КИЇВСЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ

ІМЕНІ ТАРАСА ШЕВЧЕНКА

НАВЧАЛЬНО-НАУКОВИЙ ІНСТИТУТ ФІЛОЛОГІЇ

Кафедра української мови та прикладної лінгвістики

«ЗАТВЕРДЖУЮ»
Заступник директора ННІФ
з навчально-методичної роботи
доц. Скрильник С.В.
______________________
«____»____________2022 р.

РОБОЧА ПРОГРАМА НАВЧАЛЬНОЇ ДИСЦИПЛІНИ

«Основи прикладної лінгвістики»

для студентів
галузь знань 03 «Гуманітарні науки»
(шифр і назва)
спеціальність 035 «Філологія (035.10 «Прикладна лінгвістика») »
(шифр і назва спеціальності)
спеціалізація 035.043 «Германські мови та літератури (переклад включно) –
перша німецька
освітній рівень бакалавр
(молодший бакалавр, бакалавр, магістр)
освітня програма «Німецька філологія та переклад, англійська мова»
(назва освітньої програми)

вид дисципліни вибіркова, ВБ «Лінгвістика і третя мова»

Форма навчання денна
Навчальний рік 2022/ 2023
Семестр 6
Кількість кредитів ЕСТS 3
Мова викладання, навчання
та оцінювання українська
Форма підсумкового контролю залік
Викладачі: канд. філол. наук, доцент Оксана ЗУБАНЬ (лекції, практичні заняття);
Валентина РОБЕЙКО (лекції, практичні заняття)

Пролонговано: на 20__ /20__ н. р. _________(__________) «__»___ 20__р.

на 20__/20__ н. р. ________(__ _____) «__»___ 20__р.

КИЇВ – 2022

1
Розробники:
канд. філол. наук, доцент Оксана ЗУБАНЬ, доцент кафедри української мови та прикладної
лінгвістики;
Валентина РОБЕЙКО, асистент кафедри української мови та прикладної лінгвістики

ЗАТВЕРДЖЕНО
Завідувач кафедри української мови та
прикладної лінгвістики
______________ Анатолій МОЙСІЄНКО

Протокол №__ від «___» ________ 2022 р.

Схвалено науково-методичною комісією ННІ філології

Протокол №___ від «____» _________ 2022 року

Голова науково-методичної комісії _________________Оксана ЗУБАНЬ

2
 ВСТУП
1. Мета дисципліни – ознайомити студентів із проблематикою
комп’ютерної лінгвістики та основними методами досліджень у цій галузі,
розглянути теоретичні засади та практичні реалізації сучасних систем
автоматичного оброблення природної мови; дати студентам необхідні
знання про мову та мовлення з позицій комп’ютерної лінгвістики; окреслити
шляхи практичного застосування отриманих знань, умінь і навичок.

2. Попередні вимоги до опанування або вибору навчальної

дисципліни:
1) Успішне опанування курсів: загальна теоретична підготовка,
здобута у межах навчальних дисциплін теоретичного характеру;
2) Знання теоретичних основ загального мовознавства, фонетики,
морфології, морфеміки, синтаксису, семантики, лексикографії;
3) Володіння принципами аналізу мовних одиниць усіх рівнів,
елементарними навичками добору, аналізу та інтерпретації мовленнєвих
фактів, навичками перекладу та редагування текстів українською та
іноземною мовою;
4) Уміння застосовувати лінгвістичний інструментарій на практиці.

3. Анотація навчальної дисципліни:

Навчальна дисципліна «Основи прикладної лінгвістики» є
дисципліною Вибіркового блоку 1 «Лінгвістика і третя мова».
У межах дисципліни розглядаються головні напрямки галузі
комп‘ютерної лінгвістики та її понятійний апарат. Студенти отримують
необхідні знання про мову та мовлення з позицій комп’ютерної лінгвістики,
знайомляться з типовими методами досліджень у галузі та найпростішими
алгоритмами опрацювання матеріалу. Вивчаються теоретичні засади та
практичні втілення сучасних систем АОПМ (систем автоматичного
перекладу та редагування текстів, синтезу й розпізнавання мовлення,
діалогових систем).
Під час занять студенти мають можливість відкрити нові шляхи
застосування комп‘ютерних технологій у дослідженнях мовних і
мовленнєвих явищ, отримати досвід вирішення практичних завдань обробки
текстових і звукових даних.

