Przejdź do treści

Similar work

Olski is not a new idea. It is a new point in a space that people have been exploring since roughly 1930, and the field has enough measured results that ignoring them would be a waste.

This file is the landscape. prior-art.md is the narrower list of tools and resources olski might actually consume.

The field has a name and a survey

The umbrella term is controlled natural language: a subset of a natural language, restricted in grammar and vocabulary, to reduce or eliminate ambiguity.

The reference work is Tobias Kuhn's A Survey and Classification of Controlled Natural Languages, Computational Linguistics 40(1), 2014. It catalogues 100 English-based controlled languages from 1930 to publication, and it is the first thing to read.

Kuhn sorts them by goal into three types:

Type Goal Count
C Comprehensibility for human readers 45
T Translatability, usually machine-assisted 22
F Formal representation and automated reasoning 54

C and T overlap heavily. Neither overlaps much with F. Over 90 percent are written rather than spoken languages.

PENS, and why it matters here

Kuhn classifies each language on four dimensions, each with five levels: Precision, Expressiveness, Naturalness, Simplicity. English sits at P1E5N5S1, propositional logic at P5E1N1S5, and controlled languages fill the space between.

The definition of the Simplicity dimension is the interesting part. It is the number of pages needed to describe the language exactly and comprehensively, such that a skilled grammar engineer could implement a correct and complete parser from the description. Not learnability, not Chomsky-hierarchy complexity: implementation cost.

That means the tradeoff this project intends to make, parser complexity against the number of represented structures, is the S-versus-E plane of an existing, populated, measured scheme. Olski can be given a coordinate on the same chart as a hundred other attempts. It should be.

Where olski aims

This positioning describes the grammar track, which is the only part of the project that would be a controlled natural language at all. The retired linter was a checker, not a language, and had no PENS class. The S-versus-E reading below still applies to it, because implementation cost against coverage is the same trade under a different name.

Averaged by type, the field splits into two clusters:

Cluster P E N S
C and T 2.0 4.3 to 4.8 4.7 to 5.0 1.1 to 1.2
F 4.4 2.3 3.8 3.2

The C and T languages are mostly industrial and domain-specific: natural and expressive, imprecise, and impossible to describe compactly. The F languages are mostly academic: precise and compactly describable, at a real cost in naturalness and expressiveness.

Only 25 of the 625 possible PENS classes are occupied at all.

Olski wants high naturalness, because it should be close to Polish, together with high precision, because it should be deterministically checkable. That combination is the sparse corner, and the survey's numbers explain the sparsity: it is paid for in Simplicity, which is to say in implementation cost. This is the trade the project has already chosen to make. Choosing it knowingly, with a coordinate system to report position in, is better than stumbling into it.

Does it work

Kuhn's evaluation survey is the answer to what people actually say about controlled languages, and it is more positive than the reputation of rule-based language technology would suggest.

For comprehensibility: AECMA Simplified English significantly improved text comprehension, with the largest effect on complex texts and non-native readers (Shubert et al. 1995; Chervak, Drury, and Ouellette 1996). Other studies pointed the same way without reaching significance (Stewart 1998).

For translation: MCE was reported to give a five-to-one gain in translation time (Ruffino 1982). PACE made post-editing three to four times faster (Pym 1990). CLCM reduced post-editing time by about 20 percent (Temnikova).

For formal representation: CLOnE's interface beat a conventional ontology editor on usability (Funk et al. 2007), and ACE was easier and faster to understand than a standard ontology notation (Kuhn 2013). Positive usability results are also reported for GINO, CLEF, CPL, PERMIS, and Rabbit. Rabbit's comprehensibility results were mixed (Hart, Johnson, and Dolbear 2008).

Two findings that should shape olski

The habitability problem

A language is habitable if its users can express themselves without straying outside its boundaries. The standing critique of controlled languages is that for any real subject matter the set of appropriate sentences is impossibly large, so users cannot perceive where the fence is and discover it only by being rejected.

This is precisely the failure mode that "as close to Polish as possible" invites. The closer olski gets to Polish, the harder it becomes for an author to feel the boundary, and the more often a perfectly good Polish sentence gets refused for reasons that feel arbitrary.

The field's answer is the predictive editor. AceWiki shows, step by step, which words and phrases are syntactically possible at the current position in the sentence. That inverts the problem: rather than writing text and receiving errors, the author is never able to write something invalid.

It also dissolves a worry recorded in sklad.md, that chart parsers give unusable diagnostics. With look-ahead there are no diagnostics to give, because there are no errors. For a project whose whole claim is cheap, deterministic, explainable checking, this is the most important architectural idea in the literature.

The word "subset" is usually a lie

Kuhn notes that the term is misleading: most controlled languages are not proper subsets of their base language. They add notation, or deviate from natural grammar and semantics in small ways.

Olski's framing is that it is genuinely a subset of Polish. That is a stronger commitment than most of the field makes, and it forbids helper notation in the surface form. Every olski sentence must be a Polish sentence. Worth holding deliberately rather than discovering later.

