1. Projekat CESAR 
Tehnologije za obradu prirodnih jezika u presudnoj meri zavise od jezičkih resursa i alata koji su primenljivi, korisni i dostupni. 
Namera projekta CESAR (u koji je uključeno 9 partnera iz 6 zemalja), je da se, kroz blisku saradnju i usklađivanje ciljeva sa savezom META-NET, pozabavi ovim pitanjima i to putem daljeg razvoja, unapređivanja standardizovanja i međusobnog povezivanja širokog spektra jezičkih resursa i alata i omogućavanja da oni budu dostupni, što predstavlja doprinos otvorenoj lingvističkoj infrastrukturi. 
Glavni cilj projekta je da se učini dostupnim sveobuhvatni skup jezičkih resursa i alata kojima su obuhvaćeni bugarski, hrvatski, mađarski poljski, srpski i slovački jezik. 
Iz činjenice da su projektom obuhvaćeni ovi jezici proizilazi dodatna korist od projekta - anticipiranje i ispunjavanje zahteva koji se mogu predvideti, a tiču se resursa ovih jezika. 
Oslanjajući se na širok spektar već postojećih resursa i nacionalnih i internacionalnih aktivnosti, projekat stvara i popunjava sveobuhvatnu platformu jezičkih resursa kojom i upravlja. Ta platforma omogućava i podržava višejezične i međujezičke proizvode i usluge velikih razmera. 
Među resursima već uključenim u projekat (čiji broj stalno raste) su: međusobno razmenljive jednojezične i višejezične govorne baze podataka, jednojezični i dvojezični korpusi, rečnici, wordneti i alati za obradu podataka relevantni u oblasti jezičkih tehnologija, kao što su: tokenizatori, lematizatori, tageri i parseri. 
Glavni ciljevi projekta CESAR su: 
-	opisivanje: situacije u zemljama učesnicama po pitanju upotrebe jezika;  proizvoda i usluga koji se zasnivaju na poznavanju jezika, jezičkih tehnologija i resursa; glavnih aktera (istraživači, industrija, državna uprava i društvo); državne politike i programa, preovlađujućih standarda i praksi; trenutnog nivoa razvoja, glavnih pokretača i prepreka; 
-	davanje doprinosa panevropskom sistemu za razmenu digitalnih resursa kroz prikupljanje, dokumentovanje, povezivanje i unapređivanje resursa da bi se dostigli dogovoreni standardi i smernice; 
-	saradnja sa drugim partnerskim projektima, naročito sa pilot projektom ICT-PSP 6.1 koji se odvija u isto vreme kada i CESAR i mrežom izvrsnosti, META-NET, a tamo gde to može biti od koristi, i sa drugim relevantnim multinacionalnim forumima i aktivnostima, kao što su FlaReNET  i CLARIN  - da bi se obezbedila doslednost pristupa, praksi i standarda, čime se lakše postiže šira dostupnost i lakši pristup kvalitetnim jezičkim resursima i alatima, odnosno, njihovo ponovno korišćenje; 
-	pomoć pri pravljenju opsežnih, nekomercijalnih repozitorijuma koje stvaraju članovi zajednice i koji su međusobno povezani, a mogu ih koristiti istraživači u oblasti jezika, pojedinci koji se bave razvojem softvera i stručnjaci; 
-	mobilizacija zainteresovanih strana, državnih organa i agencija koje obezbeđuju finansijska sredstva, u zemljama učesnicama i u regionu, a to se postiže razvijanjem svesti, organizovanjem sastanaka i drugih događaja usmerenih na ostvarenje tog cilja; 
-	jačanje saradnje između glavnih partnera na polju tehnologije u regionu, nastavljajući raniju saradnju na projektima TELRI,  MULTEXT-East  i drugim; 
-	prevazilaženje tehnološkog jaza između ovog regiona i drugih delova Evrope, eliminisanjem očiglednih i važnih nedostataka u infrastrukturi jezičkih resursa i alata. 
Glavni stubovi aktivnosti u okviru projekta CESAR se ogledaju u unapređenju resursa i alata (u smislu veličine, pokrivenosti, preciznosti, odziva, tačnosti), prilagođavanju resursa i alata da bi se uskladili sa dogovorenim standardima međusobnog uklapanja, daljem razvoju resursa i alata tako što se kombinuju sa drugim resursima i alatima da bi se postigao predviđeni nivo međusobnog uklapanja i u prilagođavanju korisničkih sumeđa da bi se ispunili zahtevi korisnika. 
Poseban napor je uložen da bi se uspostavio zajednički standard resursa i alata uključenih u projekat, da bi se poboljšalo i olakšalo postizanje predviđene međusobnog uklapanja između njih, kao i da bi se izvršila procena njihovih načina licenciranja i pitanja koja se tiču prava intelektualne svojine. 
Cilj projekta CESAR je da se podstakne međujezička komunikacija, saradnja i učešće koji se ostvaruju uz pomoć informaciono-komunikacionih tehnologija i time doprinese stvaranju jedinstvenog panevropskog digitalnog tržišta. 
Najvažniji resursi obuhvaćeni projektom CESAR će biti povezani i učinjeni međusobno uklopivim uz korišćenje kapaciteta repozitorijuma META-RAZMENA. 
Ciljna zajednica korisnika praktično obuhvata sve zainteresovane strane na savremenom digitalnom tržištu: obične krajnje korisnike, profesionalne krajnje korisnike (poslovne korisnike, administraciju, medije, obrazovne ustanove, biblioteke itd.), kao i stručnjake za različite oblasti (istraživače, predstavnike industrije, kreatore politike i dr.). 
Projekat nastoji da pažljivo istraži potrebe različitih vrsta korisnika - od pojedinaca do velikih multinacionalnih organizacija - iz perspektive trenutnog statusa, kao i skorije budućnosti. 
Ovaj projekat, takođe, svojim dragocenim resursima daje doprinos META-RAZMENI koja će jednog dana izvesno postati značajan element tržišta jezičkih tehnologija za istraživače tehnologija obrade prirodnih jezika i one koji rade na njihovom razvoju, ljude koji se profesionalno bave jezikom (prevodioce koji se bave pismenim i usmenim prevođenjem, stručnjake za lokalizaciju sadržaja i softvera, itd.), kao i za industriju, naročito mala i srednja preduzeća koja učestvuju u celokupnom procesu razvoja tehnologija u oblasti obrade prirodnih jezika, od istraživanja, do inovativnih proizvoda i usluga. 
Saradnja na obuhvaćenim resursima i alatima će se odvijati (a materijal podnositi) u tri faze. 
Rezultat aktivnosti (kao što su gorepomenuta nadogradnja, standardizacija, harmonizacija, povezivanje, rešavanje problema vezanih za prava intelektualne svojine) je već postignut u takozvanoj "prvoj tranši" resursa, koja je objavljena početkom decembra 2011. godine (objavljivanje "druge tranše" - opisa aktivnosti i metapodataka je zakazano za kraj avgusta 2012, a treće za kraj februara 2013. godine). 
Prva tranša obuhvata 33 resursa za šest jezika i sadrži 20 korpusa (19 pisanih i jedan govorni), 2 rečnika, 4 wordneta, 1 leksikon i 6 govornih baza podataka. 
U ovoj tranši se nalaze podaci koje su priložili partneri na projektu, ali se planira da se u preostale dve tranše u okviru projekta CESAR uključe i drugi relevantni centri u zemljama učesnicama, da bi se povećao broj unapređenih resursa. 
2.2. Metodologija i kriterijumi za odabir resursa 
Prvi korak je podrazumevao razvoj metodologije na osnovu koje bi bila rađena procena identifikovanih jezičkih resursa. 
Partnerima je podeljen upitnik u nameri da se dobiju sugestije kakav pristup primeniti što se tiče procedure procene. 
Potvrđeno je da se ni jedna od trenutno postojećih metodologija ne može samostalno prihvatiti kao standard. 
Umesto toga, konzorcijum je napravio listu četiri opšta indikatora koji se smatraju reprezentativnim i indikativnim za odabir jezičkih resursa. 
Indikatori određuju opšte zahteve koji treba da budu ispunjeni prilikom selekcije. 
Za svaki indikator su definisane različite grupe preciznih kriterijuma. 
Kriterijumi su opisani u odeljcima koji slede. 
2.2.1. Opšta procena resursa 
Proces unapređivanja resursa i alata se, u okviru ovog indikatora, odvija u tri toka: nadogradnja resursa, proširivanje i poravnavanje među jezicima. 
Među tim indikatorima se pravi dalja klasifikacija prema sledećim kriterijumima: 
Za nadograđene resurse: -	Svi odabrani resursi su najsavremeniji predstavnici tipa kome pripadaju za određeni jezik (da, ne)  -	Predstavnici iste vrednosti su svi uključeni u odabir (da, ne) -	Trenutni status resursa je takav da su oni superiornog kvaliteta, makar na regionalnom nivou, te nema potrebe za preteranim daljim razvojem (da, ne) -	Pitanja licenciranja su rešena tako da je moguć  slobodan pristup obradi i resursima, kao  i materijalima vezanim za resurse ili konzorcijum uspeva da postigne dogovor sa odgovarajućim nosiocima autorskih prava (da, ne) 
Za proširene/povezane resurse: -	Proširenje resursa je od velike vrednosti za zajednicu, makar na regionalnom nivou (da, ne)  -	Naglasak je dat na obezbeđivanje dodatnih blokova za postojeće alate, pre nego na značajno restrukturiranje (da, ne)  -	Dodatni resursi su integrisani sa postojećim samo ako dovode do bitnog poboljšanja kvaliteta resursa koji proizilaze iz tog procesa (da, ne)  -	Ako je odabrano više predstavnika jednog tipa resursa za neki jezik, vrlo je verovatno da će oni biti međusobno povezani da bi bile iskorišćene prednosti dobrih strana oba rešenja (da, ne)  -	Ako manje razvijenim, mada još uvek veoma popularnim resursima mogu biti od koristi poboljšanja, sa obzirom da imaju dobro razvijene ekvivalente, razmatra se i njihovo  unapređivanje (da, ne)  -	Iskustvo drugih članova konzorcijuma/drugih konzorcijuma se u velikoj meri koristi u procesu proširivanja nacionalnih resursa da bi se obezbedilo čvrsto utemeljenje za rad na više jezika (da, ne)  -	Daje se prednost alatima koji su primenljivi na sve jezike ili koji se mogu koristiti za rad na više jezika (da, ne) 
Za resurse poravnate na više jezika: -	Za svaki pojedinačni jezik se ne koristi više od jednog alata određenog tipa (da, ne)  -	Kada god je moguće, bira se najveći set jezika (da, ne)  -	Alati za obradu jezika u NooJ (da, ne)  -	želi se u velikoj meri  postići nezavisnost od jezika (da, ne)  -	Kvalitet rezultata je od ogromne važnosti (da, ne) 
O ispravnosti specifikacije se ne može suditi bez poznavanja šireg konteksta upotrebe, adekvatnosti, itd., jezičkog resursa. 