4. Завдання (навчальні цілі):

Цілі навчальної дисципліни спрямовані на досягнення:

загальних компетенностей: ЗК5. Здатність учитися й оволодівати сучасними
знаннями.ЗК6. Здатність до пошуку, опрацювання та аналізу інформації з різних джерел.
ЗК11. Здатність застосовувати знання у практичних ситуаціях.

3
 фахових компетентностей: ФК2. Здатність використовувати в професійній
діяльності знання про мову як особливу знакову систему, її природу, функції, рівні.
ФК7. Здатність до збирання й аналізу, систематизації та інтерпретації мовних фактів,
інтерпретації та перекладу тексту.ФК9. Усвідомлення засад і технологій створення
текстів різних жанрів і стилів державною та іноземними мовами. ФК10. Здатність
здійснювати лінгвістичний та спеціальний філологічний аналіз текстів різних стилів і
жанрів. ФК15.1. Здатність професійно застосовувати поглиблені знання у галузі
лінгвістики тексту та прикладної лінгвістики.

5. Результати навчання за дисципліною:

Результат навчання Форми

(1. знати; 2. вміти; 3. комунікація; 4. Методи оцінювання Відсоток у
(та/або
автономність та відповідальність) підсумков
методи і та пороговий
ій оцінці з
технології) критерій оцінювання дисциплін
Код Результат навчання викладання і (за необхідності) и
навчання
РН 1.1 Знати головні положення Лекція, Відповідь на практичному 10%
комп‘ютерної лінгвістики, історію практичне занятті, самостійна
становлення галузі та понятійний заняття, підготовка та презентація
апарат відповідно до сучасних самостійна доповіді, модульна
наукових парадигм. робота контрольна робота,
тести
РН 1.2 Розуміти основні процеси та Лекція, Відповідь на практичному 10%
найпростіші алгоритми автоматичного практичне занятті,
оброблення природної мови. заняття, звіт по лабораторній роботі,
самостійна самостійна підготовка та
робота презентація доповіді,
модульна контрольна
робота,
тести
РН 1.3 Знати сфери та можливості Лекція, Відповідь на практичному 10%
застосування комп‘ютерних практичне занятті,
технологій у лінгвістиці; сучасний стан заняття, звіт по лабораторній роботі,
IT-досліджень у світовому та самостійна самостійна підготовка та
українському мовознавстві. робота презентація доповіді,
модульна контрольна
робота,
тести
РН 2.1 Використовувати здобуті теоретичні Лекція, Відповідь на практичному 15%
знання та практичні навички під час практичне занятті,
планування та вирішення задач із заняття, звіт по лабораторній роботі,
галузі АОПМ. самостійна самостійна підготовка та
робота презентація доповіді,
тести
РН 2.2 Працювати з комп‘ютерними Лекція, Відповідь на практичному 10%
програмами автоматичного практичне занятті,
опрацювання текстів та усного заняття, звіт по лабораторній роботі,
мовлення; уміти тестувати та самостійна самостійна підготовка та
оцінювати системи АОПМ. робота презентація доповіді,
модульна контрольна
робота,
тести
РН 2.3 Уміти пояснити лінгвістичні засади, Лекція, Відповідь на практичному 15%
найпростіші алгоритми, структуру практичне занятті,

4
 систем АОПМ. заняття, звіт по лабораторній роботі,
самостійна самостійна підготовка та
робота презентація доповіді,
модульна контрольна
робота,
тести
РН 3.1 Використовувати інформаційні Лекція, Відповідь на практичному 5%
технології та комунікативні стратегії в практичне занятті,
наукових дискусіях з питань заняття, звіт по лабораторній роботі,
автоматичного опрацювання самостійна самостійна підготовка та
природної мови. робота презентація доповіді