Named languages worth knowing

Human-oriented. ASD-STE100 Simplified Technical English, descended from AECMA Simplified English, built in the 1980s by the European aerospace industry for aircraft maintenance manuals readable by non-native speakers, since spread to defence, rail, automotive, oil and gas, and medical devices. Ogden's Basic English. Voice of America's Special English. Caterpillar Fundamental English and Caterpillar Technical English. Plain Language. The spoken outliers, SEASPEAK and ICAO phraseology, almost all of governmental origin.

Machine-oriented. Attempto Controlled English, a subset of English translated unambiguously into first-order logic by way of Discourse Representation Structures, with a parser, a reasoner, a Protégé plug-in, an OWL verbaliser, and the AceWiki predictive editor. PENG. Common Logic Controlled English. For ontology authoring: CLOnE, and Rabbit as its more expressive successor from Ordnance Survey, and Sydney OWL Syntax. For business rules: SBVR Structured English, and RuleCNL.

The other tradition: engineered wide-coverage grammars

Separate from controlled languages, there is a large body of hand-built grammars that aim to describe a real language rather than restrict it. This is the honest comparison for anything claiming to be close to Polish.

Grammatical Framework provides resources for more than 40 languages over a shared abstract syntax, with reversible grammars, and has explicitly scaled itself from controlled languages toward robust pipelines.

DELPH-IN, the HPSG tradition: the English Resource Grammar parses roughly 94 percent of well-edited English while refusing sentences impossible in English. The Grammar Matrix is a starter kit that produces a new language's grammar from a typological questionnaire, which is a striking answer to "how do you start a precision grammar for language X".

LFG, ParGram, and XLE, and for Polish specifically POLFIE, whose c-structure derives from GFJP2, the same grammar behind the Świgra parser, which in turn annotated the Składnica treebank.

Rule-based machine translation, Apertium and its ancestors. Its decline is instructive: coverage brittleness, heavy labour cost per language pair, and blindness to context. It survives where the language pair is closely related. Olski is not machine translation, but it shares the labour profile, and the mitigation is the same: narrow the problem until hand-written rules are enough.

Reversible grammar is its own literature, which matters because the round-trip invariant is not an original idea. See Strzalkowski's Reversible logic grammars for natural language parsing and generation (1990), the 1991 ACL workshop he chaired, and Dymetman's Inherently Reversible Grammars.

Generowanie rozdziela się poziomem wejścia

Dwie tradycje wyżej czytają tekst, który ktoś napisał. Trzecia pisze go sama, i w niej stoi tor składu, czyli ten, który z drzewa wypuszcza polskie zdanie. Wypuszczenie zdania z drzewa ma w polu nazwę i jest nią realizacja: wyprowadzenie postaci powierzchniowej z reprezentacji, która pod nią stoi. Nazwa sięga dalej niż generowanie, bo realizacją jest i głoska wyprowadzona z fonemu, więc kto szuka literatury, ten szuka realizacji powierzchniowej, po angielsku surface realization. Rozdziela tę tradycję jedno pytanie: co autor podaje na wejściu. Poziom wejścia rozstrzyga, co autor pisze, ile system musi wiedzieć o języku i czego z takiego wejścia nie da się już powiedzieć. Przegląd tego pola trzymają Gatt i Krahmer, Survey of the State of the Art in Natural Language Generation, JAIR 61 (2018), i jest on tym, co się tu czyta pierwsze.

Poziom wejścia Co wchodzi Kto tak stoi
fakty trójki RDF, aksjomaty ontologii WebNLG, NaturalOWL
dziedzina konstruktory nazwane tym, o czym się mówi gramatyka aplikacyjna GF, olski.skład
kategorie językowe zdanie, grupa imienna, grupa czasownikowa biblioteka gramatyk GF
struktura głęboko-składniowa zależności bez słów funkcyjnych RealPro, FORGe
struktura funkcjonalna f-struktura gramatyki odwracalnej XLE wraz z POLFIE
drzewo lematów szyk i odmiana do odzyskania zadanie nad Universal Dependencies
specyfikacja zdania podmiot, orzeczenie, cechy zdania SimpleNLG wraz z portami
szablon tekst wraz z miejscami do wypełnienia RosaeNLG
forma lemat wraz z tagiem sam Morfeusz

Dwa wiersze tej tabeli zajmuje GF, i jest to w nim podział: gramatyka aplikacyjna ma składnię abstrakcyjną opisującą dziedzinę, a stoi na bibliotece gramatyk, której kategorie opisują język. Skład bierze drugi wiersz na kategorie i ostatni na formy, a między nimi stawia trzy małe leksykony: ramę czasownika, rekcję przyimka i relację spójnika. Co ten wybór poziomu znaczy, trzyma sklad.md.

