Публічний рулбук для розмітки BUDOVA. Кожне правило має якір для цитування — використовуйте у статтях і дискусіях.
Правила розмітки україномовного будівельного тексту з named-entity, регістром та діалектом.
BUDOVA покриває будівельний домен української мови у чотирьох регістрах: нормативи (ДБН / ДСТУ), специфікації, кошториси, польова говірка. Тексти поза доменом відхиляються ще до розмітки.
Монолітні залізобетонні конструкції з класом бетону C25/30.Учорашній матч чемпіонату України.Поза доменом — відхилити.Кожен фрагмент отримує NER-мітки (8 типів сутностей), регістр і — для мовлення — регіон та ID спікера.
Текст + NER-спани + register=normative + source=ДБН В.1.1-12:2014Підписи до рисунків, формули, заголовки таблиць і самотні числові фрагменти без контексту виключаються. Розмічайте речення з доменною інформацією, не типографіку.
Табл. 3Пропускати маркери таблиць.ΣM_x = 0Пропускати ізольовані формули.Вісім NER-міток покривають корпус. Визначення нижче — ground-truth для всіх анотаторів.
Будівельні речовини, композити, іменовані продукти — бетон, арматура, ізоляція, віконні блоки, гіпсокартон, цемент. Багатослівні канонічні назви зберігаються цілими.
монолітний залізобетондвокамерний склопакетбетонГолий іменник без означення — на межі; приймати, якщо канонічний у контексті.Техніка, обладнання та інструменти — екскаватор, кран, дриль, мастерок, риштування, опалубка.
баштовий кранзварювальний апаратБудівельні дії — бетонування, зварювання, монтаж, штукатурення, свердління, гідроізоляція. Віддавати перевагу віддієслівним іменникам.
бетонування при температурі нижче +5 °Cроблять бетонРозмовна дієслівна форма — нормалізувати у "бетонування".Числа з одиницями, кодами класу, розмірами, відсотками. Завжди включати одиницю у спан.
переріз 400×400 ммклас бетону C25/30400Голе число без одиниці — не measurement.Конструктивні та архітектурні елементи — фундаменти, колони, балки, плити, дахи, сходи, пандуси.
несуча стіна підвалуфундаментна плитаЗасоби та заходи безпеки — ЗІЗ, каски, страхувальні пояси, вогнегасники, шляхи евакуації, захисні огородження. Посилання на стандарти — це regulation; числові класи захисту — property.
засоби індивідуального захистуаварійне освітлення шляхів евакуаціїДБН А.3.1-5:2016Посилання на стандарт — regulation, не safety.Нормативні посилання — ДБН, ДСТУ, СОУ, стандарти ISO та EN, Єврокоди, технічні умови (ТУ). Повний код із роком — одним спаном (див. boundaries-3).
ДБН В.2.2-40:2018ДСТУ EN 81-70Іменовані технічні властивості та класи характеристик — клас вогнестійкості, теплопровідність, індекс звукоізоляції, несуча здатність, клас міцності. Числове значення з одиницею — це measurement; сама назва властивості — property.
клас вогнестійкості R120несуча здатність0.045 Вт/(м·К)Значення з одиницею — measurement, не property.Де починається і закінчується анотація — найпоширеніше джерело неузгодженості.
Коли доменний прикметник чи кількісне слово змінює сенс головного іменника, включайте його у спан.
монолітний залізобетон"Монолітний" доменно-важливе.монолітний залізобетонВтрата означення змінює сенс.Не включати прийменники чи філери на краях спана.
у фундаментіу фундаментіСтійкі словосполучення (ДБН + код, клас + число) ніколи не розривати.
ДБН В.1.1-12:2014ДБН В.1.1-12:2014Коли одна сутність міститься в іншій.
Якщо довша назва матеріалу містить числовий клас — позначити повний material-спан; measurement усередині окремо не розмічається.
бетон класу C25/30Один material-спан; C25/30 — всередині.бетон класу C25/30Розрив створює неоднозначність.Коли дві різні сутності межують — кожна отримує свій спан.
фундаментна плита під колоноюОбробка регіональної лексики та неформального мовлення.
