Prior art

Things to read before writing code, so that reimplementation is a choice rather than an accident.

Mostly resources for the grammar track. Tools for the linter — prose linters, LanguageTool, StyloMetrix — are listed in linter.md, and the wider landscape in similar-work.md.

Polish language resources

Morfeusz 2 — morphological analyzer and generator for Polish, built over SGJP. Analysis returns a directed acyclic graph of segmentations with full tags; generation maps a lemma plus a tag to a surface form. The generator is the part the grammar track leans on, and it is why Morfologik below is not the dictionary here. http://morfeusz.sgjp.pl/

Concraft — a morphosyntactic tagger for Polish, built over Morfeusz 2's output. It reads the analyser's graph of interpretations, marks one path through it as the disambiguated one, and by default prints a marginal probability beside every interpretation rather than beside the chosen ones alone. Conditional random fields underneath, Haskell above, BSD-2 licensed, and distributed as binaries for Linux, Windows and macOS with a model of about 100 MB trained on NKJP1M-SGJP and dated February 2022. It reads and writes a tab-separated graph format, and runs as a server with a Python client as well.

Choosing is what olski declines to do before the parser sees a sentence, so this is not a component of the analysis: olski/morph.py hands every reading forward on purpose, and a path marked upstream would settle what olski reports as ambiguity in the analyser instead of in the grammar. What it is a candidate for is the measurement, where neither column comes from a tagger. The marginals are the half a measurement can take without the analysis losing a reading, since they weight the interpretations rather than dropping any. https://zil.ipipan.waw.pl/Concraft https://github.com/kawu/concraft-pl

SGJP, Słownik gramatyczny języka polskiego — the grammatical dictionary underneath Morfeusz. The 2020 edition characterizes nearly 456,000 Polish lexemes with their paradigm classes, covering both attested and potential words, and is distributed under a liberal BSD licence together with Morfeusz. This is the inflectional truth that would otherwise take years to rebuild. https://sgjp.pl/o-slowniku/

Morfologik — the other freely licensed Polish morphological dictionary, with roughly 3.5 million forms, and the one LanguageTool uses for Polish. Lighter than SGJP and oriented toward analysis rather than generation, which is why the retired rule pack would have taken it where no surface forms need to be produced. See linter.md.

GFJP and Świgra — Świdziński's Gramatyka formalna języka polskiego, and Woliński's parser, which ships both a faithful implementation of GFJP and a larger grammar of his own descended from it. A working constituency parser for real Polish at full scale, built on an extended Definite Clause Grammar formalism. Which ground it occupies, what it leaves open, and what its source is worth taking from, is in swigra.md.

Walenty — a valency dictionary of Polish, recording for each lemma the syntactic frames it admits. The October 2017 version bundled with Świgra characterizes 17,820 lemmata with 97,293 schemata, and the April 2016 text release published on its own page has 17,224 verbal lemmata and 64,022 schemata. It is distributed under CC BY-SA 4.0 — a friendlier licence than the parser whose lexicons are generated from it. Olski's valency lexicon is derived from it, taking the handful of facts its own frame can carry and leaving the rest, for the reasons walencja.md gives. http://walenty.ipipan.waw.pl/

Warstwę semantyczną niesie wydanie TEI z 18 kwietnia 2016, a nie wydanie tekstowe z tej samej daty, z którego powstaje leksykon olskiego. Nagłówek tego pliku liczy 83 960 schematów i 12 024 ramy dla 15 169 lematów, a warstwę semantyczną ma 6 365 z nich — i nie ma jej być, mieć, mówić, stać, brać ani czytać, czyli czasowniki, które ten rejestr niesie najczęściej. Rama nazywa znaczenia czasownika, obsadza pozycje jedną z 17 ról — Theme i Initiator są najczęstsze — i żąda od każdej klasy rzeczy, albo zbiorem synsetów plWordNet, albo jedną z dwudziestu klas nazwanych: LUDZIE, MIEJSCE, KOMUNIKAT i tak dalej. Osobna warstwa spina argument ramy z pozycją konkretnego schematu, więc rola dochodzi do pozycji, którą rozbiór naprawdę obsadził. Praca o tej warstwie definiuje klasy nazwane jako zbiory synsetów plWordNet 2.1, więc żądanie czyta się z samego Walentego, a o tym, czy słowo w zdaniu klasę spełnia, orzeka dopiero wordnet. Żądanie wychodzi stąd do olski/żądania.txt, a co ten przekład bierze, a czego nie, mówi walencja.md. Co ta warstwa daje olskiemu, wycenia disambiguation.md. https://aclanthology.org/L16-1418.pdf