РН 3.2 Налагоджувати успішну комунікацію у Лекція, Відповідь на практичному 10%

колективних завданнях із розробки практичне занятті,
компонентів систем АОПМ, спільних заняття, звіт по лабораторній роботі
проєктах у галузі мовних і самостійна
мовленнєвих інформаційних робота
технологій.
РН 4.1 Обґрунтовувати власний погляд на Лекція, Відповідь на практичному 15%
дискутивні проблеми АОПМ, практичне занятті,
представляти складну комплексну заняття, звіт по лабораторній роботі,
інформацію у стислій і графічній самостійна самостійна підготовка та
формі усно та письмово, свідомо робота презентація доповіді
ставитися до опрацювання наукової
літератури та проведення прикладних
досліджень.
100%

6. Співвідношення результатів навчання дисципліни із

програмними результатами навчання:

Результати навчання за дисципліною

РН РН РН РН РН РН РН РН РН
Програмні результати навчання (за описом 1.1 1.2 1.3 2.1 2.2 2.3 3.1 3.2 4.1
освітньої програми)
ПРН6. Використовувати інформаційні й
комунікаційні технології для вирішення
+ + + + + + + + +
складних спеціалізованих задач і проблем
професійної діяльності.
ПРН10. Знати норми літературної мови та
+ + +
вміти їх застосовувати у практичній діяльності.
ПРН16. Знати й розуміти основні поняття,
теорії та концепції обраної філологічної
+ + + + + + + + +
спеціалізації, уміти застосовувати їх у
професійній діяльності.
ПРН21. Знати і розуміти соціальну значущість
майбутньої професії, прогнозувати
+ + + +
перспективи розвитку сфери професійної
діяльності у конкретній філологічній галузі.
ПРН22.1. Знати і розуміти предметну сферу, + + +
базові поняття, спеціальну термінологію та

5
основні напрямки розвитку прикладної
лінгвістики.
ПРН24.1. Використовувати технології
автоматизованих систем інформаційного
пошуку, обробки тексту та перекладу з метою + + + + +
вирішення прикладних проблем
термінознавства.
ПРН25.1. Знати і розуміти сутність майбутньої
професійної діяльності у галузі лінгвістики та + + + + + +
ділової комунікації.
7. Схема формування оцінки:
7.1. Форми оцінювання:
Семестрове оцінювання:
Контроль знань здійснюється за системою ECTS, яка передбачає
дворівневе оцінювання засвоєного матеріалу, зокрема оцінювання
теоретичної підготовки – результати навчання (знання 1.1 – 1.3), що
складає 40% від загальної оцінки, та оцінювання практичної підготовки –
результати навчання (вміння 2.1 – 2.3); (комунікація 3.1 – 3.2);
(автономність та відповідальність 4.1), що складає 60% загальної оцінки.
Оцінювання за формами контролю:
Види робіт та форми їх Результати Кількіс Кількість балів Сумарна кількість
контролю навчання які ть за вид роботи балів за семестр
оцінюються занять максима мінімальн максима мінімаль
льна а для льна на для
позитивно позитивн
ї оцінки
ої оцінки
Модуль 1. Основи автоматичного опрацювання природної мови (Natural Language Processing)
Відповідь на практичному Усі РН 4 3 2 12 8
занятті
Лабораторна робота РН 1.2; РН 1.3; 2 4 2 8 4
РН 2.1; РН 2.2; РН
2.3;
РН 3.1; РН 3.2;
РН 4.1
Підготовка та презентація РН 1.1; РН 1.2; РН 2 6 4 12 8
доповіді 1.3;
РН 2.1; РН 2.2; РН
2.3;
РН 3.1;
РН 4.1
Усього (Модуль 1) 32 20
Модуль 2. Основні типи систем автоматичного опрацювання природної мови
Відповідь на практичному Усі РН 3 3 2 9 6
занятті
Лабораторна робота РН 1.2; РН 1.3; 2 4 2 8 4
РН 2.1; РН 2.2; РН
2.3;
РН 3.1; РН 3.2;
РН 4.1
Підготовка та презентація РН 1.1; РН 1.2; РН 1 7 4 7 4
6
доповіді 1.3;
РН 2.1; РН 2.2; РН
2.3;
РН 3.1;
РН 4.1
Тести РН 1.1; РН 1.2; РН 2 2 1 4 2
1.3;
РН 2.1; РН 2.3; РН 2.3
28 16
ПІДСУМКОВА КОНТРОЛЬНА РОБОТА: РН 1.1; РН 1.2; РН 1.3; РН 2.1; 40 24
РН 2.2; РН 2.3; РН 3.1; РН 4.1
Усього 100 60