Radi procene kvaliteta, kvantiteta i značaja, svaki slučaj će se detaljno analizirati, uzimajući u obzir regionalne odlučujuće faktore, popularnost formata izvan institucije iz koje potiče, itd. 
Ovaj indikator zahteva kompleksnu procenu jezičkih resursa u kontekstu čitavog seta utvrđenih kriterijuma. 
Partneri ne samo što ocenjuju da li odabrani resursi ispunjavaju utvrđene kriterijume, već i daju konkretne primere i detaljna objašnjenja na osnovu temeljne analize. 
2.2.2. Ukupan broj bodova pojedinačnih stavki 
Primenjujući pristup projekta EU,  NEMLAR (Network for Euro-Mediterranean Language Resources (Mreža evromediteranskih jezičkih resursa)) (u vezi BLARK-a za arapski - za više informacija o BLARK-u, pogledati tačku 2.2.5), detaljnije se preciziraju pojmovi dostupnosti, kvaliteta, kvantiteta i standarda i uzimaju se u obzir u procesu odabira jezičkih resursa. 
Razvijena je tehnika koja dopunjuje pristup NEMLAR-a, a pritom definiše egzaktne mere za aspekte kvaliteta i kvantiteta i inkorporira standardizaciju u domen kvaliteta. 
Proces evaluacije se sastoji od sledećih koraka: specifikacije broja bodova pojedinačnih stavki  u okviru svake mere za svaki od resursa; agregacije stavki u jedinstveni zbir (ukupan broj bodova pojedinačnih stavki); pokazivanja korisnosti jezičkih resursa u daljoj obradi; odabira resursa koji ispunjavaju predefinisane uslove. 
Određene su sledeće stavke koje se boduju: i. Dostupnost: Dostupno kome?, Po kojoj ceni?, Koliko je jednostavno ponovno korišćenje (stepen prilagodljivosti)?;  ii. Kvalitet: Usklađenost sa standardima (da li je resurs zasnovan na zajedničkom standardu?), Pouzdanost (Unutrašnja doslednost, t.j., da li je resurs zasnovan na dobro definisanim specifikacijama?), Relevantnost u odnosu na zadatak (da li resurs odgovara određenom zadatku?), Relevantnost u odnosu na okruženje (da li je se resurs može uklopiti sa drugim resursima?) iii. Kvantitet (samo resursi). 
Najmanji mogući ukupan broj bodova je 8, a najveći 25 bodova. 
Utvrđeni kriterijumi za odabir  jezičkih resursa nalažu da ukupan broj bodova bude manji od minimalnog broja od 16 ili jednak tom broju bodova. 
Ukupan broj bodova za resurse koji se odabiraju za projekat se može izračunati pre nego što se preduzmu bilo kakvi radovi na planu nadogradnje. 
Taj proces je u direktnoj vezi sa snižavanjem ukupnog broj bodova, što se može koristiti kao konkretni indikator uspešnosti projekta. 
2.2.3. Bele knjige o jezicima 
Serija belih knjiga META-NET-a, "Jezici u evropskom informacionom društvu" predstavlja izveštaje o stanju svakog evropskog jezika ponaosob, što se tiče jezičkih tehnologija i objašnjava najvažnije rizike i mogućnosti. 
U belim knjigama o jezicima se daje pregled trenutne situacije u oblasti podrške jezičkim tehnologijama. 
Rejting postojećih resursa i alata se zasniva na stručnim procenama nekoliko vodećih eksperata, pri čemu se primenjuju sledeći kriterijumi (raspon bodova za svaki od kriterijuma je od 0 do 6). 
i. Kvantitet: Da li alat/resurs postoji za jezik o kome je reč? 
Što više alata/resursa postoji, rejting je viši; 
ii. Dostupnost: Da li su alati/resursi dostupni, t.j. otvorenog koda, odnosno, da li se mogu slobodno koristiti na bilo kojoj platformi ili su dostupni po visokoj ceni ili pod veoma restriktivnim uslovima?; 
iii. Kvalitet: U kojoj meri najbolji postojeći alati, aplikacije ili resursi zadovoljavaju odgovarajuće kriterijume kojima se određuje efikasnost alata, odnosno, indikatore kvaliteta resursa?; 
iv. Pokrivenost: Do kog stepena najbolji alati ispunjavaju odgovarajuće kriterijume pokrivenosti? 
Do kog stepena resursi reprezentuju ciljni jezik ili podjezike?; 
v. Zrelost: Da li se alat/resurs može smatrati zrelim, stabilnim i spremnim za tržište? 
Mogu li se najbolji dostupni alati/resursi koristiti u formi u kojoj se isporučuju ili se moraju adaptirati?; 
vi. Održivost: Koliko dobro se alat/resurs može održavati/integrisati u postojeće informatičke sisteme?; 
vii. Prilagodljivost: Koliko dobro se najbolji alati/resursi mogu prilagoditi/proširiti na nove zadatke/domene/žanrove/tipove tekstova/situacije u kojima se koriste, itd.? 
Korist korist koju donose jezičke tehnologije varira od jezika do jezika, u zavisnosti od faktora kao što su kompleksnost određenog jezika, veličina zajednice njegovih govornika i postojanje aktivnih istraživačkih centara u oblasti u kojoj se tim jezikom govori. 
Najvažniji faktori za nadogradnju resursa su kvalitet i zrelost podataka, u slučajevima kada nije planirana nikakva dodatna obrada, osim automatske konverzije. 
Da bi resursi bili višejezički poravnati, svi faktori su od ključne važnosti, a resurs treba da predstavlja najbolji dostupni rezultat. 
Sa druge strane, resursi koji imaju najmanje bodova su podjednako prikladni za dalju obradu, pošto manji broj bodova ukazuje na potrebu da se poboljša stanje u oblasti određenog jezika. 
Situaciju u jezicima obuhvaćenim projektom su opisali i podatke prikupili partneri koji sarađuju na CESAR-u - za bugarski (Blagoeva et al., 2011), hrvatski (Tadić et al., 2011), mađarski (Simon  &  Lendvai, 2011), poljski (Milkowski, 2011), srpski (Vitas et al., 2011), i slovački (šimkova et al., 2011). 
2.2.4. Proporcija između odabranih resursa razvijenih unutar i izvan konzorcijuma 
Resursi mogu biti klasifikovani prema tome da li se razvijaju unutar konzorcijuma, izvan njega ili na oba pomenuta načina. 
Ova informacija pruža dodatne dokaze koji se mogu porediti sa uočenim pomanjkanjima, tako da se izvesni napori mogu usmeriti na dalju identifikaciju jezičkih resursa izvan konzorcijuma. 
2.2.5. BLARK i zaključak 
BLARK (Basic Language Resources Kit (Osnovni pribor za procenu jezičkih resursa)) je koncept definisan zahvaljujući zajedničkoj inicijativi ELSNET-a  i ELRA-e . 
BLARK se definiše kao minimalni set resursa neophodnih za bilo kakvo istraživanje koje vodi ka komercijalnom proizvodu ili za obrazovanje za sve. 
BLARK uključuje mnoge raznorodne resurse, poput (jednojezičnih i višejezičnih) korpusa pisanog i govornog jezika, jednojezičnih i dvojezičnih rečnika, zbirki termina i gramatika, tagera, morfoloških analizatora, parsera, analizatora i prepoznavača govora, itd. 
ELDA  (Evaluations and Language Resources Distribution Agenč (Agencija za procene i distribuciju jezičkih resursa)) je izradila podroban izveštaj u kome se definiše (minimalni) set jezičkih resursa koji treba učiniti dostupnim za što veći broj jezika. 
BLARK može da pruži smernice kako da se odredi prioritet za početni odabir i da se postigne da on ne zavisi od lokalnih preferenci. 
Postoje informacije o pokrivenosti jezičkih resursa i alata za 13 jezika koji se govore u EU (kako za velike jezike, tako i za one sa manjim brojem govornika), na osnovu kolektivnog iskustva i znanja koje stiču pripadnici jezičke zajednice. 
Do sada, ni za jedan jezik zastupljen u projektu CESAR ne postoje zvanične informacije dobijene primenom BLARK-a. 
Sa druge strane, klasifikacija iz belih knjiga o jezicima i rezultati izračunavanja ukupnog broj bodova pojedinačnih stavki za alate i resurse za pojedinačne jezike obuhvaćene projektom pružaju obilje dokaza za i protiv odabira određenog resursa. 
Stoga, suprotno našim početnim namerama, BLARK nije uvršten u indikatore na osnovu kojih se vrši procena za projekat CESAR. 
Da zaključimo, kombinacija četiri indikatora (svaki je preciziran prema različitim grupama kriterijuma) se koristi u procesu odabira jezičkih resursa u projektu CESAR. 
Prvi indikator je opšti i stoga se procena tog indikatora vrši u skladu sa opštim kriterijumima tipa da/ne. 