plWordNet, czyli Słowosieć — relacyjny słownik znaczeń polszczyzny: jednostki leksykalne skupione w synsety, powiązane hiponimią, meronimią i resztą relacji, i zrzutowane na Princeton WordNet. Jest to źródło, o które pyta open-questions.md, a licencja pozwala je tu wziąć: wzorowana na princetońskiej, pozwala używać, modyfikować i rozpowszechniać w każdym celu i bez opłat, byle nota copyright została na kopii. Warunku ShareAlike nie ma, więc plik wyprowadzony z niej nie wyszedłby pod warunkiem źródła, jak wychodzi leksykon walencyjny (README.md). Nota obejmuje jednak modifications which you make for internal use or for wider distribution, więc plik wyprowadzony niesie ją dalej i na samo MIT też nie wychodzi.

Cena jest w pobraniu, a od 2 września 2026 nie ma go skąd wziąć samemu. Wydanie bieżące to 5.0, a wydania od 3.0 do 4.5 stoją w repozytorium CLARIN-PL, które odpowiada komunikatem o pracach serwisowych i reorganizacji, a adres pojedynczego wydania w nim daje 404. plwordnet.pwr.wroc.pl/wordnet/download, czyli dawny formularz pobierania, przekierowuje na witrynę, a nlp.pwr.wroc.pl/plwordnet/download, który podają biblioteki czytające plwnxml, odpowiada 503. Kanałem zostaje zgłoszenie: witryna udostępnia pełne zrzuty po jego weryfikacji, a sprawy licencyjne kieruje na plwordnet@clarin-pl.eu. Zgłoszenie obejmuje i wydanie starsze: biblioteki czytające plwnxml odsyłają po zrzut do tych samych dwóch adresów, więc obejście tej bramki nie jest znane. Ściągnąć da się rzut na Princeton WordNet, który Open Multilingual Wordnet wydaje jako omw-pl — w wersji 1.4 jest to 45 456 haseł i 33 826 synsetów pod tą samą licencją — a rzut ten nie niesie ani relacji, ani definicji, bo strukturę bierze z zasobu angielskiego, którego wymaga. Rejestr, o który olskiemu chodzi, ma za to pełna sieć: plik, parser i moduł mają w niej hasło, a lintować i commit nie mają, czyli milczy tam, gdzie milczy SGJP, i te słowa wpuszcza leksykon projektu. https://slowosiec.pl/ https://clarin-pl.eu/license/plwordnet https://github.com/omwn/omw-data

Wikisłownik — słownik pisany społecznie, na CC BY-SA i GFDL, w którym hasło ma numerowane znaczenia, a przy nich osobne pola na synonimy, antonimy, hiperonimy i hiponimy. Wyciąg maszynowy wydaje kaikki.org narzędziem wiktextract: polszczyzna to 172 309 znaczeń w jednym pliku JSONL, przebudowanym 31 sierpnia 2026. Sięga rejestru, do którego rzut plWordNet nie sięga — plik ma tam znaczenie informatyczne wraz z synonimami dokument i dane — a pole bywa puste, bo hasło pisze kto chce: hiperonimów plik nie ma ani jednego. Share-alike wiąże przy tym jak Walenty, czyli tezaurus wzięty stąd wydałby plik na warunkach źródła (tamże). https://kaikki.org/plwiktionary/ https://github.com/tatuylonen/wiktextract

Słownik synonimów z pakietu słowników LibreOffice — tezaurus, który pobiera się jednym poleceniem i bez zgłoszenia. Plik pl_PL/th_pl_PL_v2.dat jest w formacie MyThes: wpisem jest lemat wraz z liczbą swoich znaczeń, a znaczeniem płaska lista bliskoznaczników, gdzie kwalifikator stoi w nawiasie przed słowem — wiersz ma dwa znaczenia, a drugie to linia|rząd|linijka|szereg|wers. Plik wygenerowany 7 maja 2017 niesie 27 060 wpisów. Relacji nie ma tam żadnej, części mowy też nie, a pozycja bywa wielowyrazowa (wartość bezwzględna, maszyna licząca), więc podmiana bierze przycięcie skądinąd. W rejestr tego projektu ten słownik trafia częściowo: polecenie, wcięcie, katalog i wiersz mają wpis, plik i moduł mają go bez znaczenia informatycznego, a parser, lintować i commit nie mają wcale. Cena jest w licencji i jest wyższa niż przy Słowosieci: LGPL 2.1 wiąże copyleftem, więc plik wyprowadzony wyszedłby pod nią, jak olski/skłonności.txt wychodzi pod GPL v3. https://github.com/LibreOffice/dictionaries/tree/master/pl_PL https://dobryslownik.pl

Składnica — a constituency treebank of Polish, aligned with Świgra's output. Useful as a source of test sentences and as evidence of which constructions actually occur. A dependency of the measurement, not of the package: see corpus.md for how it is fetched and what it is allowed to prove. https://zil.ipipan.waw.pl/Składnica

POLFIE — an LFG grammar of Polish implemented in XLE. A second serious formal treatment, with a different formalism and different tradeoffs.