Poziom, który tamten dokument odrzuca jako pierwszą ze trzech architektur, jest poziomem SimpleNLG, czyli realizatora, którego API bierze podmiot, orzeczenie, dopełnienie i cechy zdania. Inni ludzie przenieśli je na pięć języków: niemiecki, włoski, holenderski, hiszpański i portugalski brazylijski, a polskiego wśród nich nie ma. Zarzut, który tamten dokument stawia temu poziomowi, jest więc zarzutem o prozę: kto wypełnia szablon raportu, ten drzewo zdania pisze bez straty, bo zdania w raporcie nikt nie czyta dla rytmu.

Dwie rzeczy, które skład robi nad zdaniem, mają w tym polu nazwy i literaturę. Potok Reitera i Dale'a rozdziela planowanie dokumentu, mikroplanowanie i realizację, a mikroplanowanie obejmuje generowanie wyrażeń referencyjnych oraz agregację. Postać wraz z pomijalny jest pierwszym z nich, a Ciąg drugim, więc skład zajmuje dwa moduły tego potoku, a planowania dokumentu nie ma wcale: o czym opowieść jest, rozstrzyga ten, kto pisze drzewa. Granicę akapitu pisze przy tym autor, a skład ją czyta, bo na niej kończy się to, co dla opuszczonego podmiotu jest zdaniem obok. Czwarty warunek pomijalny pyta, czy tej samej formy nie wyciąga z czasownika nikt inny, i jest to test na zbiór dystraktorów, czyli to samo, na czym stoi przyrostowy algorytm Dale'a i Reitera (1995). Wywód o tym warunku trzyma kategorie-zapisu.md; ten akapit mówi tylko tyle, że nie jest on domowy. Ten sam mechanizm poza tradycją lingwistyczną ma RosaeNLG, gdzie wyrażenie referencyjne jest funkcją szablonu, a Fundacja LF AI zarchiwizowała ten projekt w 2026 roku.

Sama realizacja rozkłada się na trzy części, a podział ten ma w SimpleNLG postać potoku: klasa Realiser puszcza element przez składnię, potem przez morfologię, a na końcu przez ortografię. Część składniowa wybiera odmianę, dostawia słowa funkcyjne i rozstrzyga szyk, morfologiczna wylicza z tego formę, a ortograficzna odpowiada za wielką literę, interpunkcję i formatowanie. Dwie pierwsze mają w pakiecie olski.skład po module, olski.skład.składnia i olski.skład.morfologia, a trzeciej osobno nie ma i siedzi ona wewnątrz pierwszej. Interpunkcja stoi wewnątrz linearyzacji jako pole Kawałek, czyli jako żądanie konstytuenta wobec sąsiada, a nie jako znak w gotowym napisie, i wywód o tym trzyma docstring Kawałek w olski/skład/składnia.py; etap puszczony po morfologii jest na to za późny. Wielka litera wraz z kropką staje za to na końcu, w kompiluj. Trójwarstwowy podział, który olski/skład/__init__.py ogłasza swoją decyzją, jest więc innym podziałem niż te trzy części, choć dwie nazwy się pokrywają: warstwa trzecia, olski.skład.opowieść, stoi nad zdaniem, a nie w nim, i trzyma tożsamość, której żąda wyrażenie referencyjne z akapitu wyżej.

Zadanie realizacyjne nad drzewami Universal Dependencies (SR'18, SR'19, SR'20) pyta, czy z drzewa lematów wróci szyk wraz z odmianą, i liczy to nad wieloma językami, a jego wejście stoi o kilka wierszy niżej niż drzewo składu, więc liczba stamtąd nie przenosi się tutaj i nie ma czego z nią porównywać. Gramatyki odwracalne kupują za to jedno, czego ten tor nie ma: w GF ta sama deklaracja daje linearyzację i parser, bo składnia abstrakcyjna jest podpisem, a nie kodem, podczas gdy konstruktor składu jest klasą Pythona wraz z metodą linearyzuj. Dlaczego mimo to parser stoi tu świadkiem, a nie zależnością, rozstrzyga design-notes.md.

Outliers

Lojban is the extreme of designing for parseability: a constructed language with a formal machine grammar in YACC, claimed to be fully syntactically unambiguous. Instructively, it is not LALR(1) — some words' grammatical function depends on tokens that follow them, so parsing happens in two stages, and a PEG grammar has been proposed as the replacement baseline. A language designed from scratch for unambiguous parsing still could not stay inside the easy formalism.

On the Polish side

Plain Polish exists as a movement: the Pracownia Prostej Polszczyzny at the University of Wrocław, and Jasnopis, from SWPS University and the Polish Academy of Sciences, which scores text difficulty on a scale from 1 to 7, flags hard fragments, and since 2023 simplifies automatically.

This is readability work, not formal grammar. It shares olski's instinct that a restricted Polish is worth having, and none of its machinery.

The gap is real. Kuhn's hundred languages are all English-based. Polish-language sources on controlled languages state plainly that research on the topic is rare for Polish. A controlled Polish with a formal grammar, high naturalness, and deterministic checking is close to unoccupied ground.

That is not evidence the idea is good. It is evidence that nobody will hand us the answer.

Sources