Generator errors identified through the shared task

[ryskina]

This is a list of generator errors that @varie identified while working on the error analysis for the shared task. These forms were produced by the version of the generator from ~March 2021.

Incorrect inflections:

Generated form	Correct form	Fixed?
относительностьбор:относительность<n><px1sg><dat>	относительностьпар	4aa441f
уһулар:уһул<v><tv><aor><p3><sg>	устар	35a13d8
вулканмыт:вулкан<n><px1pl><nom>	вулкаммыт	02cdb41
вулканмытын:вулкан<n><px1pl><acc>	вулкаммытын	02cdb41
вулканмытыныын:вулкан<n><px1pl><com>	вулканмытыныын	02cdb41
вулканмытыттан:вулкан<n><px1pl><abl>	вулкаммытыттан	02cdb41
гепатитиҥ:гепатит<n><px2sg><nom>	гепатитыҥ	efe537a
иҥммиккит:иҥин<v><iv><past><p2><pl>	иҥнибиккит	a9b0be8
иҥммитиҥ:иҥин<v><iv><past><p2><sg>	иҥнибитиҥ	a9b0be8
иҥммитэ:иҥин<v><iv><past><p3><sg>	иҥнибитэ	a9b0be8
киоскунан:киоск<n><ins>	киосканан
коранмын:коран<n><px1sg><acc>	кораммын	02cdb41
коранмыныын:коран<n><px1sg><com>	кораммыныын	02cdb41
коранмытына:коран<n><px1pl><par>	кораммытына	02cdb41
коранмытынааҕар:коран<n><px1pl><comp>	кораммытынааҕар
корреспонденинэн:корреспондент<n><ins>	корреспонденынан
корреспонденмыт:корреспонден<n><px1pl><nom>	корреспондеммыт	02cdb41
корреспонденмытына:корреспонден<n><px1pl><par>	корреспондеммытына	02cdb41
корреспонденмытыттан:корреспонден<n><px1pl><abl>	корреспондеммытыттан	02cdb41
латынмытын:латын<n><px1pl><acc>	латыммытын	02cdb41
латынмытыныын:латын<n><px1pl><com>	латыммытыныын	02cdb41
латынмытыттан:латын<n><px1pl><abl>	латыммытыттан	02cdb41
оонньоохтоох:оонньоо<v><tv><nec><p3><sg>	оонньуохтаах
оонньоохтоохпут:оонньоо<v><tv><nec><p1><pl>	оонньуохтаахпыт
оонньоохтоохтор:оонньоо<v><tv><nec><p3><pl>	оонньуохтаахтар
ороскуоткына:ороскуот<n><px2sg><par>	ороскуоккына
ороскуоткыныын:ороскуот<n><px2sg><com>	ороскуоккынын
ороскуоткытын:ороскуот<n><px2pl><acc>	ороскуоккытын
ороскуоткытынан:ороскуот<n><px2pl><ins>	ороскуоккытынан
ороскуотпар:ороскуот<n><px1sg><dat>	ороскуоппар	a016378
ороскуотпыт:ороскуот<n><px1pl><nom>	ороскуотум	a016378
ороскуотпытыгар:ороскуот<n><px1pl><dat>	ороскуоппытыгар
ороскуотпытыттан:ороскуот<n><px1pl><abl>	ороскуоппытыттан
парольто:пароль<n><par>	парольда
пиньиньнэн:пиньинь<n><ins>	пиньининэн
румынмытына:румын<n><px1pl><par>	румыммытына	02cdb41
румынмытыттан:румын<n><px1pl><abl>	румыммытыттан	02cdb41
спортооҕор:спорт<n><comp>	спортааҕар	4a8fb6b
уһунма:уһун<v><iv><neg><imp><p2><sg>	устума	5d459da
уһунматыбыт:уһун<v><iv><neg><ifi><p1><pl>	устубатыбыт	5d459da
уһунматыҥ:уһун<v><iv><neg><ifi><p2><sg>	устубатыҥ	5d459da
шалфейинэн:шалфей<n><ins>	шалфейынан	efe537a
эргилиниэҕэ:эргилин<v><iv><fut><p3><sg>	эргиллиэҕэ	124643d
тонмытыныын:тон<n><px1pl><com>	@varie suggests томмутунуун, but her consultant suggests туоммутунуун
автомобильэ:автомобиль<n><px3sg><nom>	@varie suggests автомобилэ but has doubts

Other suggestions from @varie's consultants

автомобиль<n> -- suggested to change the lemma to аптамабыыл
гол<n> -- suggested to change the lemma to гуол
наследиенан:наследие<n><ins> -- suggested наследиянан

[jonorthwash]

| вулканмытыныын:вулкан<n><px1pl><com> | вулканмытыныын |

@ryskina, what's wrong with this one?

[ryskina]

Sorry, the correct form should be вулкаммытыныын

[jonorthwash]

Sorry, the correct form should be вулкаммытыныын

Aha, makes sense. Got it!

[jonorthwash]

@varie, wow, парольда is crazy... If it were a Sakha word, without ь, the correct form would be паролло, right? Is it pronounced паруоль?

[jonorthwash]

Are we sure that it's supposed to be ороскуоккына (and similar forms) and not ороскуоккуна?

[jonorthwash]

Should the lemma be корреспонден or корреспондент? The test data has both?

[jonorthwash]

• корреспондент as lemma, корреспондена as a form
• probably ороскуоккуна
• <px3sp> → спорда
• парольда pronounced as spelled, and seems correct