NKJP, the National Corpus of Polish — the corpus most Polish tools are trained and evaluated against. http://nkjp.pl/

UD Polish treebanks, PDB and LFG — Universal Dependencies conversions. Relevant if olski ever grows a dependency representation alongside or instead of constituency.

Formalisms and systems

Grammatical Framework (Ranta) — the strongest match to the skład angle. A typed abstract syntax describes what can be said; per-language concrete syntaxes linearize those trees into surface strings, handling inflection and agreement. Grammars are reversible, so the same source both linearizes and parses, which is exactly the round-trip invariant made structural. There is a Polish concrete syntax in the Resource Grammar Library. Read this first.

What it gives and where it stops for Polish are different answers. The abstract syntax is the part worth taking, and sklad.md owns what taking it means here. The morphology is the part olski is better equipped for, and the RGL's own status table says so: Polish carries Paradigms, Lexicon, Syntax and API, and carries neither Dict nor WordNet nor irregular verbs. So the words are where an application grammar stops. LexiconPol.gf is the RGL test vocabulary, a few hundred entries written by hand (bad_A = mkRegAdj "zły" "gorszy" "źle" "gorzej"), the public API in ParadigmsPol.gf offers mkN, mkA2 and mkAdv and no verb constructor at all, and mkN picks an inflection pattern by matching the ending against the numbered tables in NounMorphoPol.gf, whose comments record the guesser as approximate. A verb goes in through the internal VerbMorphoPol.gf, which asks for two stems and two conjugation classes per lemma. Against that, SGJP below Morfeusz answers for nearly 456,000 lexemes without being asked to guess, which is the one place where this repository starts ahead.

The library stops in a second place, and words are not it: that place is the one Wyróżnienie, the category carrying topic and comment, occupies here. PredVP in SentencePol.gf emits the subject, then the verb, then the rest, so the neutral order is fixed in the concrete syntax and information structure has no category to come from; VerbPol.gf records topicalization as a remark about where an adverbial lands. This is a library written for Polish declining a choice Polish has, so it says more than sklad.md does about libraries taken from languages whose word order is fixed. Read at commit-time state of the master branch; the files are in src/polish/. https://www.grammaticalframework.org/lib/doc/status.html https://github.com/GrammaticalFramework/gf-rgl

Attempto Controlled English — a controlled natural language whose sentences map deterministically into first-order logic. The reference point for "restricted natural language with real semantics", and a good source of decisions about what to cut and why.

GPSG immediate dominance and linear precedence — the standard technique for expressing free word order without enumerating permutations in the grammar.

Earley (1970) — chart parsing for arbitrary context-free grammars, producing a shared packed parse forest. The recommended starting point for the parsing angle.

Tomita (1985, 1987), GLR — LR parsing generalized to ambiguous grammars via a graph-structured stack. See also Scott and Johnstone on RNGLR and BRNGLR, which fix the original algorithm's failure on nullable rules. For what GLR over Polish looks like when someone just uses it, see glr-in-practice.md.

parglare — a Python GLR implementation with a grammar-object API, so grammars can be generated rather than written in its DSL. The subject of the field report above, and the closest thing to an off-the-shelf parser for the parsing angle's first experiments. https://github.com/igordejanovic/parglare

On natural language and the Chomsky hierarchy

Shieber (1985) — cross-serial dependencies in Swiss German as an argument that natural language is not context-free.

Culy (1985) — unbounded reduplication in Bambara, to the same end.

Pullum and Gazdar — the dismantling of the earlier arguments that English is not context-free. Worth reading to calibrate how much the hierarchy question actually matters in practice, which is: less than it seems.

Kuroda (1964) — the context-sensitive languages are exactly what a linear-bounded automaton accepts, which is where the cost of parsing them comes from.

Vijay-Shanker, Weir and Joshi (1987) — LCFRS, and what structural descriptions the various formalisms produce. One of the three that tier 3 of the cost ladder names.

Seki, Matsumura, Fujii and Kasami (1991) — multiple context-free grammars, which are the same class stated differently, with the polynomial parsing bound worked out.