Svi resursi koji se ocenjuju za određeni jezik se nabrajaju u okviru kriterijuma: "svi odabrani resursi su najsavremeniji predstavnici tipa kome pripadaju". 
Sledeća dva indikatora, ukupan broj bodova pojedinačnih stavki i bele knjige o jezicima se zasnivaju na numeričkoj proceni resursa prema prethodno ustanovljenim kvalitativnim i kvantitativnim kriterijumima i konvencijama za njihovo merenje. 
Izvor podataka kome se daje prednost u našoj analizi su tabele za svaki jezik pojedinačno, koje se prave na osnovu ocena svih kategorija unapred definisanih u belim knjigama o jezicima. 
Četvrti indikator je dopunski  - on nije od najveće važnosti za sam odabir, ali nagoveštava gde treba usmeriti napore da bi se eliminisali nedostaci u odabiru. 
2.3. Problemi licenciranja 
Četiri konzorcijuma - uključujući i CESAR - koji čine zajednicu META-RAZMENE  su već definisali principe licenciranja i faktore koje treba uzeti u obzir u vezi s tim. 
Osnovni ciljevi su promovisanje slobodnog i besplatnog korišćenja podataka ili alata kada god je to moguće, da bi se obezbedio neometan pristup resursima o kojima je reč. 
Vodeći se principima Creative Commons i Open Data Commons, razvijen je niz modela licenciranja,  koji je nazvan "META-RAZMENA Commons". 
Osim ovih šablona, za neke resurse se koriste izvorna Creative Commons (CC) i GPL licenca. 
Sve licence kojima se omogućava slobodno korišćenje, dozvoljavaju dalju distribuciju resursa i alata. 
Licence mogu imati sledeće standardizovane i dobro definisane odredbe o zakonskim pravima korišćenja (akronim naveden u zagradi populariše organizacija Creative Commons): - klauzulu kojom se nalaže navođenje imena izvornog davaoca licence (BY) - klauzulu kojom se nalaže nekomercijalna upotreba resursa/alata (NC) - klauzulu kojom se nalaže ponovno deponovanje svih prerada ili proizvoda pod istim uslovima licenciranja (zove se "autorstvo - deliti pod istim uslovima" u organizaciji Creative Commons, SA) - klauzulu kojom se zabranjuje prerada dela (ND) 
Ove dodatne klauzule se mogu kombinovati, osim SA i ND, koje se međusobno isključuju. 
Naravno, ponovno licenciranje postojećeg resursa ili alata često nije izvodljivo, naročito ako su vlasnici autorskih prava isuviše brojni ili ako su na snazi druga ograničenja koja se odnose na podatke. 
Tačnije rečeno, OpenSource/OpenContent licence i licence koje omogućavaju slobodan pristup često nisu primenljive iz već postojećih razloga pravne (uglavnom zbog zaštite autorskih prava), strateške ili druge prirode. 
Stoga je razvijena nova grupa licenci kojom se obezbeđuju standardizovani šabloni za licenciranje kojima se zabranjuje bilo kakvo redistribuiranje bez izričite dozvole izvornog davaoca licence. 
Takve restriktivne licence mogu biti komercijalne ili nekomercijalne, izdavane uz naknadu ili bez naknade, a mogu čak sadržati i dodatno ograničenje da se "ne dozvoljava prerada dela". 
Konzorcijum CESAR iz seta do sada predstavljenih šablona, za svaki resurs, bira licencu koja je najprimerenija za dati resurs. 
Konzorcijum je uporedio modele licenci sa propisima i praksom na nacionalnom nivou, imajući u vidu mogućnost postojanja različitih režima, s obzirom na vrste vlasništva (privatni sektor sa jedne i javni sa druge strane), vrstu sadržaja (podaci sa jedne i softver sa druge strane), ili od ranije aktuelne aranžmane sa vlasnicima originalnog sadržaja koji je prerađen pri izradi resursa. 
Resursi proizašli iz projekta treba da budu usklađeni sa pravnim principima i odredbama META-RAZMENE koje je kompletirao ili izmenio konzorcijum, a prihvatili vlasnici prava na dati resurs ili alat. 
Moguća je, mada ne i obavezna varijanta koja podrazumeva da su neki resursi ili alati višestruko licencirani. 
To je uglavnom slučaj sa OpenSource/OpenContent resursima, a obično je u pitanju grupa licenci GPL, CC-BY-SA i GFDL. 
3. Aktivnosti i ciljevi 
Prva tranša resursa je dospevala za objavljivanje 1. decembra 2011. godine. 
Partneri u konzorcijumu CESAR su tog datuma objavili 52 jezička resursa ili alata i učinili ih dostupnim putem repozitorijuma CESAR u okviru META-RAZMENE (kao i u centralnim repozitorijumima META-RAZMENE). 
Kasnije se planira sinhronizacija repozitorijuma, pošto, za sada, to još uvek nije urađeno. 
Zbog brojnosti resursa i činjenice da su u nastavku predstavljeni zajedno sa resursima i alatima predviđenim za naredne tranše - drugu i treću - ovde neće biti data detaljna statistika iz razloga manjka prostora. 
3.1. Bugarska 
Jezički resursi se razvijaju u mnogim istraživačkim centrima u Bugarskoj - na Univerzitetu u Sofiji (na primer, govorni korpusi), Univerzitetu u Plovdivu (na primer, elektronski rečnici), Novom bugarskom univerzitetu (resursi iz domena prevodilačkih memorija), Jugozapadnom univerzitetu (paralelni korpusi) i drugim. 
Među najistaknutijim su istraživački instituti Bugarske akademije nauka - Institut za matematiku i informatiku, Institut za komunikacione i informacione tehnologije i Institut za bugarski jezik. 
U Institutu za bugarski jezik se trenutno razvija nekoliko važnih resursa i alata i o njima se izveštava u okviru projekta CESAR. 
Ovde ćemo pomenuti neke od najistaknutijih jezičkih resursa, a kompletan spisak se može pogledati na veb lokacijama CESAR-a i META-NET-a. 
Bugarski nacionalni korpus (BulNC) je korpus fokusiran na bugarski jezik koji je dostupan javnosti i koji se neprestano proširuje (trenutno sadrži 469,5 miliona tokena). 
Osmišljen je kao jedinstveni okvir za tekstove nastale u različitim medijima (pisani - izgovoreni tekstovi), periodima (sinhroni - dijahroni) i na različitom broju jezika (jednojezični - paralelni, pri čemu je jedan od  jezika bugarski). 
Tako bilo koji jezik X iz bugarsko-X paralelnog korpusa ima jednak tretman (pošto je deo jedinstvenog okvira BulNC-a) po pitanju raznovrsnosti i izbalansiranosti tipova teksta, načina opisa metapodataka, faza koje prethode obradi i anotacije, formata u kome se podaci čuvaju i upita u pretraživačima. 
Trenutno se u paralelnom korpusu nalaze tekstovi na 33 jezika. 
Međutim, oni nisu jednako zastupljeni: najveći paralelni korpus je bugarsko-engleski (81,4 miliona tokena za bugarski), 21 paralelni korpus je veličine 30-52 miliona tokena, slede korpusi veličine od 1-10 miliona tokena, a ostali su manji od jednog miliona. 
Dva ručno anotirana korpusa su takođe deo Bugarskog nacionalnog korpusa - BulPoSCor - tagiran vrstama reči, koji uključuje 150 hiljada reči i BulSemCor - tagiran značenjem reči, sa približno 100 hiljada reči. 
Svakoj leksemi (prostoj ili složenoj reči), koja se javlja u određenom kontekstu u BulSemCor-u, biva ručno dodeljeno jedinstveno semantičko ili gramatičko značenje  iz bugarskog wordneta. 
Sistem za pretraživanje BulNC-a  je osmišljen tako da podržava jednojezični bugarski korpus i paralelne korpuse na isti način. 
Sistem pronalazi elemente koji odgovaraju upitu u svim dokumentima, bez obzira na kom su jeziku. 
Upitni jezik podržava termine: "reč, gramatičko svojstvo i relacija" (dozvoljeni su upiti za oblike reči, sinonime, hiperonime i slične prideve). 
Na vebu je dostupan i servis koji omogućava uvid u statističke podatke o kolokacijama. 
Bugarski wordnet (BulNet) je jedan od najkompletnijih i najkonzistentnijih leksičkih resursa za bugarski jezik (poređenja radi, broj literala u bugarskom wordnetu je mnogo veći od liste reči u standardnom pravopisnom rečniku). 
Setovi sinonima iz BulNet-a su povezani sa prinstonskim WordNet-om 3.0 putem relacija međujezičke ekvivalencije, i stoga je on deo višejezične leksičko-semantičke mreže, takozvanog globalnog wordnet-a. 
Bugarski wordnet je po veličini jednak jednoj četvrtini wordnet-a engleskog jezika i jedan je od najvećih u Evropi. 
BulNet distribuira ELDA. 
Obimni morfološki rečnici bugarskog koje razvija više centara postoje već duže vreme. 
Oni omogućavaju automatsku analizu i sintetizovanje oblika reči, a time i pravljenje paradigme (sastavljene od svih mogućih oblika) date reči, prepoznavanje datog oblika kao dela paradigme i pripisivanje gramatičkih svojstava. 
Morfološki rečnik bugarskog je odabran zato što je na raspolaganju konzorcijumu, zasnovan je na najnovijem izdanju pravopisnog rečnika bugarskog jezika i koristi se za razvoj softvera za proveru pravopisa u tekstovima na bugarskom, a jedan od ciljeva je da se on distribuira u okviru CESAR-a. 
3.2. Hrvatska 
Jedini partner iz Hrvatske koji učestvuje u projektu CESAR je Filozofski fakultet Univerziteta u Zagrebu. 
njegov Institut i Katedra za lingvistiku se bave izradom računarskih korpusa od 1967. godine, a fakultet se smatra vodećom nacionalnom institucijom u oblasti korpusne i računarske lingvistike u Hrvatskoj. 