Критерії оцінювання:

1. Відповідь на практичному занятті

3 бали – студент у повному обсязі володіє навчальним матеріалом,
вільно та аргументовано його викладає, глибоко і всебічно розкриває зміст
поставленого завдання, використовуючи обов’язкову та додаткову
літературу.
2,5 бала – студент у достатньому обсязі володіє навчальним
матеріалом, вільно його викладає, але недостатньо аргументує свої
пояснення, в основному розкриває зміст поставленого завдання,
використовує обов’язкову літературу; допускаються несуттєві неточності.
2 бали – студент загалом володіє навчальним матеріалом, але не
демонструє глибини знань, відповідає фрагментарно та поверхово, не
спирається на необхідну навчальну літературу, має у відповіді суттєві
неточності, частково не розуміє змісту запитань і завдань.

2. Лабораторна робота
4 бали – студент ретельно виконує роботу в повному обсязі та без
помилок, у змозі її проаналізувати, зробити самостійні висновки та
обґрунтувати їх; використовує основні та додаткові джерела інформації для
досягнення поставленої мети; демонструє вміння застосовувати набуті
знання з опертям на методи автоматичного опрацювання природного
мовлення, бере участь у науковій дискусії з теми.
3,5 бала – студент старанно виконує роботу в повному обсязі із
незначними помилками, може проаналізувати її та зробити висновки,
частково обґрунтувати їх; використовує основні джерела інформації для
досягнення поставленої мети; демонструє вміння застосовувати набуті
знання з опертям на методи автоматичного опрацювання природного
мовлення, відповідає на питання, пов‘язані з темою роботи.
2,5-3 бали – студент виконує роботу й може зробити загальні
висновки, опираючись на здобуті результати, продемонструвати вміння
7
використовувати методи автоматичного опрацювання природного мовлення,
відповісти на типові питання, пов‘язані з темою роботи; робота не виконана
в повному обсязі або ж має суттєві недоліки.
2 бали – студент виконує роботу фрагментарно, допускаючи значні
помилки; студент не в змозі проаналізувати результати роботи,
продемонструвати вміння використовувати методи автоматичного
опрацювання природного мовлення, відповісти на типові питання, пов‘язані
з темою роботи.

3. Підготовка та презентація доповіді (підготовка доповіді та

виступу (за бажанням студента – презентації) за результатами
дослідження наукової літератури / обраної системи обробки природної
мови (програма підготовки та доповіді визначається викладачем
індивідуально для кожного студента)):
6 балів – студент аналізує кілька наукових джерел, виокремлює з них
основні положення, структурно об’єднує отриману інформацію; тестує та
аналізує результати роботи системи обробки природного мовлення, робить
ґрунтовні узагальнюючі висновки та презентує результати дослідження в
чіткій, логічній, аргументованій формі; у повному обсязі відповідає на
питання до презентації, вільно орієнтується у представленому матеріалі.
5-5,5 бала – студент аналізує кілька наукових джерел, виокремлює з
них основні положення, тестує та аналізує результати роботи системи
обробки природного мовлення, об’єднує отриману інформацію, робить
висновки та презентує результати дослідження в чіткій формі, може
уточнити та доповнити надану інформацію за потреби, допускає несуттєві
неточності.
4-4,5 бала – студент аналізує кілька наукових джерел, виокремлює з
них деякі основні положення, тестує роботу системи обробки природного
мовлення, об’єднує отриману інформацію, може зробити часткові висновки
та презентувати результати дослідження, але не демонструє повного
розуміння опрацьованого матеріалу, пояснення та аргументація наведених
фактів містять суттєві неточності.
0-3,5 бала – студент не в змозі проаналізувати кілька наукових джерел,
виконати тестування запропонованої системи, об‘єднати, структурувати
отриману інформацію, зробити та обґрунтувати висновки, презентувати
результати свого дослідження; студент демонструє несамостійність у
підготовці доповіді чи презентації.