Використовувати слово як є у тексті. Канонічне відображення — окреме метаданне, не заміна.
ґіпсокартонЗахідний варіант; зберігати "ґ".шпахлівкаДіалектне; у metadata замапити у "шпаклівка".Для аудіозаписів регіон + діалектна група (Північна / Південно-західна / Південно-східна — стандартна тригрупова українська класифікація) додаються до висловлювання, не до окремих спанів.
Регіон — utterance-level поле у schema для speech-підмножини.Як записувати мовлення, щоб воно проходило корпусну планку якості. Сервер міряє SNR і пік для WAV-завантажень; браузерний рекордер фіксує формат. Повна специфікація для контриб’ютора: docs/recording-spec.md.
Якщо можливо — окремий мікрофон (USB-конденсаторний, петлічка, пристойний телефон). У навушниках, щоб не було витоку зі спікерів у мікрофон. Надайте дозвіл на мікрофон браузеру — рекордер зупиняє audio-track після стопу, тож індикатор має зникнути.
AGC / шумозаглушення / ехокомпенсація вимкнені у браузерному рекордері. Якщо використовуєте зовнішню DAW — вимикайте їх теж.Записувати у тихій кімнаті (без обдуву кондиціонера, без вуличного шуму). Зробити 3–5 секунд тиші на початку та перевірити рівень шуму на лічильнику. Корпусна ціль — SNR ≥ 20 dB; upload-відповідь містить попередження, якщо WAV нижче.
Офіс із зачиненими дверима, вентилятор вимкнено → типовий SNR 30–40 dB.Будмайданчик без вітрозахисту → може впасти нижче 15 dB; зазначте рівень шуму у source_ref.Достатньо голосно, щоб явно перевищувати шум, і не клипати. Цільтесь у піки −12…−3 dBFS. Сервер не відхиляє за самим рівнем, але зберігає peak_dbfs, щоб клипнуті дублі можна було відфільтрувати на експорті.
Пік ≥ −0.1 dBFS → клипінг, спотворення вбудовані у файл.Пік ≤ −40 dBFS → надто тихо, низький ефективний SNR.Для зовнішньої DAW — моно 48 kHz 16-bit PCM WAV. Браузерний рекордер пише 48 kHz моно WebM/Opus @ 64 kbit/s (Safari переходить на MP4/AAC). Один уривок на файл, 30 с – 3 хв. Максимум 50 MB.
90-секундний моно WAV @ 48 kHz одного спікера, що пояснює заливку бетону.12-хвилинний стерео-файл із трьома спікерами і телевізором на фоні.Один спікер у одному файлі. Якщо ви берете інтервʼю — розбийте на по одному файлу на спікера. Якщо записаний справжній діалог — зазначте у source_ref ("2 спікери, бригадир + робітник").
speaker_id присвоюється автоматично на контриб’ютора; змішування спікерів у файлі ламає це припущення.Без повних імен, адрес, номерів телефонів, номерів авто чи особистих медичних даних. Діалектна лексика — навпаки, бажана, тегайте свій регіон, щоб дослідники-діалектологи могли її знайти. Тільки будівельний домен.
"…шпахлівку накладали в три проходи з шліфуванням між ними.""Я, Іван Петренко, проживаю за адресою…"PII; або відхилити запис, або перезаписати без ідентифікуючих деталей.Розрізнення брендів та загальних назв речовин.
Коли бренд уточнює матеріал — розмічати повний спан як material, а бренд у sub-field.
склопакет REHAU 70Material з бренд-уточненням.склопакет REHAU 70Не розривати на дві сутності.Бренд без контексту будівельного матеріалу не анотується.
REHAUСамотній у тексті — немає контексту.Розміри, класи, відсотки, складені виміри.
Число без одиниці — не measurement. Включайте мм/см/м/МПа/°C/% / код класу у спан.
30 мм25 МПа30Для добутків розмірів (400×400 мм) тримати весь вираз одним спаном. Те саме для допусків.
400×400 мм±5 ммКоди класів (C25/30, XC3, B400C) — measurement-спани; включати префіксну літеру і косу риску.
класу C25/30клас експозиції XC3Класифікація стилістичного регістру кожного фрагмента.