Resursi i alati u prvoj tranši resursa i alata za hrvatski jezik, u okviru CESAR-a, 
uključuju sledeće resurse: 
-	Hrvatski nacionalni korpus (HNK) je reprezentativni korpus pisanih tekstova, na savremenom hrvatskom standardnom jeziku, objavljivanih od 1990. godine. 
Korpus je automatski lematizovan, a morfosintaksički opis je tagiran uz pomoć hibridnog sistema za lematizovanje i tagiranje, CroTag. 
Dokumenti su anotirani prema žanru, tipu i drugim informacijama. 
Čitav korpus se sastoji od publicistike, beletristike i tekstova  koji su ta dva žanra. 
To je pseudokorpus, naime, samo je sumeđa za postavljanje upita, koristeći klijent Bonito, dostupna bez ikakvih ograničenja, dok se izvorni tekstovi ne mogu distribuirati jer su autorska prava zaštićena. 
Klijent Bonito omogućava postavljanje kompleksnih upita, zahvaljujući razvijenom upitnom jeziku, a kao rezultate pretraživanja daje ne samo konkordance, već i liste reči, kolokacije i druge vrste podataka o distribuciji, itd., tokena, lema i morfosintaksičkih opisa. 
Ti podaci se mogu besplatno preuzeti sa Interneta i koristiti za sve vrste dalje obrade. 
-	Hrvatski morfološki leksikon (HML) je flektivni leksikon koji automatski generiše Hrvatski flektivni generator iz oko 110.000 lema, čime se dobija preko 4.000.000 oblika reči. 
On je rezultat rada zasnovanog na teorijskim predlošku objavljenom 1992. godine (videti Tadić 1994). 
Početna grupa lema je sakupljena iz nekoliko postojećih jednojezičnih i dvojezičnih rečnika hrvatskog jezika, dok su dodatne odrednice sakupljene putem korpusa ili automatskim proširivanjem početne liste lema (videti Bekavac, šojat 2005, i Oliver, Tadić 2004). 
Ispravljene su poznate sistemske greške u automatski generisanom izlaznom rezultatu koji je zatim kodiran po sistemu kodiranja UTF-8, a pohranjen u formatu MULTEXT-East Lexica, t.j. lemma[TAB]word-form[TAB]MSD. 
Skup morforsintaksičkih etiketa je usklađen sa preporukama MULTEXT-East v4.0 za hrvatski jezik. 
Postoje, međutim, nekoliki dodaci: u prezimenima nije naveden rod (-), uvedena je dodatna potklasifikacija adverbijala, itd. 
Hrvatski morfološki leksikon je u ovom trenutku pseudoleksikon, dostupan isključivo putem sumeđe za postavljanje upita hrvatskom serveru za lematizaciju na vebu ili pozivanjem PHP skripta. 
-	Paralelni hrvatsko-engleski korpus (Hr-En p-corp) je paralelni jednosmerni (hrvatsko-engleski) korpus savremenog hrvatskog standardnog jezika, sastavljen od članaka objavljivanih u novinama Croatia Weekly od 1998. do 2000. godine. 
Uzorci korpusa su   dobijeni u potpunosti u digitalnom obliku, konvertovani u XML, poravnati uz pomoć programa Vanilla Aligner, ručno provereni i pohranjeni u formatu TMX. 
Korpus je moguće preuzeti putem platforme za distribuciju META-RAZMENA. 
-	Valencijski leksikon hrvatskih glagola, verzija 2.0008 (CROVALLEX 2.0008) predstavlja pokušaj formalnog opisa valencijskih okvira hrvatskih glagola. 
CROVALLEX 2.0008 je razvijen u okviru doktorske disertacije  (Mikelić Preradović, 2008). 
Funkcionalni generativni opis (FGD) koji razvija češki lingvista Petr Zgal sa saradnicima od šezdesetih godina XX veka se koristi kao teorija na kojoj se zasniva CROVALLEX 2.0008 za opis valencijskih okvira odabranih glagola. 
CROVALLEX 2.0008 sadrži 1740 glagola. 
Oni su odabrani iz frekvencijskog rečnika hrvatskog jezika, a kriterijum je bio da njihova apsolutna frekvencija bude iznad 10. 
Alati: 
-	Hrvatski lematizacijski server (CLS) je usluga dostupna na vebu i omogućava lematizaciju, etiketiranje tekstova na hrvatskom vrstama reči i morfosintaksičkim opisom (MSD). 
Podržava unošenje podataka na dva načina. 
Ako se podaci unose putem formulara na vebu, server podržava direktne upite i dozvoljava da se unose leme ili oblici reči, a rezultat upita su svi oblici unete leme ili sve leme kojima oblik reči može pripadati. 
U oba slučaja, uz rezultate su date i morfosintaksičke etikete. 
Ako se podaci prenose na server, CLS očekuje vertikalizovan tekst, na savremenom hrvatskom standardnom jeziku, na koji je primenjen sistem kodiranja UTF-8 i vraća datoteku u zip formatu koja sadrži rezultate obrade datoteke postavljene na server. 
U ovom trenutku, postoji ograničenje da veličina datoteke ne može preći 50.000 tokena. 
Obradom se dobija potpuna analiza svakog tokena, t.j. svaki redak u vertikalizovanom korpusu koja se odnosi na lemu, vrsta reči i morfosintaksički opis. 
Sumeđa na vebu dozvoljava korisnicima da izaberu potrebni nivo obrade: samo lematizaciju, lematizaciju sa etiketiranjem vrstama reči ili lematizaciju sa etiketiranjem morfosintaksičkim opisom. 
Te dve vrste etiketiranja su u skladu sa specifikacijama MULTEXT-East v4.0 za hrvatski jezik. 
Nakon registracije kao korisnik iz akademske zajednice ili komercijalni korisnik, može se obezbediti pozivanje PHP skript prilagođeno zahtevima korisnika. 
Takođe, postojeći hrvatski lematizacijski server će prerasti u uslugu dostupnu na vebu, koja će omogućavati lematizaciju i morfosintaksičko etiketiranje vertikalizovanih tekstova na hrvatskom na koje je primenjen sistem kodiranja UTF-8, uključujući i otklanjanje 
3.3. Mađarska 
Mađarsku u projektu predstavljaju dva partnera, Institut za lingvistička istraživanja Mađarske akademije nauka (RILHAS) - koji je takođe koordinator projekta CESAR - i Katedra za telekomunikacije i informatiku medija Budimpeštanskog univerziteta za tehnologiju i ekonomiju (BME-TMIT). 
Profili te dve institucije se razlikuju, stoga su resursi i alati koje su one unele u projekat prilično komplementarni. 
Institut za lingvistička istraživanja Mađarske akademije nauka je vodeći institut specijalizovan za mađarsku lingvistiku (opštu, teorijsku i primenjenu lingvistiku, lingvistiku uralske grupe jezika i fonetiku, kao i za izradu enciklopedijskog rečnika mađarskog jezika). 
To je jedan od prvih centara u Mađarskoj koji je u svoj program uključio rad velikih razmera u oblasti računarske lingvistike. 
Odeljenje za jezičke tehnologije osnovao je 1997. godine (prvobitno pod imenom Odeljenje za korpusnu lingvistiku) njegov sadašnji šef Tamaš Varadi. 
Odeljenje redovno učestvuje u projektima iz oblasti jezičkih tehnologija, odnosno, iz domena korpusne lingvistike, plitkog parsinga, razvoja ontologija, mašinskog prevođenja i izgradnje jezičkih resursa. 
Stečeno je značajno iskustvo u istraživačkom radu i postignuti izuzetni rezultati, naročito na planu razvoja lingvističkih resursa. 
Odeljenje je učestvovalo u nekoliko uspešnih međunarodnih projekata koji su za cilj imali, sa jedne strane, prihvatanje izvesnih procesa razvijenih za zapadnoevropske jezike, koji se danas smatraju delom standarda za analizu mađarskog (MULTEXT-East, Gramlex ) i, sa druge strane, razvoj novih standarda za stvaranje lingvističkih resursa (baza podataka elektronskih rečnika, CONCEDE,  CLARIN), kao i mašinskog prevođenja. 
Istraživači iz ovog odeljenja su stekli značajna znanja o  računarski zasnovanim sistemima za obradu jezika i o tehnologijama razvijenim ili primenjenim u ovim projektima. 
Takođe imaju aktivnu ulogu u njihovom prilagođavanju potrebama mađarskog jezika. 
Sedam resursa i tri alata ponuđenih u prvoj tranši su uglavnom dostupni, ali ne za široku publiku, već su više namenjeni za nekomercijalno korišćenje u akademskoj zajednici. 
Resursi: 
-	Segedinski korpus - Morfosintaksički anotiran korpus od 1,2 miliona reči (sa bazom podataka podeljenom u šest različitih tematskih celina, od kojih svaka ima približno 200 hiljada reči) u kome je ručno otklonjena višeznačnost. 
1,2 miliona reči obuhvata 155.500 različitih oblika reči i još 250 hiljada znakova interpunkcije. 
Datoteke koje sačinjavaju korpus su dostupne u  XML formatu, a njihova unutrašnja struktura je opisana TEIxLite DTD shemom (definicija tipa dokumenta). 
-	Segedinska banka stabala (treebank)- Ručno proverena banka stabala od 1,2 miliona reči. 
Određivanje označenih sintagmi i njihovih odnosa pomaže dalju jezičku obradu, između ostalog i semantičku analizu tekstova. 
Urađeno je intenzivno markiranje sintaksičkih struktura u 82.000 rečenica (1,2 miliona reči + 250 hiljada znakova interpunkcije) sadržanih u verziji 2.0 Segedinskog korpusa. 
Datoteke banke stabala se čuvaju u  XML formatu, a njihova unutrašnja struktura je opisana TEIxLite DTD shemom. 
