Kieli kuvaa maailmaa, joka on ympärilläsi. Sanasto puolestaan määrittelee, millaisista asioista maailmasi koostuu ja mitä mikäkin asia tarkoittaa. Aivan samalla periaatteella tutustumalla tähän sanastoon ymmärrät, millaiseen maailmaan olet juuri astunut.
Sanasto sisältää englanninkielisiä lyhenteitä. Ne eivät ole minkään olemassaolevan standardin mukaisia, vaan luovat kohdealueelle ihan oman kielen (Domain-Specific Language, DSL). Lyhenteitä käytetään jatkossa runsaasti, etenkin tiedostonnimissä. Ne kuvaavat sekä prosessiin kuuluvia toimintoja että sisältöjä eri vaiheissaan. Alla oleva sanasto laadittiin jo hankkeen alkuvaiheessa, ja sitä on päivitetty aina projektin edetessä ja ymmärryksen aiheesta syventyessä.
SD (Source Document) tarkoittaa lähdetekstiä, jonka sisällöstä tekoäly generoi sanaston. Se liitetään kehotteen liitteeksi. Tekoäly ei siis etsi itsenäisesti lähteitä verkosta, vaan se pitää sille antaa.
GGS (Glossary Generation Specification) on määritys, joka annetaan tekoälylle sanaston generoimista varten. Se kertoo, mitä sanoja lähdetekstistä (GST) poimitaan, mitä tietoja niiden selityksissä esitetään ja missä muodossa ne esitetään. GGS:n tavoitteena on poistaa käyttäjältä sanaston luomiseen tarvittavan kehotteen laatimisen vaiva ja pienentää suuresti käyttäjältä edellytettävää tekoälyosaamisen tarvetta. Lisäksi määritys yhtenäistää sanastojen sisältöä, jotta erilliset sanastot voidaan koota yhtenäiseksi kokoelmaksi.
GGM (Glossary Generation Manual) on ihmiskäyttäjälle tarkoitettu dokumentti, joka neuvoo, miten sanastoja generoidaan, mitä ongelmia on havaittu, miten niitä voi välttää, miten sanaston ulkoasu on hyvä muotoilla, miten sanastotiedosto tehdään ja miten sen laatu varmistetaan. Lisäksi siinä kerrotaan lyhyesti CC-lisenssistä ja GGS:n modifioimisesta.
GE (Glossary Entry) tarkoittaa sanastoon sisältyvää selitettävää sanaa ja sen selitysosaa. Sanakirjatyyppisesti taitettuna yksi sanastoentry on yksi tekstikappale.
GD (Glossary Document) on valmis sanasto, joka on muotoiltu tekstinkäsittelydokumentiksi ja tallennettu tiedostoksi. Sanat ovat lähdetekstin esiintymisjärjestyksessä helpottamaan lähdetekstin seuraamista ja opiskelua.
GDV (Glossary Document Verifier) on valmiin sanaston laadunvarmistuksen väline. Se on tekoälylle annettava määritys, jolla tarkistetaan sanaston termien ja selitysten oikeellisuus. GDV suunniteltiin aluksi opettajille, mutta on hyödyllinen työkalu kaikille sanastoja tekeville.
GVR (Glossary Verification Report) on GDV:n tuottama raportti, josta näkee luotettavien, tarkistettavien ja epäilyttävien sanastoentryjen määrät sekä nimeää tarkistettavat ja epäilyttävät sanat ja selitykset.
PET (Phrase Extractor and Translator) on työkalu, joka tutkii SD:n ja etsii sieltä useamman sanan mittaiset fraasit, kääntää ne 1. kirjaimellisen ja 2. kulttuurisen ja sosiaalisen merkityksen. PET tuottaa listauksen, joka ei ole sanasto, vaan enemmänkin fraasisanakirja.
VGD (Verified Glossary Document) on valmis sanasto, joka on tarkastettu GDV–spesifikaatiollan, muotoiltu tekstieditorilla, tallennettu tiedostoksi.
GDC (Glossary Document Collection) on sanastojen kokoelma, eli käytännössä joukko erillisiä sanastotiedostoja. Termi ei ota kantaa siihen, onko niiden oikeellisuus varmistettu.
GDA (Glossary Document Archive) on yleistermi, joka viittaa sanastotiedostojen tallennuspaikkaan. Se voi olla yksittäinen tietokone, oppilaitoksen palvelin, verkkoasema tai siirrettävä, fyysinen tallennusväline. Ehkä jopa mappi, missä sanastot ovat paperitulosteina. Termi on käytössä siksi, että sillä voidaan tarkoittaa mitä tahansa tallennuspaikkaa niitä tarkemmin nimeämättä. Jokaisella sanastojen käyttäjällä ja esimerkiksi koululla voi olla oma tallennuspaikkansa.
GCA (Glossary Collection Assembler) on tekoälylle annettava kehote, jolla erillisistä sanastoista (GD) kootaan laajempi kokonaisuus. Esimerkiksi kokonaisen albumin laulunsanat niin, että koostesanastossa on kukin sana vain yhteen kertaan ja aakkostettuna.
AGC (Assembled Glossary Collection) tarkoittaa erillisistä sanastoista (GD/VGD) generoitua sanastokoostetta, missä sanat ovat sanakirjamaiseen tapaan aakkosjärjestyksessä.
Juttusarjan seuraava, eli neljäs osa kerroo sanastogeneraattorin kehitysvaiheista, niissä kohdattuja ongelmista. ja niiden ratkaisuyrityksistä.