Текст ДБН / ДСТУ / СОУ та інші стандарти — формальний юридичний регістр з явними числовими порогами та модальністю "повинні/мають".
Конструкції повинні проєктуватися з урахуванням…Datasheet-и, технічні специфікації — числово-навантажені, часті бренди, імперативні та описові речення.
Віконний блок ПВХ серії REHAU 70, розміри 1400×1600 мм.Кошториси, рядки work-item, таблиці одиничних розцінок. Впізнається за дієслівними фразами типу робіт і per-unit коефіцієнтами.
Улаштування покриття з металочерепиці, коефіцієнт 1.08.Мовлення на об’єкті та неформальні нотатки — діалектна лексика, приблизні числа, філери.
Стяжку лили в чотири, ну п’ять з хвостиком.Що робити, коли спан може мати більше ніж одну мітку.
Якщо термін може бути material АБО structure — обирайте ту, що вужча у конкретному реченні.
"Стіна" у "бетонна стіна" → structure (елемент); у "виготовлення стін" → structure (елемент).Задачі, де два анотатори розійшлись після першого проходу, ідуть у чергу admin review з тегом "needs adjudication".
Agreement metadata зберігає per-word узгодженість; елементи нижче порогу виводяться у admin-дашборд. Див. секцію "Узгодженість і злиття".Як робота кількох анотаторів стає одним записом датасету і як рахуються опубліковані показники узгодженості. Методологія версії 2 (червень 2026); записи, змержені раніше, несуть метадані v1 і позначені відповідно в експортах.
Кожне завдання незалежно розмічають N анотаторів (типово 3). Спани проєктуються на символи; символ отримує мітку сутності, якщо її поставили щонайменше ⌈N/2⌉ анотаторів. Консенсусні спани з середньою посимвольною підтримкою нижче 0.6 не потрапляють у змержений запис — але лишаються видимими у таблиці per-word узгодженості.
2 з 3 анотаторів позначили "ДСТУ EN 81-70" як regulation → спан виживає з agreement 0.67.Головний коефіцієнт — Fleiss’ κ, обчислена лише по вікну сутностей: позиціях, де хоча б один анотатор позначив сутність. Нерозмічений текст у розрахунок не входить, тому значення порівнянне між фрагментом на два речення і багатосторінковим пунктом: однаковий патерн розмітки дає однакову κ незалежно від довжини тексту.
Повнотекстова посимвольна κ (v1) досі зберігається як fleissKappa для довідки, але вона чутлива до довжини: домінантний клас "поза сутністю" завищує очікувану згоду на довгих текстах і робить κ нестабільною на коротких.Для кожної пари анотаторів спани вважаються збігом, якщо мають однакову мітку і перетин з IoU ≥ 0.5. Середній попарний F1 вимірює, чи знаходять анотатори ті самі сутності — доповнюючи κ, яка вимірює позиційну консистентність.
validation_score = 0.35 · max(0, κ_entity) + 0.65 · F1. Виявлення спанів важить більше, бо саме від нього залежить якість NER-тренування. Кольорове кодування: ≥ 0.7 високий, 0.4–0.7 середній, < 0.4 низький (черга на адʼюдикацію).
κ ≤ 0 — не краще за випадковість; 0.2–0.4 слабка; 0.4–0.6 помірна; 0.6–0.8 суттєва; > 0.8 майже ідеальна. κ = 1 з порожнім вікном сутностей означає: всі анотатори погодились, що сутностей у фрагменті немає.
Зовнішні документи, що формалізують конвенції вище.
ДБН В.1.1-12:2014 (сейсміка), ДБН В.2.6-98:2009 (бетонні конструкції), ДБН А.3.1-5:2016 (організація будівництва).
Восьмимітковий набір адаптує таксономію Ontonotes до будівельного домену. Повне обґрунтування у project paper (v1.0).
При цитуванні: "BUDOVA Annotation Guidelines v0.2 (2026)". Глибоке посилання на конкретне правило — через якір, напр. /guidelines#entities-material.
Шукаємо дослідників, будівельних фахівців та мовних спеціалістів для участі у проєкті.