-	Segedinski korpus za prepoznavanje imenovanih entiteta - Ručno anotiran deo Segedinske banke stabala koji se sastoji od kratkih poslovnih vesti. 
Koriste se sledeće kategorije imenovanih entiteta (zasnovane na sistemu CoNLL): LICE, ORGANIZACIJA, LOKACIJA i OSTALO. 
-	Mađarski WordNet - Mađarski WordNet je višejezična ontologija, što znači da je većina njegovih sinsetova (skupova sinonima) mapirana na ekvivalentne pojmove u engleskom (prinstonskom) WordNet-u v.2.0. 
Ontologija je takođe povezana sa odrednicama u Jednojezičnom rečniku mađarskog jezika sa objašnjenjima, kao i sa odrednicama sadržanim u leksikonu valencijskih okvira mađarskih glagola. 
-	Mađarski korpus na vebu - Ovaj korpus sadrži preko 1,48 milijardi reči (od čega je 589 miliona morfološki filtrirano), što ga čini ubedljivo najvećim korpusom mađarskog jezika, a dostupan je u celini zahvaljujući liberalnoj licenci Open Content. 
Mađarski korpus na vebu je nastao u okviru projekta WordSword u Centru za medijska istraživanja i edukaciju i sastoji se od 18 miliona stranica preuzetih sa .hu domena. 
-	Korpus Hunglish - Paralelni korpus Hunglish je slobodno dostupni paralelni mađarsko-engleski korpus, poravnat do nivoa rečenice, koji sadrži oko 2 miliona rečenica. 
Korpus se može pretraživati putem usluge pretraživanja kojoj se pristupa na vebu. 
Stranica na kojoj se nalazi ova usluga ima preko 200.000 poseta mesečno. 
-	morphdb.hu - Mađarska leksička baza podataka i morfološka gramatika. 
morphdb.hu je predstavljena u obliku formalnog opisa koji zahteva hunlex, oflajn kompilator resursa koji nudi lingvistički motivisan jezik za morfološki opis i omogućava principijelno i fleksibilno održavanje i proširivanje resursa. 
Stoga, morphdb.hu, uz pomoć h3unlex-a i hunmorph-a, obezbeđuje glavne jezičke resurse za proveru pravopisa, steming, morfološku analizu i izvršavanje brojnih drugih zadataka u oblasti anotacije. 
Alati: 
-	hunalign - Moćan besplatni alat za poravnavanje do nivoa rečenice koji se koristi za izgradnju paralelnih korpusa. 
Ovaj alat je razvijen u okviru projekta Hunglish sa ciljem izgradnje (mađarsko-engleskog) korpusa Hunglish. 
hunalign poravnava dvojezične tekstove na nivou rečenice. 
On radi sa tekstovima na oba jezika koji su već tokenizovani i segmentirani na rečenice. 
U najjednostavnijem slučaju, rezultat je niz rečeničnih parova na dva jezika (dvojezične rečenice). 
Ako postoji rečnik, ovaj alat ga koristi i kombinuje te informacije sa  informacijama iz Gejl-čerčovog algoritma koji se zasniva na dužinama rečenica. 
Ako ne postoji rečnik, prvo se oslanja na informacije o dužini rečenica i gradi automatski rečnik na osnovu tog poravnavanja. 
Zatim, poravnava tekst po drugi put koristeći automatski rečnik. 
Kao i većina alata za poravnavanje, hunalign ne uzima u obzir promene reda rečenica, i nije u mogućnosti da vrši unakrsno poravnavanje, tj. da poravnava segmente A i B u jednom jeziku sa odgovarajućim segmentima B' i A' u drugom jeziku. 
-	hunmorph - Alat i programska biblioteka otvorenog koda za proveru pravopisa, steming i morfološku analizu, razvijen uglavnom za aglutinativne jezike. 
hunmorph se zasniva na proširenju programskog koda MySpell-a, ponovnoj primeni poznatog programa za proveru pravopisa, Ispell, čime se dobija generička biblioteka za analizu reči. 
U ovom trenutku, razvoj ove biblioteke je krenuo u dva pravca. 
Sada je proširena verzija MySpell-a, pod nazivom HunSpell, deo višejezičnog programskog paketa LibreOffice (a prethodno i OpenOffice.org). 
hunmorph je program prilagođen potrebama morfološke analize. 
Sistem hunmorph je sastavljen od tri komponente: a) ocamorph analizator uklanja afikse, bez obzira o kom jeziku je reč, b) morphdb.hu je leksička baza podataka i morfološka gramatika koju može koristiti ocamorph (detaljnije o ovome na adresi:  http://mokk.bme.hu/resources/morphdb.hu), c) hunlex je oflajn komponenta za upravljanje resursima koja upotpunjuje učinak naše izvršne komponente (runtime layer) opisnim jezikom visokog nivoa i podesivim prekompilatorom. 
-	huntoken - Tokenizator zasnovan na pravilima i detektor granice među rečenicama za tekstove na mađarskom (i engleskom) jeziku. 
On radi sa običnim tekstualnim datotekama u kojima su karakteri kodirani korišćenjem karakterskih skupova ISO Latin-1 ili Latin-2 a rezultat je tokenizovana datoteka u XML formatu. 
Preciznost određivanja tačnih granica reči i rečenica iznosi 98%. 
Može se koristiti sa operativnim sistemima Unix, Linux, Mac OŠ kao i Windows. 
BME-TMIT je veoma važan akter u oblasti istraživanja govornih tehnologija i aplikacija u tom domenu u Mađarskoj. 
Njihovu grupu za govornu tehnologiju je 1969. Godine osnovao prof. Geza Gordoš. 
Glavna delatnost grupe je istraživanje govornih tehnologija u oblastima prepoznavanja govora, sinteze govora, kao i govornih baza podataka. 
U TMIT je razvijeno i osmišljeno nekoliko korpusa i alata, uključujući opšte i specijalizovane korpuse za sintezu govora i prepoznavanje govora ili istraživanje govornih tehnologija i nekoliko alata za obradu zvuka i teksta (alati za sintezu i prepoznavanje, alati za fonetsko transkribovanje, prinudno poravnavanje, prozodijski segmentator, vežbe sluha, itd.) 
Jedan set ovih resursa i alata je ponuđen za razmenu putem META-RAZMENE. 
Naša opšta uputstva za licenciranje nalažu da se obezbeđuje otvoren i ako je moguće slobodan pristup resursima i alatima u nekomercijalne i obrazovne svrhe. 
Ipak,  nekoliko resursa je već dostupno ili će biti dostupno i u komercijalne svrhe. 
Naš doprinos uključuje: 
-	Govorne korpuse za potrebe istraživanja u oblasti govornih tehnologija i govorne komunikacije (uključujući i neverbalnu komunikaciju): 
BABEL - Mađarski korpus razgovetnog govora je baza podataka kompatibilna sa bazom podataka EUROM i sadrži snimke dobijene od 60 govornika podeljenih u tri grupe. 
Baza podataka o emocijama - Govorni korpus koji sadrži iskaze pune emocija, u kome su obeležene emocije (obeleženo je 8 osnovnih emocija). 
Baza podataka govornih gestova - leksikon zvukovnih gestova koji sadrži 770 tokena. 
Medicinska baza podataka- Medicinska baza podataka je govorni korpus sačinjen od iskaza ljudi koji boluju od različitih poremećaja govora organskog porekla. 
Baza podataka formanata iz izgovorenih reči- govorni korpus mađarskog jezika, ručno anotiran. 
Baza podataka formanata je sastavljena od 3000 stavki, izgovorenih reči mađarskog jezika, koristi se u istraživačke i obrazovne svrhe. 
To je referentna baza podataka za informacije o mađarskim formantima. 
-	Opšte govorne korpuse za prepoznavanje govora ili sintezu govora: 
MRBA - Mađarski referentni govorni korpus sadrži snimke govora - kontinuiranog čitanja teksta. 
U bazi podataka se nalaze iskazi 332 različita govornika koji čitaju. 
Iskazi su snimljeni na akustički različitim lokacijama. 
MTBA - Mađarski telefonski govorni korpus je baza podataka o glasovnoj komunikaciji govornika mađarskog jezika putem javne komutacione mreže, (PSTN) i mobilnog telefona. 
Baza podataka sadrži podatke zasnovane na definiciji iz baze SpeechDatE o ravnoteži između dijalekata, godišta i pola govornika i vokabularu. 
Ono što je važno i što ovu bazu podataka razlikuje od baze SpeechDatE je činjenica da su fonetski bogate 
MTUBA - Mađarski govorni korpus telefonskih klijenata obuhvata telefonske pozive snimljene u pozivnom centru jedne kompanije za pružanje usluga. 
Sadrži dijaloge između operatera i klijenata. 
Data je ortografska transkripcija govornih iskaza, klauze su segmentirane (automatski, nakon čega su usledile ručne korekcije). 
Mađarski MALACH - Mađarski govorni korpus sastavljen od svedočanstava preživelih žrtava holokausta, tj. životne priče starijih ljudi o Drugom svetskom ratu, uglavnom onih koji su preživeli holokaust. 
Govori iz mađarskog parlamenta - korpus dostupan javnosti u kome se nalaze približno transkribovani govori iz parlamenta. 
Baza dvoglasa za konverziju teksta u govor (TTS) - ručno anotiran govorni korpus sadrži 5500 zapisa govora na mađarskom, nemačkom i španskom. 
Zvučni zapisi dvoglasa zasnovani na logatomima se koristi za konverziju teksta u govor. 
Glasovi za mađarski: muški i ženski, za nemački: muški, za španski; muški. 
Govorna baza na nivou reči- ručno anotiran govorni korpus za mađarski jezik, sadrži dva sata govora. 
To je spisak reči koji se čita radi predstavljanja strukture govora na mađarskom jeziku na segmentalnom nivou (grupe CV,VC,VV,VVV,CC,CCC,CCCC). 
Glasovi: muški i ženski. 
