پژوهشگران زبان شناسی دانشگاه شیراز برای نخستین بار پیکره ای را برای متون فارسی ایجاد کرده اند که هر روز به صورت خودکار و متوازن به روزرسانی می شود. به گزارش لیزنا،  بر اساس اعلام روابط عمومی دانشگاه شیراز، امیرسعید مولودی، عضو هیئت علمی بخش زبان های خارجی و زبان شناسی دانشگاه شیراز و مدیر پروژه پیکره به روزشونده با بیان اینکه در این پیکره استانداردهایی رعایت شده است که پیش از این در تهیه پیکره های زبان فارسی مغفول مانده بود، گفت: این پیکره و جستجوگر آن ابزار پژوهشی مهمی برای تحقیقات زبان شناسی و سایر حوزه های علوم انسانی است و علاوه بر این برای اهداف پردازشی زبان فارسی نیز می تواند مورد استفاده قرار گیرد. وی افزود: ایده اولیه این طرح حدود دو سال پیش شکل گرفت و پس از انجام مراحل مطالعاتی در سال 1395، پیاده سازی فاز نخست آن با تمرکز بر متون خبری آغاز شد که رونمایی از این پیکره، مطابق برنامه ریزی های انجام گرفته، در هفته پژوهش امسال در آذرماه انجام خواهد شد. مدیر پروژه پیکره به روزشونده با اشاره به این نکته که امروزه از پیکره های زبانی تقریباً در تمامی حوزه های علوم انسانی به طور عام و مطالعات زبانی به طور خاص استفاده می شود، گفت: بحث به روز بودن، توازن و نماینده بودن سه ویژگی مهم برای کارآمدی پیکره های زبانی است که در پروژه حاضر مورد توجه قرار گرفته است؛ بنابراین پیکره حاضر از این حیث که تنوعات زبانی را با انتخاب داده از ژانرهای مختلف پوشش می دهد، داده به میزان مساوی از هر ژانر انتخاب می شود و اینکه هر روز داده های آن افزایش می یابد، به ترتیب برخوردار از سه ویژگی نماینده بودن، توازن و به روزشوندگی است. وی ادامه داد: به روزشونده بودن پیکره حاضر به پژوهشگر این امکان را می دهد که بتواند تغییرات زبانی و حتی فرهنگی-جامعه شناختی را با استفاده از آن بررسی و تحلیل کند. مولودی یادآور شد: در فاز نخست این پروژه، هر روز متون خبری به صورت متوازن از 6 حوزه موضوعی و از خبرگزاری های مختلف به پیکره اضافه می شود. همچنین مرتضی رضایی شریف آبادی، دانشجوی دکتری زبان شناسی دانشگاه شیراز و مسئول فنی پروژه با بیان اینکه مراحل اجرایی کار با همکاری تیمی قوی از مهندسان نرم افزار و با بهره گیری از جدیدترین فناوری ها انجام شده است، گفت: علاوه بر امکان دریافت داده پیکره، علاقه مندان می توانند برای کاوش در پیکره از ابزار جستجوی برخط تهیه شده استفاده کنند. وی افزود: تمام متون پیکره به صورت خودکار نرمال سازی و ریشه یابی می شوند و برچسب اجزای کلام به واژه های آن ها اختصاص می یابد و برای توازن متون در سطح موضوع و زیرموضوع و همچنین توازن زمانی نیز از روشی ابتکاری استفاده شده است. رضایی تصریح کرد: هم اکنون پیکره به روزشونده و ابزار جستجوگر آن به صورت آزمایشی و با دسترسی محدود راه اندازی شده است. بر اساس اعلام روابط عمومی دانشگاه شیراز، یکی از مهم­ترین گام ها در طراحی و ساخت سیستم های بازشناسی گفتار پیوسته با دایره لغات بزرگ (LVCSR)، تعلیم مدل زبانی (Language Model) برای مدل کردن نحوه توالی کلمات در یک زبان خاص است. برای انجام چنین کاری، داشتن مقادیر بسیار زیادی از دادگان متنی (Text) از آن زبان همراه با برچسب های لازم ضروری است. از طرفی در بسیاری از پروژه های تحقیقاتی در زمینه پردازش زبان طبیعی (Natural Language Processing)، چنین دادگانی مورد نیاز است. پیکره مجموعه‏ ای از پاره ‏های زبانی است که انتخاب و بر اساس معیارهای زبانی روشنی مرتب می ‏شوند به ‏نحوی که همچون نمونه ‏ای از زبان به کار گرفته می شوند. پیکره شامل متن های پیوسته طبیعی است که می ‏توان از آن اطلاعاتی درباره عناصر زبانی، هم واژگانی هم غیرواژگانی (مانند سبک، نقطه ‏گذاری، دستور، گونه کاربردی) به ‏دست آورد. کشف واژه ‏هایی خاص یا کاربردهایی خاص از آنها در پیکره ‏ای از متن های معتبر که متخصصان هر زمینه موضوعی آن را نوشته ‏اند، بسیار ارزشمند است زیرا نشان می‏ دهد اگرچه همه واژه ‏ها در فرهنگ‏ های لغت ظاهر می ‏شوند، در بافت ‏هایی خاص نمی ‏توان از آنها استفاده کرد، حتی اگر جمله به لحاظ دستوری درست باشد.