4. Тести
2 бали – 90-100% правильно вирішених тестових завдань.
1,5 бала – 75-89% правильно вирішених тестових завдань.
1 бал – 50-74% правильно вирішених тестових завдань.
0,5 бала – 0-49% правильно вирішених тестових завдань.

8
 6. Підсумкова контрольна робота

35-40 балів – студент у повному обсязі володіє навчальним

матеріалом, глибоко та всебічно розкриває зміст поставлених питань,
правильно виконує практичне завдання та інтерпретує отримані результати;
30-34 бали – студент у достатньому обсязі володіє навчальним
матеріалом, вільно його викладає, розкриває зміст поставлених питань,
правильно виконує практичне завдання але не досить чітко аргументує
отримані результати, допускається несуттєвих неточностей;
24-29 балів – студент загалом володіє навчальним матеріалом, але не
демонструє глибини знань, самостійності у вирішенні поставлених завдань,
не спирається на необхідну навчальну літературу, виконане практичне
завдання містить суттєві неточності;
1-23 бали – студент не в повному обсязі володіє матеріалом,
фрагментарно та поверхово його викладає, недостатньо розкриває зміст
поставлених питань; має суттєві помилки в практичній роботі; демонструє
несамостійність у виконанні завдань.

Орієнтовний перелік теоретичних питань, що виносяться на підсумкову

контрольну роботу
За Модулем 1:
Завдання та особливий статус комп’ютерної лінгвістики у сучасному
прикладному мовознавстві.
Кореляція термінів "прикладна лінгвістика" ↔
"комп'ютерна лінгвістика" у вітчизняному мовознавстві.
Функціональна концепція прикладної (комп'ютерної) лінгвістики.
Інформація, види та представлення інформації в інформатиці.
Отримання, збереження, оброблення і передача інформації.
Особливості методу комп’ютерного моделювання лінгвістичних
явищ: лінгвістична інформаційна модель, інфологічний та даталогічний
етапи формування інформаційної моделі.
Основні завдання сучасної комп’ютерної лінгвістики у мовознавстві та
за його межами.
Об’єкт та предмет дослідження в комп’ютерній лінгвістиці
Взаємозв'язок комп'ютерної лінгвістики з інформатикою. Типи
інформації в лінгвосеміотичній теорії А. О. Білецького. Функції мови як
спеціалізованої системи передачі інформації за А. О. Білецьким.
Поняття штучного інтелекту, зв’язок комп’ютерної лінгвістики зі
штучним інтелектом.
Natural Language Processing (NLP) і комп’ютерна лінгвістика: сучасні
системи автоматичного аналізу тексту.

9
 Комп’ютерна лексикографія: теоретичні засади, особливості
лексикографічного процесу.
Комп’ютерна лексикографія: предмет та об'єкт вивчення, етапи
розвитку, типологія комп’ютерних словників.
Українська комп’ютерна лексикографія: етапи розвитку,
лексикографічні установи, відомі комп’ютерні словники.
Автоматичний морфологічний аналіз: лінгвістичні засади, етапи
аналізу, типи аналізу, системи автоматичного морфологічного аналізу.
Поняття лематизації: характеристика текстової інформації на вході та
систематизація лінгвістичної інформації на виході цієї процедури.
Автоматичний морфемний аналіз: лінгвістичні засади, етапи аналізу,
типи аналізу.
Автоматичний синтаксичний аналіз: методи лінгвістичного
моделювання речення, етапи аналізу, типи аналізу, системи автоматичного
синтаксичного аналізу
Автоматичний семантичний аналіз: лінгвістичні засади, етапи аналізу,
типи аналізу, таксономічна методика семантичного аналізу лексики.