Govorna baza pročitanog teksta za konverziju teksta u govor (TTS) - govorni korpus za mađarski jezik, poluautomatski anotiran, sadrži 20 sati govora. 
Sastoji se od rečenica pročitanih radi konverzije teksta u govor odabirom jedinica i za potrebe sistema za konverziju teksta u govor koji se zasnivaju na skrivenom Markovljevom modelu (SMM). 
Glasovi: muški i ženski. 
Leksička baza imenovanih entiteta - leksikon transkribovan za potrebe konverzije teksta u govor, sadrži zbirku imena (osoba, pravnih lica, mesta) i njihovu transkripciju u govor. Koristi se za čitač mađarskih imena i adresa koji pretvara pojmove u govor. 
Baza izgovorenih brojeva za konverziju teksta u govor (TTS) - govorni leksikon za mađarski, nemački i engleski  (3 sata). 
Sadrži elemente brojeva za visokokvalitetne sisteme za čitanje brojeva, vremena i datuma u (na primer, finansijskim) informacionim sistemima. 
Glasovi na mađarskom: muški i ženski, na nemačkom: muški, na engleskom: muški. 
Mađarski rečnik izgovora - vokabular izgovora za oblike reči mađarskog jezika. 
To je jedina referentna baza podataka o izgovoru mađarskog. 
-	Multimedijalni korpusi: 
Baza vesti emitovanih na radiju i televiziji- Ovaj korpus je napravljen za 10 evropskih jezika u okviru Interesne grupe za vesti emitovane u elektronskim medijima, odnosno, aktivnosti COST278 (žibert et al. 2005). 
Materijal na mađarskom je sastavljen od snimaka u trajanju od 3 sata i 30 minuta koji su transkribovani i anotirani u skladu sa konvencijama NIST-a (National Institute of Standards and Technology (Nacionalni institut za standarde i tehnologiju, SAD)). 
Baza emitovanih predavanja  - Baza emitovanih predavanja sadrži video snimke emitovanih predavanja na razne naučne teme namenjenih široj publici. 
3.4. Poljska 
Poljske resurse i alate u projektu CESAR daju dva partnera iz te zemlje: Institut za računarstvo, Poljske akademije nauka i Univerzitet u Lođu. 
Institut za računarstvo Poljske akademije nauka (IPIPAN - http://www.ipipan.eu/) je vodeći nacionalni centar za fundamentalna istraživanja u oblasti računarskih nauka, kao i za primenjena istraživanja u domenu veštačke inteligencije i informacionih sistema. 
Među alatima i rešenjima koje je razvila Grupa za jezičko inženjerstvo IPIPAN-a su tageri, plitki i duboki parseri, kao i različiti alati za ekstrakciju informacija zasnovani na mašinskom učenju i na pravilima. 
IPIPAN je takođe razvio velike, lingvistički anotirane korpuse, koji se primenjuju na brojne načine u oblasti ekstrakcije informacija i  iskopavanja iz tekstova (Text Mining) i u opštim i u specijalizovanim  domenima. 
Univerzitet u Lođu je još jedan veliki istraživački i obrazovni centar u  Poljskoj. 
Istraživačka grupa PELCRA  Katedre za lingvistiku ovog univerziteta je već dugo aktivna u domenu poljskih jezičkih resursa. 
Poslednjih godina, njene aktivnosti su usmerene na prikupljanje podataka za korpuse, uključujući i multimedijalne govorne podatke i razvoj jezičkih alata i usluga koji se primenjuju u istraživanjima i tehnologiji. 
Članovi grupe su dokazano iskusni u oblasti razvoja sistema za obradu jezika, za tekstove kako opšteg, tako i  specijalizovanog tipa na poljskom i engleskom jeziku. 
Prva tranša je sadržala 10 poljskih resursa i alata: 
-	PoliMorf rečnik fleksije (preliminarna verzija 0.5) - novi morfološki rečnik poljskog jezika koji je plod standardizacije, spajanja i automatizovanog ispravljanja grešaka u dva najvažnija morfološka rečnika poljskog  - Morfeusz-u SGJP i Morfologik-u koji sadrži 6,8 miliona oblika reči sa flektivnim nastavcima i njihove morfološke opise. 
U sledeće verzije ovog resursa će biti uneti ručno ispravljeni podaci. 
Prvi pripojeni resurs, Morfeusz SGJP se zasniva na SGJP-u, gramatičkom rečniku poljskog koji je rezultat dugogodišnjeg rada neformalne grupe na čijem čelu je prof. Zigmund Saloni. 
Rad je započet osamdesetih godina, digitalizacijom liste odrednica u jedanaestotomnom rečniku poljskog jezika Doroševskog (1958-1969). 
Gramatički opis u SGJP-u se bazira na novim konceptima predloženim u drugoj polovini XX veka, a mnoga detaljna rešenja su predložili članovi tima (Tokarski, Gruščinjski, Saloni). 
Za PoliMorf su korišćeni podaci iz drugog izdanja SGJP-a. 
Leksemama kojih ima 244.341 odgovara 4.223.981 oblik reči (pri čemu se sinkretički oblici iste lekseme broje kao jedna jedinica). 
Fleksija je u SGJP-u predstavljena flektivnim paradigmama, kojima su  oblici opisani uz pomoć osnove zajedničke svim oblicima i nastavaka na bazi kojih se oblici međusobno razlikuju. 
Drugi pripojeni resurs, Morfologik, je još jedan morfološki rečnik poljskog otvorenog koda. 
Sadrži 216.992 leksema i 3.475.809 oblika reči. 
Ovaj rečnik je nastao obogaćivanjem ispell/hunspell rečnika poljskog morfološkim informacijama. 
Nažalost, struktura izvornog rečnika nije bila dovoljna da bi bilo moguće pouzdano utvrđivanje pojedinih informacija, poput precizne potklasifikacije muškog roda imenica. 
Te informacije su dodate ručno uz korišćenje heurističkih metoda. 
Kao inspiracija za skup etiketa ovog rečnika je poslužio skup etiketa IPI PAN. 
Morfologik se, međutim, razlikuje od tog skupa i Morfeusz-a po tome što nikada ne deli ortografske reči ("niske od belina do beline") na kraće reči iz rečnika) t.j. ne uzima se u obzir takozvana aglutinacija. 
Osim toga, iz razloga nepostojanja informacija u rečniku ispell, neki oblici reči nisu u potpunosti anotirani i označeni su kao nepravilni. 
Međutim, dodata su još neka obeležja za povratne glagole koja ne postoje u izvornom skupu etiketa IPI PAN. 
To je uvedeno zbog alata za proveru gramatičke ispravnosti, LanguageTool koji je veoma koristio pomenuti rečnik. 
-	Potkorpus Nacionalnog korpusa poljskog od milion reči - ručno anotiran uzorak Nacionalnog korpusa poljskog od 1,5 milijarde reči (Narodowy Korpus Jezyka Polskiego, NKJP)  je plod zajedničke inicijative četiri institucije: Instituta za računarstvo Poljske akademije nauka (koordinator), Instituta za poljski jezik Poljske akademije nauka, Poljskih izdavača naučnih publikacija PWN i Katedre za računarsku i korpusnu lingvistiku Univerziteta u Lođu. 
Registrovan je kao istraživačko-razvojni projekat Ministarstva nauke i visokog obrazovanja. 
Na spisku izvora iz kojih potiču podaci u korpusu su klasična književna dela, dnevne novine, specijalizovane periodične publikacije i časopisi, transkripti razgovora i razni efemerni tekstovi i tekstovi sa Interneta. 
Resurse karakteriše velika raznovrsnost tema i žanrova. 
U govornom delu korpusa su zastupljeni govornici oba pola, različitih godišta iz različitih delova Poljske. 
-	Korpus poljskog Sejma (verzija 1.0) - zbirka anotiranih iskaza poslanika poljskog Sejma iz mandata 1-6 (od 1991 do 2011. godine). 
Podaci u korpusu su dostupni u jednoj varijanti formata TEI P5  koja je primenjena u NKJP-u, a sadrže informacije o segmentiranju teksta (na pasuse, rečenice, tokene), morfosintaksičkim opisima u kojima je otklonjena višeznačnost (lemama, etiketama vrstama reči, etiketama morfosintaksičkim opisom), sintaksičkom opisu (sintaksičkim rečima i grupama) i imenovanim entitetima (ličnim imenima, lokacijama organizacijama). 
Ti podaci su dragocen izvor lingvističkih informacija, s obzirom da je u pitanju velika zbirka kvazi-govornog materijala (114 miliona segmenata) koja čini osnovu audio i video snimaka sednica, što je započeto 2011. godine. 
Planira se da se ti snimci postupno dodaju korpusu. 
Sledeće verzije korpusa će biti proširene i u njih će biti uključeni srodni sadržaji - poslanička pitanja i transkripti sastanaka odbora Sejma. 
-	Poljski WordNet (Slowosieć, verzija 1.5) - mreža leksičko-semantičkih relacija, elektronski tezaurus razvijen na Tehnološkom univerzitetu u Vroclavu, strukturisan po modelu  prinstonskog WordNet-a, kao i onih koji su izgrađeni u okviru projekta EuroWordNet. 
Poljski WordNet opisuje značenje leksičke jedinice postavljajući je u mrežu semantičkih relacija poput hiperonimije, meronimije, antonimije, itd. 
Da bi se smanjili troškovi projekta, poljski WordNet je poluautomatski. 
Leksičke relacije su automatski prepoznavane u velikim korpusima poljskog, da bi potom bile ponuđene leksikografima preko grafičke sumeđe. 
Danas je poljski WordNet jedan od najvećih na svetu. 
Obuhvata 103.000 leksičkih jedinica u 74.000 sinsetova. 
-	Poljski alat za prepoznavanje imenovanih entiteta (NERF, verzija 0.2) - statistički alat za prepoznavanje imenovanih entiteta, zasnovan na metodu modeliranja uz pomoć uslovnih slučajnih polja (CRF - Conditional Random Fields). 
