Témacsoport: HTML ellenőrzések, számítógépes információ-feldolgozás

Felelős: Dr. Kollár István

R ép. I. 10, 17-74, kollar@mit.bme.hu

A számítógép ma már átitatja az egész életet, legalábbis a mi szakmánkban. Érdemes tehát kipróbálni az új lehetőségeket, és olyan eszközöket létrehozni, melyek tantárgyakban, a munkában, a mindennapokban különböző módon segítenek, egyszerűbbé teszik az életet. Néhány ilyen lehetőség:

• A HTML szövegfile-ok szintaktikai és helyesírási ellenőrzése nem megoldott. Úgy is néznek ki sok intézmény lapjai. Egy olyan csomag összeállítása a cél, mely magyar és angol nyelvű HTML oldalak, szövegszerkesztő dokumentumok stb. helyességét ellenőrzi.
• A Windows alapú Matlab, amelyet mi is használunk, lehetőséget biztosít arra, hogy olyan Word dokumentumokat készítsünk, amelyek futtatható Matlab betéteket tartalmaznak. Így lehetővé válik, hogy önálló tanulásra alkalmas file-okat készítsünk, melyek a magyarázat után azonnal "valós" problémák futtatásával illusztrálják az elmondottakat. A feladat ilyen interaktív file-ok kipróbálása és fejlesztése jelfeldolgozás, identifikáció, stb. céljára. A tartalmi háttér (pl. a jelfeldolgozáshoz szükséges ismeretek) megtanulásában segítünk, ha kell.
• Egyre terjednek a WWW alapú keresések, de alig van, aki tudná, hogy kell helyesen eljárni az információk feltételekor, és kereséskor. A feladat a lehetőségek felkutatása és kipróbálása.
• WWW oldalak elkészítésekor külön gond, hogy a sok megadott link automatikus ellenőrzése nem megoldott. Sok ilyen ellenőrző van, tökéleteset még nem találtunk. Feladat: a meglévő ellenőrzők felderítése, a legjobb(ak) forrás-szövegének megszerzése, és kiegészítése/átírása a mi céljainknak megfelelően.
• Nem közvetlenül WWW alapú keresés, de érdekes feladat a számítógépes (CD) adatbázisok elemzése, különös tekintettel az ún. Impact Factor-ra. Ez lényegében arra keres választ, hogy mennyire hivatkoznak egy adott folyóirat cikkeire. Ha közelebbről megnézzük, akkor az a megdöbbentő, hogy mekkora rész az önhivatkozás. Ezen alapulna ma az értékelés? A feladat CD-Rom-os keresések kidolgozása, eredményfile-ok feldolgozása, és tévhitek lerombolása.

A munka megfelelő részei akár önálló laboratóriumi feladat, akár diplomaterv formájában is végezhetők.

Egy-két lehetőség részletesebb leírása

Magyar nyelvű helyesírás-elemzés

Különösen fontosnak látszik a magyar helyesírás ellenőrzése mind HTML, mind egyéb dokumentumokban. Ma már szinte mindenki, aki számítógépet használ, maga írja leveleit és egyéb irományait. Ha az ember a mondanivalóra koncentrál, be-becsúszik elgépelés, rossz betű stb. Ezen segít az, ha a leírt szöveget legalább helyesírási szempontból ellenőrizni tudjuk.

A magyar nyelv jelentősen eltér a Nyugat-Európai nyelvektől, ezért speciális algoritmusokra van szükség az elemzéshez. A különböző MS-Windows verziók alá, és DOS alá is beszerezhetők helyesírás-ellenőrző programok. Nincs azonban Unix alatt futó változat.

A fejlesztők hajlandók a Unix alatt futó "engine"-t rendelkezésünkre bocsátani abból a célból, hogy felhasználói felületet készítsünk hozzá. Egy lehetőség az "ispell"-hez (OS4) vagy "spell"-hez (Solaris) hasonló egyszerű program létrehozása, de még vonzóbb lenne egy intelligensebb, interaktív program létrehozása. Az ellenőrizendő szöveget valószínűleg egyszerűen szóelemekre kellene bontani, interaktív helyesírás-elemzést végezni az engine-nel kommunikálva, és a javított szöveget elmenteni.

Ezzel az ASCII szövegek ellenőrzése megoldódni látszik. A Unix/Linux felhasználói kört figyelembe véve azonban célszerű lenne, ha TeX/LaTeX szövegeket, és HTML szövegeket is közvetlenül ellenőrizni lehetne. Így például World Wide Web oldalak forrásfile-jait közvetlenül elemezni lehetne.

Információkeresés WWW-n

Egyre nagyobb a jelentősége a World Wide Web-en alapuló információkeresésnek. Hamarosan kötelező lesz minden PhD értekezés kivonatának feltétele a hálózatra. A rögtön felmerülő kérdések:

• Hogyan érdemes a file-okat feltenni, hogy könnyen kereshetők legyenek?
• Hogyan lehet a feltett file-okban hatékonyan keresni?
• Mi a teendő postscript, kompresszált postscript, és pdf file-ok esetén?
• Milyen keresőprogramokat érdemes használni, ezekbe hogyan lehet az információt belejuttatni?

A feladat megoldások keresése az Interneten, ezek kipróbálása, implementálása, javaslatok kidolgozása.