За Модулем 2:
Історія машинного перекладу.
Основні підходи до створення систем машинного перекладу.
Класифікації систем машинного перекладу.
Історія діалогових систем.
Класифікації діалогових систем.
Архітектура діалогової системи.
Історія синтезу мовлення за текстом.
Основні підходи до створення систем синтезу мовлення за текстом.
Розпізнавання мовлення.
Огляд і порівняння сучасних систем машинного перекладу.
Основні проблеми сучасного машинного перекладу.
Бази даних і знань для систем машинного перекладу.
Сучасні діалогові системи та ШІ: голосові помічники.
Огляд і порівняння сучасних систем синтезу мовлення за текстом.
Основні проблеми сучасних систем синтезу мовлення за текстом.
Основні проблеми сучасних систем розпізнавання мовлення.
Бази даних і знань для систем синтезу та розпізнавання мовлення.
Участь лінгвіста-експерта у створенні систем синтезу та розпізнавання
мовлення.
Підсумкове оцінювання: залік
7.2. Організація оцінювання:
Упродовж семестру здійснюється оцінювання відповідно до видів робіт та
форми контролю, описаних у п. 7.1. Залік виставляється за результатами
роботи студента впродовж усього семестру і не передбачає додаткових

10
 заходів оцінювання. Студенти, які набрали мінімально позитивну кількість
балів – 60, отримують – “зараховано”. Студенти, які не набрали мінімально
позитивну кількість балів – 60, отримують – “незараховано”. Студентам, які
за семестр набрали сумарно менше ніж 60 балів, для складання заліку
необхідно скласти матеріал за темами, за якими виникла заборгованість,
у вигляді написання самостійних робіт, рефератів або ж за потреби
написати контрольну роботу.
7.3. Шкала відповідності підсумкових балів

Зараховано / Passed 60–100

Не зараховано / Fail 0–59

8. Структура навчальної дисципліни

Тематичний план лекційних і практичних занять

№ Кількість годин
п/ Назва теми заняття
Лекції та Практичні Самостійна
п консультації заняття робота
Модуль 1. Основи автоматичного опрацювання природної мови (Natural Language Processing)
Вступ до дисципліни. Комп‘ютерна
1 лінгвістика як наука. АОПМ (NLP). 2 2 2
Комп’ютерна лексикографія: особливості
2 лексикографічного процесу. 2 2 2
3 Корпусна лінгвістика. 2 2 3
Автоматичний лінгвістичний аналіз:
3 морфологічний аналіз, морфемний аналіз, 4 2 3
синтаксичний аналіз, семантичний аналіз.
Лабораторні роботи з системами Корпусу
2 10
української мови
Усього за Модулем 1 10 10 20
Модуль 2. Основні типи систем автоматичного опрацювання природної мови
Машинний переклад: підходи до створення
4 4 2 5
систем МП та їх класифікація.
Діалогові системи та чат-боти: класифікації,
5 архітектура, бази даних і знань. Голосові 2 4 5
помічники.
Автоматичний синтез і розпізнавання
6 мовлення. Перспективи розвитку систем 2 4 10
АОПМ.
Усього за Модулем 2 10 10 20
Підсумкова контрольна робота 2 10
Усього за навчальною дисципліною 20 20 50
Загальний обсяг – 90 год.
У тому числі:
Лекцій – 20 год.
Практичних занять – 20 год.
11
Самостійна робота – 50 год.