Ovaj alat je nastao u okviru projekta Nacionalni korpus poljskog jezika. 
Modifikovan je tako da može da prepoznaje drvolike strukture imenovanih entiteta (t.j. strukture sa rekurzivno ugrađenim imenovanim entitetima) primenom metoda etiketiranja združenim obeležjima. (JLT - Joined Label Tagging). 
Ovo je jednostavan metod kodiranja struktura imenovanih entiteta u obliku niza etiketa. 
Ovaj metod omogućava kodiranje raznih dodatnih informacija kategorijalne prirode o imenovanim entitetima -  tip, podtip, vrsta derivacije - na nivou etiketa, a zatim i njihovo prepoznavanje zahvaljujući metodu CRF koji iz toga proizilazi. 
Ovaj alat se može konfigurisati tako da koristi različite vrste zapažanja tokom procesa obuke i prepoznavanja, na primer: leksičke informacije sa tekstualnog nivoa, ili gramatičke informacije sa morfosintaksičkog nivoa. 
-	Poljski resursi imenovanih entiteta (preliminarno izdanje) -  grupa resursa koji se odnose na imenovane entitete, dopunjeni dodatnim resursima specifičnim za poljski jezik, dobijenim sa veba. 
Flektivni oblici su generisani, uz pomoć generatora Morfeusz SGJP, kada god je to bilo primereno. 
Podaci iz Poljskih resursa imenovanih entiteta su korišćeni u postupku anotacije imenovanih entiteta u Nacionalnom korpusu poljskog jezika (NKJP). 
Podaci iz resursa su opisani uz primenu kompleksne hijerarhije imena: ličnih imena i prezimena, imena gradova, država, planina, oblasti, reka, institucija, odnosnih prideva i naziva za stanovništvo, izvedenih iz imena država, okidača imenovanih entiteta (meseca, dana, položaja, itd.). 
Trenutno sadrži 153 hiljade odrednica. 
-	Korpus LUNA.PL sadrži 500 izgovorenih dijaloga koji se odvijaju između ljudi na poljskom jeziku (13.000 iskaza). 
Korpus je anotiran na nekoliko nivoa, od transkripcije dijaloga i njihove morfosintaksičke analize, do semantičke anotacije koncepata, predikata i anafore. 
Anotacija na morfosintaksičkom i semantičkom nivou je urađena automatski, a zatim ručno ispravljena. 
Na konceptualnom nivou, anotacijom je obuhvaćeno oko 200 pojmova iz ontologije napravljene specijalno za potrebe projekta. 
Skup okvira za anotaciju na nivou predikata je definisan kao resurs tipa FrameNet. 
-	Korpus LUNA-WOZ.PL sadrži 69 izgovorenih dijaloga koji se odvijaju između ljudi i računara na poljskom jeziku (5,5 hiljada iskaza). 
Korpus je anotiran na nekoliko nivoa, od transkripcije dijaloga i njihove morfosintaksičke analize, do semantičke anotacije koncepata. 
-	Najveću zbirku transkribovanih spontanih razgovora na poljskom prikuplja tim PELCRA na Univerzitetu u Lođu od 2000. godine, prvo u okviru referentnog korpusa PELCRA-e, a zatim Nacionalnog korpusa poljskog jezika. 
Ukupno, korpus ima skoro 2 miliona reči iz transkripcija konverzacija snimljenih u neformalnoj atmosferi, a često se dešavalo da neki od govornika nisu znali da su snimani (mada su bili obavešteni i saglasili su se sa mogućnošću da budu snimani, a potom dozvolili da se snimci transkribuju). 
Do sada su ovi podaci bili dostupni samo putem onlajn sumeđe, ali je u okviru projekta CESAR, jedan deo tih podataka, ukupno 1,8 miliona reči, postao dostupan u formatu TEI P5, pošto su se postavila neka pitanje iz domena privatnosti. 
Osim toga, deo transkripcija (najmanje 200.000 reči) je odabran i poravnat prema vremenu sa izvornim snimcima na nivou iskaza i postao je dostupan, u skladu sa licencom tipa CC, putem repozitorijuma META-RAZMENA kao multimedijalni vremenski anotiran korpus konverzacija izgovorenih na poljskom jeziku. 
Takvi resursi su bez sumnje veoma dragocen izvor podataka o jeziku koji se mogu primeniti za modeliranje konverzacija na poljskom i za prepoznavanje govora u posebnim situacijama. 
-	Iako za poljski jezik postoji više paralelnih resursa kojima javnost ima slobodan pristup, odnosno, resursa dostupnih u skladu sa otvorenom licencom, u vezi sa njima se javljaju problemi koji se u značajnoj meri negativno odražavaju na njihovu upotrebljivost i međusobnu ukopivost. 
Jedna od dužnosti Univerziteta u Lođu, kao dela poljskog ogranka projekta CESAR je da se kompiliraju svi poljski paralelni korpusi u nekoliko standardnih formata, što će ih učiniti lako dostupnim za obradu prirodnih jezika i računarski potpomognuto prevođenje. 
Do sada su četiri grupe paralelnih korpusa objavljene u formatima TEI 5 i XliFF pod licencom Creative Commons. 
Neki od tih korpusa su i pre bili dostupni, ali nisu imali bibliografsku anotaciju (Acquis Communautaire), drugi predstavljaju nove resurse sastavljene od resursa dostupnih bez naknade (CORDIS, RAPID), ali postoje i paralelni tekstovi dobijeni direktno od izdavača i ručno poravnati na nivou rečenice (časopis Academia). 
Za taj resurs je bilo potrebno postići posebne dogovore sa izdavačima oko autorskih prava, a to je dobar primer uticaja projekta CESAR u smislu razjašnjavanja statusa jezičkih resursa i alata, po pitanju prava intelektualne svojine, da bi bili dostupni za korišćenje. 
Osim obezbeđivanja jezičkih resursa i alata, partneri iz Poljske koji rade na projektu CESAR su uspeli da dodatno razviju svest o postojećim jezičkim resursima i alatima kao i da učvrste veze između glavnih aktera obrade prirodnih jezika u zemlji kroz osnivanje novog veb portala "Računarska lingvistika u Poljskoj" (CLIP, http://clip.ipipan.waw.pl) u aprilu 2011. godine. 
Na ovoj veb lokaciji se nalaze iscrpne informacije o jezičkim resursima i alatima, istraživačkim centrima, projektima i kursevima iz oblasti jezičkog inženjerstva koji se odnose na poljski. 
Pored toga, veb lokacija je nastala sa namerom da poveže inicijative koje se bave jezikom, istraživačke institucije, istraživače, predstavnike vlasti i industrije, nudeći im sveobuhvatne informacije o dostupnim jezičkim tehnologijama. 
Jedan od osnovnih principa primenjenih pri osmišljavanju veb lokacije je funkcionisanje uz pomoć wiki-ja, čime je predstavnicima svih grupa jezičkih resursa i alata u Poljskoj, koji za to imaju dozvolu, omogućeno da direktno uređuju sadržaje. 
Takav pristup se pokazao vrlo plodnim, a spoljašnji urednici su već uneli nekoliko modifikacija i dodataka postojećom sadržajima. 
Koliko je nama poznato, ova veb lokacija je trenutno najveći repozitorijum referenci na poljske jezičke resurse i alate dostupne javnosti. 
3.5. Srbija 
Grupa za jezičke tehnologije na Katedri za računarstvo i informatiku Matematičkog fakulteta, Univerziteta u Beogradu je osnovana pre više od 30 godina, 1978. godine, sa glavnim ciljem da se razvije formalni opis srpskog i stvaraju i koriste resursi i alati za taj jezik. 
Jezgro Grupe za jezičke tehnologije sada čine istraživači sa nekoliko fakulteta Univerziteta u Beogradu, a grupa je blisko povezana sa većinom institucija u Srbiji koje se bave jezičkim tehnologijama. 
Tokom svoje duge istorije, Grupa za jezičke tehnologije je razvila značajan broj jezičkih resursa i alata, među kojima su najvažniji: -	Elektronski rečnici, kao srpski WordNet i morfološki rečnici opštih leksikona i ličnih imena, prostih i višečlanih oblika; -	Korpusi koji sadrže jednojezične, dvojezične i višejezične tekstove koji su opšteg tipa ili usmereni na određene oblasti; -	Različiti alati za razvoj ili korišćenje tih resursa, od kojih je najraznovrsniji LeXimir, namenjen razvoju leksičkih i tekstualnih resursa i njegov pandan na vebu VebRanka za proširivanje upita prilikom pretrage. 
Neki od resursa od važnosti za srpski jezik se takođe razvijaju u drugim delovima srpske akademske zajednice. 
Značajna istraživanja u oblasti tehnologije govorne interakcije se vrše na Tehnološkom fakultetu u Novom Sadu i u kompaniji AlfaNum koja nastavlja te aktivnosti. 
Oni su osim govornih baza podataka razvili i leksičku bazu podataka sa više od 4.000.000 akcentovanih oblika reči srpskog jezika. 
Na osnovu tih resursa su razvijene razne komercijalne aplikacije za  konverziju teksta u govor i automatsko prepoznavanje govora. 
Neki vrlo značajni multimedijalni resursi se razvijaju na Institutu za balkanske studije Srpske akademije nauka i umetnosti u Beogradu. 
U toj bazi podataka se nalazi digitalizovan audio, video, foto i tekstualni etnografski materijal sakupljen u Srbiji u okviru istraživanja na terenu. 
Uloga Grupe za jezičke tehnologije u projektu CESAR je da otkriva sve resurse i alate koji se prave za srpski jezik i da ih učini vidljivim, ne samo u istraživačkoj zajednici, već i za sve one koji razvijaju i koriste jezičke tehnologije. 
Za prvu tranšu resursa koji se isporučuju META-RAZMENI, grupa je odlučila da pripremi sopstvene resurse, koji su ne samo najzreliji, već su i najviše korišćeni ili za njih postoji najveće interesovanje raznih korisnika. 
Odabrani su sledeći resursi: 
-	Korpus savremenog srpskog jezika (SrpKor) - sastoji se od  4.523  teksta, ukupne dužine preko 113 miliona  reči. 
Lematizacija i etiketiranje vrstom reči su izvršeni uz pomoć alata TreeTagger. 
Tekstovi koji su ušli u SrpKor uključuju beletristiku čiji autori su srpski pisci XX i XXI veka, naučne članke iz različitih oblasti (kako društvenih, tako i prirodnih nauka), pravna akta i tekstove opšte prirode (novine, časopise, magazine, feljtone). 
Dostupan je putem sumeđe na vebu od 2003. godine i redovno ga koristi preko 300 korisnika, uglavnom slavista iz celog sveta. 
-	Srpski WordNet (SrpWN) - predstavlja hijerarhijsku leksičko-semantičku mrežu koja sadrži sinsetove sa glosama i različitim semantičkim relacijama, kao što su antonimija, meronimija, kauzacija, domenske kategorije, itd. 
Prvobitna verzija srpskog WordNet-a je nastala u okviru projekta Balkanet koji je finansirala EU. 
-	Srpski lematizovani korpus anotiran vrstama reči (SrpLemKor) - sadrži uzorak raznih tekstova iz SrpKor-a, lematizovanih i etiketiranih vrstama reči uz pomoć TreeTagger-a. 
Sastoji se od vesti objavljenih u dnevnim novinama "Politika", izvesnog broja feljtona objavljenih u novinama "Politika" i "Danas", beletristike čiji autori su srpski pisci iz XX veka, kao i raznih naučnih tekstova iz različitih oblasti i tekstova iz domena prava. 
Za razliku od  SrpKor-a, gde je pristupanje korpusu i njegovo pretraživanje moguće samo putem veb sumeđe, ovaj korpus je moguće preuzeti sa interneta. 
-	Francusko-srpski poravnati korpus (SrpFranKor) - obuhvata književne i tekstove iz novina iz francuskih ili srpskih izvora i njihove prevode. 
Poravnati su na podrečeničnom nivou. 
Korpus sadrži 25 književnih tekstova i 15 novinskih članaka. 
Pristup korpusu i njegovo pretraživanje su omogućeni putem sumeđe na vebu. 
Detaljnije o ovoj temi piše (Utvić, 2011). 
-	Višejezično izdanje Vernovog romana "Put oko sveta za 80 dana" (Verne80days) - sadrži 17 izdanja romana Žila Verna "Put oko sveta za 80 dana", izvorni tekst na francuskom i 16 prevoda. 
Prevodi su poravnati sa francuskom, engleskom ili srpskom verzijom, prebačeni u format TMX, a tu verziju je moguće preuzeti sa interneta. 
-	Organizovanje digitalizovanog materijala (InfoBeaver) - aplikacija za prikupljanje i predstavljanje multimedijalnih informacija. 
Podržava multimedijalne dokumente i omogućava pretraživanje baze podataka na osnovu različitih kriterijuma. 
Demo verzija ilustruje mogućnosti aplikacije uz pomoć nekoliko podataka o projektu CESAR i njegovim učesnicima. 
Svi resursi su dostupni pod CC BY-NC licencom dok se na alat primenjuje licenca GPL. 
Drago nam što možemo da kažemo da su neke resurse, koji su učinjeni dostupnim u prvoj tranši, već preuzimali, odnosno, da su njima pristupali zainteresovani van Srbije. 
3.6. Slovačka 
Obrada prirodnih jezika u Slovačkoj, naročito što se tiče resursa, se uglavnom odvija na Odeljenju za Slovački nacionalni korpus Instituta za lingvistiku ljudovit Štur. 
U institutu je sakupljen najveći i najznačajniji izvor podataka o savremenom pisanom slovačkom jeziku - baza podataka, Slovački nacionalni korpus. 
Politika odeljenja je od njegovog osnivanja 2003. godine uvek bila da se resursi i alati čine dostupnim stručnoj i najširoj javnosti putem liberalnih licenci Open Source i Open Content, ako je moguće u okvirima postojećih ograničenja (koja se uglavnom tiču autorskih prava) i da se promoviše značaj obrade prirodnih jezika i digitalnih resursa u opštoj i primenjenoj lingvistici i u drugim oblastima povezanim sa lingvistikom. 
Ta politika se nastavlja u projektu CESAR, a naročito se podnošenje resursa u mrežu META-RAZMENA smišljeno koristi da se razjasne postojeći ugovori kojima su regulisana autorska prava, kao i da se vlasnici autorskih prava koji oklevaju podstaknu da prihvate licence tipa Open  
Najvidljiviji resurs u domenu obrade prirodnih jezika je Slovački nacionalni korpus, sveobuhvatni, reprezentativni korpus savremenog pisanog slovačkog jezika (Garabik 2010). 
Korpus je projekat koji je u toku, a u trenutku kada ovo pišemo sadrži preko 770 miliona tokena, sa automatskom morfosintaksičkom analizom i lematizacijom. 
Korpus je u stvari prvi veliki fokusirani istraživački projekat u oblasti obrade prirodnih jezika u Slovačkoj i označio je novu eru u slovačkoj računarskoj lingvistici. 
Iz tog razloga su mnogi resursi donekle fokusirani na korpus - prethodnih godina, u mnogim poslovima se moralo krenuti od nule, pošto je mali broj resursa i alata za obradu prirodnih jezika za slovački bio upotrebljiv. 
Za META-RAZMENU smo odabrali resurse koji su dobro razvijeni, reprezentativni i korisni (ili čak neophodni) za istraživanja i aplikacije u domenu obrade jezika. 
Prvi i najvažniji je verzija 5.0 Slovačkog nacionalnog korpusa. 
Nažalost, zbog ograničenja nametnutih zbog zaštite autorskih prava (tekstovi u korpusu su obuhvaćeni postojećim ugovorima o licenciranju postignutim sa vlasnicima autorskih prava, ali se ti ugovori odnose samo na njihovo uključivanje u korpus, a pristup je omogućen samo putem sumeđe za pretraživanje), korpus ne može biti dalje distribuiran. 
Zato je dostupan samo kao pseudokorpus, putem specijalizovanog klijenta Tcl/Tk (Bonito) ili putem sumeđe na vebu (Bonito2). 
Ovaj korpus upotpunjava i Govorni korpus slovačkog jezika (šimkova et al. 2008), verzija 3.0,  koji je sastavljen od 300 sati ručno transkribovanih snimaka standardnog slovačkog govornog jezika, odnosno 1,6 miliona tokena. 
Za razliku od korpusa pisanog jezika, ovaj korpus sadrži podatke koje je institut uglavnom namenski snimao. 
Pošto obična naracija ne podleže obavezi zaštite autorskih prava (osim ako ne sadrži umetničke elemente, na primer, recitovanje poezije), a svi govornici su se saglasili da njihovi snimci budu uneti u bazu podataka, 
a korpus je trostruko licenciran. U pitanju je kombinacija licenci Affero GPL, Creative Commons "autorstvo - deliti pod istim uslovima", i GNU Free Documentation Licence, licence koja omogućava slobodan pristup dokumentaciji. 
Baza oblika reči, odgovarajućih lema i morfosintaksičkih etiketa (Garabik 2005) je fundamentalni resurs neophodan za bilo kakvu obradu slovačkog (jezika bogate morfologije). 
Baza podataka sadrži 77 hiljada lema, što daje 2,5 miliona oblika reči. 
Paralelni korpusi su predstavljeni dvema najrazvijenijim bazama podataka. 
Prva je Slovačko-češki paralelni korpus koji sadrži 1,5 miliona poravnatih rečeničnih parova. 
Korpus se sastoji od tri vrste prevoda (uglavnom beletristike, ali i tekstova druge vrste): prevoda sa češkog na slovački, sa slovačkog na češki i sa trećeg jezika i na češki i na slovački. 
Drugi veliki paralelni korpus je Slovačko-engleski korpus od 700 hiljada poravnatih rečeničnih parova. 
U tom korpusu se gotovo isključivo nalazi beletristika napisana na engleskom jeziku i prevedena na slovački, ali sadrži i izvestan broj tekstova koji spadaju u publicistiku. 
Planovima za budućnost je obuhvaćeno nekoliko drugih dobro razvijenih resursa (koji su razvijeni u Instituta za lingvistiku ljudovit štur ili drugde). 
Ti resursi su banka stabala za slovački jezik, slovački WordNet, drugi paralelni korpusi, rečnik slovačkih kolokacija i drugi. 
CESAR i META-RAZMENA predstavljaju dobru priliku da se promovišu ideje otvorenih licenci za zaštitu autorskih prava, da se razjasni pravni status starijih resursa i da se oni usklade sa savremenim standardima, kao i da se naglasi značaj jezičkih tehnologija u Slovačkoj. 
4. Zaključci 
Jedan od ključnih ciljeva projekta CESAR je izgradnja otvorene infrastrukture jezičkih tehnologija, što će omogućiti da dostignuća zemalja učesnica u oblasti jezičkih tehnologija budu globalno dostupna putem META-RAZMENE, otvorene platforme za razmenu resursa. 
Jezički resursi i alati su, u zemljama koje učestvuju u projektu CESAR, razvijani zasebno i pritom se nije vodilo računa o bilo kakvoj zajedničkoj infrastrukturi ili međusobnoj usklađenosti. 
Projekat CESAR je putem repozitorijuma META-RAZMENA učinio da najrelevantniji i najrazvijeniji podaci za sve glavne evropske jezike budu dostupni i predstavlja pokušaj da se oni predstave kroz jedinstvenu sumeđu i infrastrukturu. 
Stoga, projekat CESAR prestavlja značajan korak ka otvaranju jezičkih resursa i omogućavanju da oni budu dostupni na standardizovan i potpuno dokumentovan način, čime bi se osnažio Evropski istraživački prostor.  