9. Рекомендована література

Основні джерела
1. Вінцюк Т.К., Сажок М.М., Селюх Р.А., Федорин Д.Я., Юхименко
О.А., Робейко В.В. Автоматичне розпізнавання, розуміння та
синтез мовленнєвих сигналів в Україні. // Управляющие системы
и машины. – № 6 (278). – Киев, 2018. – С. 7-24.
2. Дарчук Н. П. Компʼютерне анотування українського тексту:
результати і перспективи. – Київ: Освіта України, 2013. 544 с.
3. Дарчук Н.П. Комп'ютерна лінгвістика (автоматичне опрацювання
тексту). Підручник. — К.: Видавничо-поліграфічний центр
"Київський університет", 2008. — 351 с.
4. Жуковська В. В. Вступ до корпусної лінгвістики: навчальний
посібник. – Житомир: Вид-во ЖДУ ім. І. Франка, 2013. – 142 с.
5. Карпіловська Є. А. Вступ до прикладної лінгвістики: комп'ютерна
лінгвістика. – Донецьк: Юго-Восток, 2006.
6. Тарануха В.Ю. Інтелектуальна обробка текстів: [навчальний
посібник]. Київ, 2014. 80 с.
7. Jurafsky Daniel, Martin James H. Speech and Language Processing
(3rd ed. draft). 2021. URL: https://web.stanford.edu/~jurafsky/slp3/
8. The Handbook of Computational Linguistics and Natural Language
Processing. Edited by Alexander Clark, Chris Fox, and Shalom Lappin.
Wiley-Blackwell, 2010. 800 p.
9. B. Srinivasa-Desikan. Natural Language Processing and
Computational Linguistics: A practical guide to text analysis with
Python, Gensim, spaCy, and Keras. – 2018, 371 р.
10.Malik, M., Malik, M.K., Mehmood, K. et al. Automatic speech
recognition: a survey. Multimed Tools Appl 80, 9411–9457 (2021).
https://doi.org/10.1007/s11042-020-10073-7
11.Michael McTear. Conversational AI: Dialogue Systems,
Conversational Agents, and Chatbots. 2020. 251 р.
12.Tan, X., Qin, T., Soong, F. and Liu, T.Y., 2021. A survey on neural
speech synthesis. arXiv preprint arXiv:2106.15561.

Додаткові джерела
1. Муковнін Є. В. Труднощі в роботі систем обробки природної
мови та основні методи їх вирішення. Сучасні філологічні
дослідження та навчання іноземної мови в контексті
міжкультурної комунікації (Х). Житомир. 2017. С. 343-347.
2. Партико З.В. Прикладна і комп'ютерна лінгвістика: Вступ до
спеціальності. Львів: Афіша, 2008. 224 с.

12
 3. Робейко В.В. Моделирование особенностей спонтанной
украинской речи в системах автоматического распознавания
речевого сигнала. // Кибернетика и вычислительная техника:
Межведомственный сборник научных трудов. – Вып. 170. – Київ,
2012. – С. 76-85.
4. Goldberg Y. Neural Network Methods for Natural Language
Processing. Morgan & Claypool Publishers. 2017. 309 р.
5. Valeriy Pylypenko, Valentyna Robeiko, Mykola Sazhok, Nina
Vasylieva, Oleksandr Radoutsky. Ukrainian Broadcast Speech Corpus
Development. // Proc. of the 14th International Conference “Speech
and Computer: SPECOM’2011”. – Kazan, Russia, 2011. – P. 435-440.
6. M. Sazhok, V. Robeiko, D. Fedoryn. Distinctive features for Ukrainian
real-time speech recognition system. // Обробка сигналів і зображень
та розпізнавання образів: Дванадцята Всеукраїнська міжнародна
конференція. – Київ, 2014. – С. 66-70.

Інформаційні ресурси в Інтернет

1. Лінгвістичний портал «Моva.info». URL: http://www.mova.info
2. Національна бібліотека України імені В.І. Вернадського.
URL: http://www.nbuv.gov.ua/
3. Романишин Мар’яна. Вступ до опрацювання природної мови. URL:
https://www.youtube.com/watch?v=5Bv1suELVj4
4. Fessler, L. (2017). We tested bots like Siri and Alexa to see who would
stand up to sexual harassment. In Quartz. Feb 22, 2017. URL:
https://qz.com/911681/
5. Paolino, J. (2017). Google Home vs Alexa: Two simple user experience
design gestures that delighted a female user. In Medium. Jan 4, 2017. URL:
https://medium.com/startup-grind/google-home-vs-alexa-56e26f69ac77
6. Kochmar Ekaterina. Introduction to Natural Language Processing.
Cambridge Data Science Bootcamp. URL:
https://www.youtube.com/watch?v=8S3qHHUKqYk
7. Manning Chris. Natural Language Processing with Deep Learning. Stanford
University School of Engineering. URL: https://www.youtube.com/watch?
v=OQQ-W_63UgQ
8. Siri. URL: https://www.apple.com/siri/
9. Alexa. URL: https://developer.amazon.com/en-US/alexa
10.Cortana. URL: https://www.microsoft.com/en-us/cortana
11.Google Assistant. URL: https://assistant.google.com

13